Python для начинающих

Использование zip и enumerate в реальных задачах Если вы ещё пишете циклы с кучей счётчиков и временных списков — велика вероятность, что zip и enumerate уже могут сделать ваш код проще и понятнее. Разберёмся на практических примерах. --- ### 1. enumerate: когда индекс нужен по делу Типичный «новичковый» код:

items = ["apple", "banana", "orange"]
for i in range(len(items)):
    print(i, items[i])

То же самое с enumerate в разы чище:

items = ["apple", "banana", "orange"]
for idx, item in enumerate(items):
    print(idx, item)

Где это реально полезно? #### Пример: нумерация строк в отчёте

lines = ["Login ok", "Wrong password", "Timeout", "Login ok"]

for line_no, line in enumerate(lines, start=1):
    if "Wrong" in line:
        print(f"Error on line {line_no}: {line}")

Флаг start=1 удобен, когда нужно человеческое (а не компьютерное) номерование. --- ### 2. zip: связываем несколько списков zip шагает по нескольким итерируемым объектам одновременно:

names = ["Alice", "Bob", "Charlie"]
scores = [95, 82, 100]

for name, score in zip(names, scores):
    print(f"{name}: {score}")

#### Пример: из двух списков — словарь

keys = ["host", "port", "use_ssl"]
values = ["example.com", 443, True]

config = dict(zip(keys, values))
print(config)
# {'host': 'example.com', 'port': 443, 'use_ssl': True}

--- ### 3. zip + распаковка: транспонирование таблиц Есть «таблица» как список строк:

rows = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9],
]

Хотим столбцы вместо строк:

cols = list(zip(*rows))
print(cols)
# [(1, 4, 7), (2, 5, 8), (3, 6, 9)]

Так можно, например, быстро посчитать максимум по каждому столбцу:

max_by_col = [max(col) for col in zip(*rows)]
print(max_by_col)  # [7, 8, 9]

--- ### 4. Комбо: enumerate + zip в задаче валидации Допустим, нужно сравнить правильные ответы и ответы пользователя, а также вывести номер вопроса, где ошибка:

correct = ["A", "C", "B", "D"]
user =    ["A", "B", "B", "D"]

for idx, (right, given) in enumerate(zip(correct, user), start=1):
    if right != given:
        print(f"Question {idx}: expected {right}, got {given}")

Здесь zip связывает пары ответов, а enumerate даёт нам номер вопроса — минимальный код, максимальная читабельность. --- zip и enumerate — это не «фишечки для красоты», а инструменты, которые убирают лишний шум из кода. Как только начнёте видеть паттерны «мне нужен индекс» и «я иду по нескольким спискам сразу», эти функции станут вашей ежедневной привычкой.

Использование zip и enumerate в реальных задачах

Применение Counter и defaultdict в задачах подсчета данных В Python есть два маленьких, но очень мощных инструмента для подсчета данных: Counter и defaultdict из модуля collections. Они экономят десятки строк кода и делают задачи подсчета почти «одноходовками». --- ## Counter: карманный статистик Counter — это специализированный словарь для подсчета количества объектов. Внутри — обычный dict, но с удобным интерфейсом. ### Подсчет слов в тексте

from collections import Counter

text = "python is great and python is simple"
words = text.split()

word_counts = Counter(words)

print(word_counts)
print(word_counts.most_common(2))  # 2 самых частых слова

Что удобно: - Counter сам инициализирует счетчики с нуля; - метод most_common() сразу выдает топ-N элементов; - можно складывать, вычитать, объединять счетчики как числа. ### Подсчет символов в строке

from collections import Counter

s = "abracadabra"
char_counts = Counter(s)

for char, count in char_counts.items():
    print(char, count)

Ни одного if key not in dict — всё уже встроено. --- ## defaultdict: умный словарь с «значением по умолчанию» Обычный словарь при обращении к несуществующему ключу вызывает ошибку. defaultdict сам создает значение, используя функцию, которую вы ему передадите. ### Группировка по ключу Допустим, нужно сгруппировать студентов по курсу:

from collections import defaultdict

students = [
    ("Alice", 1),
    ("Bob", 2),
    ("Charlie", 1),
    ("Diana", 3),
]

by_course = defaultdict(list)

for name, course in students:
    by_course[course].append(name)

print(by_course)

Без defaultdict пришлось бы каждый раз проверять, есть ли уже такой курс в словаре. ### Словарь-счетчик на defaultdict defaultdict легко превращается в счетчик:

from collections import defaultdict

nums = [1, 2, 1, 3, 2, 1]
counts = defaultdict(int)

for n in nums:
    counts[n] += 1

print(counts)

По сути, это «ручная версия» Counter, но зато более гибкая. --- ## Когда что использовать - Нужен простой подсчет частот + топы, суммы, комбинации — Counter. - Нужна сложная структура вроде «ключ → список», «ключ → множество» или нестандартная логика инициализации — defaultdict. Оба инструмента отлично заходят в задачах обработки логов, текста, статистики, простых аналитических вычислений. Освоив их, вы перестанете писать однообразные шаблоны с проверками «а есть ли уже этот ключ» и сосредоточитесь на самой задаче.

Применение Counter и defaultdict в задачах подсчета данных

Мини-проекты с модулем turtle: обучаемся, рисуя Если стандартный «учебник по Python» навевает зевоту, попробуем другой путь: будем учиться, рисуя. Модуль turtle входит в стандартную библиотеку Python, так что ничего дополнительно устанавливать не нужно — только открыть воображение. --- ### 1. Старт: первые линии Минимальный пример — уже маленький проект:

import turtle

t = turtle.Turtle()
t.speed(3)

t.forward(100)
t.left(90)
t.forward(100)

turtle.done()

Ключевые команды: - forward(n) — черепашка едет вперед на n пикселей - left(angle) / right(angle) — поворот - penup() / pendown() — перо вверх/вниз (рисовать или нет) Этого уже достаточно, чтобы строить геометрию и тренировать циклы. --- ### 2. Мини-проект: генератор квадратных мандал Потренируемся в циклах и функциях: нарисуем «мандалу» из квадратов.

import turtle

t = turtle.Turtle()
t.speed(0)
t.color("blue")

def draw_square(side):
    for _ in range(4):
        t.forward(side)
        t.left(90)

for angle in range(0, 360, 10):
    t.setheading(angle)
    draw_square(100)

turtle.done()

Что мы закрепляем: - функции (def draw_square) - цикл for с шагом 10 - setheading(angle) — задаём абсолютный угол поворота Измените шаг 10 на 5 или 20, длину стороны, цвет — наглядное «чувство кода» появляется очень быстро. --- ### 3. Мини-проект: случайный фейерверк Теперь подключим случайность и познакомимся с модулем random.

import turtle
import random

t = turtle.Turtle()
t.speed(0)
turtle.bgcolor("black")

colors = ["red", "yellow", "orange", "cyan", "magenta", "white"]

def draw_burst(radius):
    t.color(random.choice(colors))
    for _ in range(12):
        t.forward(radius)
        t.backward(radius)
        t.right(360 / 12)

for _ in range(20):
    t.penup()
    x = random.randint(-300, 300)
    y = random.randint(-200, 200)
    t.goto(x, y)
    t.pendown()
    draw_burst(random.randint(30, 80))

turtle.done()

Что осваиваем: - random.randint и random.choice - работу с координатами goto(x, y) - фон окна bgcolor --- ### 4. Зачем это всё? Такие мини-проекты: - снимают «страх кода» — результат видно сразу; - закрепляют основы: циклы, функции, модули, случайные числа; - развивают интуицию: меняете одну строку — картина меняется заметно. Попробуйте усложнить проекты: добавить управление с клавиатуры, анимацию движения, счётчик шагов. turtle — отличный полигон, чтобы сделать первые шаги в Python творческими, а не скучными.

Мини-проекты с модулем turtle: обучаемся, рисуя

Понимание работы контекстных менеджеров и создание своих с помощью contextlib Если вы когда‑нибудь писали:

with open("data.txt") as f:
    content = f.read()

то уже пользовались контекстным менеджером — просто, возможно, не задумывались об этом. Давайте разберёмся, что там происходит под капотом и как писать свои. --- ### Что такое контекстный менеджер? Контекстный менеджер — это объект, который знает, что делать до и после блока with. Под капотом Python делает примерно так:

manager = open("data.txt")
f = manager.__enter__()
try:
    content = f.read()
finally:
    manager.__exit__(None, None, None)

Два ключевых метода: - __enter__(self) — подготавливает ресурс, возвращает объект, который попадёт в as. - __exit__(self, exc_type, exc_val, exc_tb) — освобождает ресурс, даже если возникло исключение. --- ### Пишем свой контекстный менеджер “вручную” Простой пример — измерение времени работы блока кода:

import time

class Timer:
    def __enter__(self):
        self.start = time.perf_counter()
        return self

    def __exit__(self, exc_type, exc_val, exc_tb):
        self.end = time.perf_counter()
        self.elapsed = self.end - self.start
        print(f"Elapsed: {self.elapsed:.4f} seconds")

with Timer() as t:
    total = sum(range(1_000_000))

Плюсы: полный контроль, можно хранить состояние в атрибутах объекта. Минус: много шаблонного кода. --- ### contextlib.contextmanager: контекстный менеджер из функции Модуль contextlib позволяет писать их короче, с помощью генераторов:

from contextlib import contextmanager

@contextmanager
def open_file(path, mode="r"):
    f = open(path, mode)
    try:
        yield f        # то, что вернётся в "as"
    finally:
        f.close()      # выполнится всегда

with open_file("data.txt") as f:
    data = f.read()

Всё, что до yield, — это логика __enter__, а всё после — __exit__. --- ### Практический пример: временная смена текущей директории

import os
from contextlib import contextmanager

@contextmanager
def change_dir(path):
    old_dir = os.getcwd()
    os.chdir(path)
    try:
        yield
    finally:
        os.chdir(old_dir)

print(os.getcwd())
with change_dir("/tmp"):
    print(os.getcwd())
print(os.getcwd())

Контекст гарантирует, что директория вернётся к исходной даже при ошибках внутри блока with. --- ### Когда стоит использовать контекстные менеджеры - работа с файлами и сетевыми соединениями; - блокировки потоков и транзакции в БД; - временные настройки (логирование, окружение, директории); - любые ресурсы, которые надо обязательно освободить. Контекстный менеджер — это способ формально описать жизненный цикл ресурса: “взял → поработал → убрал за собой”, и contextlib делает это описание максимально коротким и наглядным.

Понимание работы контекстных менеджеров и создание своих с помощью contextlib

Создание простых HTTP-запросов вручную с модулем http.client Большинство новичков начинают работу с сетью через библиотеку requests. Она удобная и «магическая». Но если хочется понять, что реально происходит под капотом, полезно познакомиться с модулем стандартной библиотеки http.client. http.client работает на более низком уровне: вы сами открываете соединение, отправляете строку запроса, заголовки, читаете ответ. Немного «олдскул», зато отлично прокачивает понимание HTTP. --- ### Простой GET-запрос Сделаем обычный GET-запрос к публичному API:

import http.client
import json

conn = http.client.HTTPSConnection("api.github.com")

headers = {
    "User-Agent": "python-http.client-demo",
    "Accept": "application/vnd.github.v3+json"
}

conn.request("GET", "/repos/python/cpython", headers=headers)
response = conn.getresponse()

print("Status:", response.status, response.reason)

data = response.read()
payload = json.loads(data)

print("Full name:", payload["full_name"])
print("Stars:", payload["stargazers_count"])

conn.close()

Что здесь важно: - HTTPSConnection — шифрованное соединение (TLS). - request(method, url, body=None, headers={}) — отправка запроса. - getresponse() — возвращает объект ответа. - status, reason, read() — статус-код, текстовое описание и тело ответа. Без обязательного заголовка User-Agent GitHub может ответить ошибкой — это хороший пример, почему заголовки критичны. --- ### Отправка POST-запроса с данными Теперь отправим POST с JSON-данными на тестовый сервис httpbin.org:

import http.client
import json

conn = http.client.HTTPSConnection("httpbin.org")

payload = {"name": "Alice", "lang": "Python"}
body = json.dumps(payload)

headers = {
    "Content-Type": "application/json",
    "Content-Length": str(len(body))
}

conn.request("POST", "/post", body=body, headers=headers)
response = conn.getresponse()

print("Status:", response.status)
response_data = response.read().decode("utf-8")

print("Response body:", response_data[:200], "...")
conn.close()

Здесь уже видно «ручную работу»: - Сериализуем данные сами (json.dumps). - Указываем Content-Type и Content-Length вручную. - Сами кодируем/декодируем текст (decode("utf-8")). --- ### Зачем это нужно? - Понимание того, как устроен HTTP «на проводе». - Возможность тонко контролировать заголовки и поведение соединения. - Умение работать только со стандартной библиотекой, без внешних зависимостей. После таких упражнений любые высокоуровневые библиотеки кажутся гораздо понятнее: вы уже знаете, какую именно «рутину» они берут на себя.

Создание простых HTTP-запросов вручную с модулем http.client

Python для начинающих: как pathlib спасет вас от хаоса с путями Если вы хоть раз писали что-то вроде:

file_path = "C:\\Users\\user\\projects\\data\\file.txt"

и ловили ошибки из‑за слэшей и кодировок, то модуль pathlib — ваш новый лучший друг. Он превращает работу с путями и файлами в аккуратные объектные операции, вместо бесконечной возни со строками. --- ### Базовая идея: Path вместо строк Главный герой — класс Path:

from pathlib import Path

base_dir = Path.home() / "projects" / "demo"
print(base_dir)

Оператор / здесь не делит, а красиво склеивает части пути, независимо от ОС (Windows, Linux, macOS). Никаких os.path.join, никаких ручных слэшей. --- ### Проверка существования и типа pathlib сразу умеет отвечать на важные вопросы:

from pathlib import Path

path = Path("data/example.txt")

print(path.exists())     # файл или папка есть?
print(path.is_file())    # это файл?
print(path.is_dir())     # это папка?

Можно безопасно проверять перед чтением или удалением. --- ### Чтение и запись файлов Чтение и запись — это методы объекта пути:

from pathlib import Path

file_path = Path("data/notes.txt")

# запись текста
file_path.write_text("Hello, pathlib!", encoding="utf-8")

# чтение текста
content = file_path.read_text(encoding="utf-8")
print(content)

Не нужно вручную открывать и закрывать файлы — Path делает это за вас. --- ### Создание папок и обход директорий Создать дерево каталогов и пройтись по файлам — одна строка:

from pathlib import Path

base = Path("logs/app")

# создаем все недостающие каталоги
base.mkdir(parents=True, exist_ok=True)

# ищем все .log файлы в подпапках
for log_file in base.rglob("*.log"):
    print(log_file.name, log_file.stat().st_size, "bytes")

Метод rglob рекурсивно ищет файлы по шаблону, stat() дает информацию о файле. --- ### Работа с именами, расширениями и родителями Разбирать путь по частям стало легко:

from pathlib import Path

path = Path("data/archive/report_2024.csv")

print(path.name)        # report_2024.csv
print(path.stem)        # report_2024
print(path.suffix)      # .csv
print(path.parent)      # data/archive

new_path = path.with_suffix(".xlsx")
print(new_path)         # data/archive/report_2024.xlsx

--- ### Почему стоит перейти на pathlib уже сейчас - Кроссплатформенно: один и тот же код под Windows и Linux. - Читаемо: Path‑объекты ведут себя как реальные объекты, а не как странные строки. - Богатый функционал: от обхода директорий до смены расширений. Если вы еще работаете с путями как со строками — попробуйте переписать небольшой скрипт на pathlib. Скорее всего, назад уже не захочется.

Использование pathlib для работы с путями и файлами

Python для начинающих: configparser — приручаем конфиги как профи Жёстко прописывать настройки прямо в коде — плохая идея. Захочется сменить пароль к базе или лог‑уровень — и вы уже лазите по файлам Python, рискуя всё сломать. Гораздо удобнее хранить настройки в конфигурационных файлах. Для этого в стандартной библиотеке есть модуль configparser. --- ### Как выглядит конфиг Создадим файл settings.ini:

[database]
host = localhost
port = 5432
user = admin
password = secret

[logging]
level = DEBUG
file = app.log

Структура проста: секции в квадратных скобках и пары ключ = значение. --- ### Чтение конфигурации

from configparser import ConfigParser

config = ConfigParser()
config.read("settings.ini")

db_host = config["database"]["host"]
db_port = config.getint("database", "port")
log_level = config.get("logging", "level", fallback="INFO")

print(db_host, db_port, log_level)

Ключевые моменты: - config["section"]["option"] — базовый доступ. - getint, getfloat, getboolean — сразу приводят к нужному типу. - fallback спасает, если ключа нет. --- ### Изменение и сохранение конфига

from configparser import ConfigParser

config = ConfigParser()
config.read("settings.ini")

config["database"]["host"] = "db.mycompany.com"

if "feature_flags" not in config:
    config["feature_flags"] = {}
config["feature_flags"]["new_ui"] = "true"

with open("settings.ini", "w") as configfile:
    config.write(configfile)

Так можно не только читать, но и аккуратно обновлять настройки. --- ### Конфиг по умолчанию Иногда нужно задать значения «на всякий случай»:

from configparser import ConfigParser

config = ConfigParser(
    defaults={
        "level": "INFO",
        "file": "app.log"
    }
)

config.read("settings.ini")

log_level = config["logging"]["level"]     # если нет в секции, возьмёт из defaults
log_file = config["logging"]["file"]

--- ### Когда это полезно - разные настройки для dev / prod без изменения кода; - хранение секретов вне репозитория (через отдельный local_settings.ini); - быстрое переключение фич через флаги. configparser — простой, но мощный способ отделить код от настроек. Один раз настроили структуру .ini — и дальше ваш код становится гораздо чище и гибче.

Подключение и использование конфигурационных файлов с configparser

Python для начинающих: как enum делает код понятнее Когда в коде появляются «магические числа» и странные строки, читаемость падает. Встречали что‑то вроде:

if status == 3:
    send_email()

Через неделю уже непонятно, что такое 3. Ошибка не в логике — ошибка в обозначениях. Здесь на сцену выходит модуль enum. --- ## Что такое Enum? Enum (перечисление) — это способ задать набор именованных констант. Вместо чисел и строк, разбросанных по коду, вы используете говорящие имена.

from enum import Enum

class OrderStatus(Enum):
    NEW = 1
    PAID = 2
    SHIPPED = 3
    CANCELED = 4

Теперь вместо 3 у вас есть OrderStatus.SHIPPED. Код сразу объясняет сам себя. --- ## Пример: читаемый if До:

def handle_order(status):
    if status == 1:
        print("Create invoice")
    elif status == 2:
        print("Prepare shipment")
    elif status == 3:
        print("Send tracking code")

После:

from enum import Enum

class OrderStatus(Enum):
    NEW = 1
    PAID = 2
    SHIPPED = 3

def handle_order(status: OrderStatus):
    if status is OrderStatus.NEW:
        print("Create invoice")
    elif status is OrderStatus.PAID:
        print("Prepare shipment")
    elif status is OrderStatus.SHIPPED:
        print("Send tracking code")

Что улучшилось: - код сам документирует возможные статусы; - меньше шансов перепутать значения; - IDE подсказывает варианты (OrderStatus. → список). --- ## Enum вместо строк Частая ловушка — сравнение со строками:

if role == "admin":
    ...

Опечатка — и проверка ломается. С Enum:

from enum import Enum, auto

class UserRole(Enum):
    ADMIN = auto()
    EDITOR = auto()
    VIEWER = auto()

def can_delete(user_role: UserRole) -> bool:
    return user_role is UserRole.ADMIN

auto() сам проставит уникальные значения — нас интересуют не числа, а имена. --- ## Небольшой бонус: словари с Enum Enum удобно использовать как ключи:

from enum import Enum, auto

class LogLevel(Enum):
    DEBUG = auto()
    INFO = auto()
    ERROR = auto()

LOG_PREFIXES = {
    LogLevel.DEBUG: "[DEBUG]",
    LogLevel.INFO: "[INFO]",
    LogLevel.ERROR: "[ERROR]",
}

def log(level: LogLevel, message: str) -> None:
    prefix = LOG_PREFIXES[level]
    print(prefix, message)

Здесь невозможно случайно обратиться к "DBG" вместо "DEBUG" — только валидные значения перечисления. --- Enum — это маленькое улучшение, которое сильно поднимает читаемость и надежность кода. Как только в вашем проекте появляется набор фиксированных состояний, ролей, типов — это сигнал: пора завести перечисление.

Как применять enum для улучшения читаемости кода

Создание генераторов: экономим память при обработке больших данных Представьте, что вам нужно обработать файл на 10 ГБ, посчитать суммы, отфильтровать строки, что‑то преобразовать. Если пытаться «затащить» всё в память списками — привет, MemoryError. Здесь на сцену выходят генераторы. Генератор — это «ленивый» источник данных: он отдаёт элементы по одному, по запросу, не храня весь результат сразу. Именно поэтому генераторы так хорошо подходят для больших данных и потоковой обработки. ### Генераторные выражения Список:

nums = [i * 2 for i in range(10_000_000)]

держит в памяти все 10 млн элементов. Генератор:

nums_gen = (i * 2 for i in range(10_000_000))

хранит только текущее состояние итерации. Память почти не растёт, пока вы не начинаете обходить nums_gen:

total = 0
for value in nums_gen:
    total += value

### Собственные генераторные функции Ключевое слово yield превращает функцию в генератор:

def read_large_file(path):
    with open(path, 'r', encoding='utf-8') as f:
        for line in f:
            yield line.strip()

Здесь не создаётся список строк файла — каждая строка обрабатывается по мере чтения:

def iter_error_lines(path):
    for line in read_large_file(path):
        if 'ERROR' in line:
            yield line

for err_line in iter_error_lines('app.log'):
    print(err_line)

Файл может быть гигантским — программа использует почти столько же памяти, как и при чтении маленького файла. ### Конвейер из генераторов Самое интересное начинается, когда вы соединяете генераторы в цепочку — получается «конвейер»:

def iter_numbers(path):
    for line in read_large_file(path):
        if line and line[0].isdigit():
            yield int(line)

def filter_even(seq):
    for n in seq:
        if n % 2 == 0:
            yield n

def sum_limited(seq, limit):
    total = 0
    for n in seq:
        total += n
        if total > limit:
            break
    return total

numbers = iter_numbers('numbers.txt')
even_numbers = filter_even(numbers)
result = sum_limited(even_numbers, limit=1_000_000)
print(result)

Каждый шаг обрабатывает элементы по одному: прочитали строку → превратили в число → отфильтровали → учли в сумме. Никаких огромных временных списков. ### Когда использовать генераторы - Обработка больших файлов и потоков данных. - Длинные вычисления, результат которых нужен по частям. - Организация удобных «ленивых» API (итераторы вместо списков). Генераторы — это простой способ сделать код и аккуратнее, и экономичнее по памяти, не усложняя архитектуру. Если вы уже пишете списковые включения, вы почти готовы использовать генераторы — достаточно заменить [] на ().

Создание генераторов: экономим память при обработке больших данных

Работа с collections: полезные структуры данных и где их использовать Стандартные списки и словари — отличная вещь, но модуль collections превращает их в инструменты «профессионального уровня». Разберём ключевые структуры, которые реально упрощают код. --- ### Counter: считаем всё подряд Counter — словарь для подсчёта объектов.

from collections import Counter

text = "banana bandana"
counter = Counter(text)

print(counter)          # сколько раз встречается каждый символ
print(counter.most_common(2))  # два самых частых

Где полезно: подсчёт частоты слов в тексте, статистика действий пользователей, анализ логов. --- ### defaultdict: словарь, который не ругается на новые ключи Обычный словарь бросит KeyError, если ключа нет. defaultdict автоматически создаёт значение по умолчанию.

from collections import defaultdict

groups = defaultdict(list)

data = [("cat", 1), ("dog", 2), ("cat", 3)]
for animal, value in data:
    groups[animal].append(value)

print(groups)  # {'cat': [1, 3], 'dog': [2]}

Где полезно: группировка данных, инвертирование словарей, построение графов (списки соседей). --- ### namedtuple: читаемые «кортежи с именами» Обычный кортеж непонятен: user[0], user[1]… namedtuple даёт имена полям.

from collections import namedtuple

User = namedtuple("User", ["name", "age"])
user = User(name="Alice", age=30)

print(user.name)
print(user.age)

Где полезно: лёгкие «объекты без классов» — координаты, настройки, параметры функций. Иммутабельность помогает избежать случайных изменений. --- ### deque: очередь и стек без тормозов Список плохо работает с pop(0) — это O(n). deque оптимизирован для добавления/удаления с обоих концов.

from collections import deque

queue = deque()

queue.append("task1")
queue.append("task2")
queue.appendleft("urgent")

print(queue.popleft())  # 'urgent'
print(queue.pop())      # 'task2'

Где полезно: очереди задач, реализовать стек/очередь, «скользящее окно» последних N элементов. --- ### OrderedDict: порядок тоже важен С Python 3.7 обычный dict уже запоминает порядок вставки, но OrderedDict всё ещё полезен там, где нужны дополнительные операции (например, move_to_end). В современных проектах используют реже, но стоит знать о его существовании. --- Модуль collections — это набор готовых решений для типичных задач работы с данными. Зная эти структуры, вы часто пишете меньше кода, делаете его быстрее и понятнее — и меньше изобретаете велосипеды.

Работа с collections: полезные структуры данных и где их использовать