Python/ django

Відкрити в Telegram

по всем вопросам @workakkk @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3FmxmM

Сітка:Machinelearning Росія10 185 Технології та додатки2 162...

📈 Аналітичний огляд Telegram-каналу Python/ django

Канал Python/ django (@pythonl) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 58 971 підписників, посідаючи 2 162 місце в категорії Технології та додатки та 10 185 місце у регіоні Росія.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 58 971 підписників.

За останніми даними від 28 серпня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -301, а за останні 24 години на -7, загальне охоплення залишається високим.

Статус верифікації: Не верифікований
Рівень залученості (ER): Середній показник залученості аудиторії становить 6.23%. Протягом перших 24 годин після публікації контент зазвичай збирає 3.48% реакцій від загальної кількості підписників.
Охоплення публікацій: В середньому кожен допис отримує 3 674 переглядів. Протягом першої доби публікація в середньому набирає 2 050 переглядів.
Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 20.
Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як github, claude, контекст, архитектура, api.

📝 Опис та контентна політика

Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“по всем вопросам @workakkk @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3Fm...”

Завдяки високій частоті оновлень (останні дані отримано 29 серпня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.

58 971

Підписники

-724 години

+747 днів

-30130 день

3 674

Перегляди допису

~ 2 05024 години

~ 2 54148 годин

6.23%

Коефіцієнт залучення

~ 1

Дописів на день

Ads index

beta

Архів дописів

58 972

Как прокачаться до Python Middle+/Senior разработчика и получить новую работу в 2025? Ребята из Interview Hustlers в четверг проводят воркшоп о том, как junior и middle-разработчикам быстрее вырасти до уровня крепкого Senior, овладеть hard skills, востребованными в продуктовых компаниях и BigTech, и получить новую работу на сложном рынке в 2025 году, где AI уже наступает на пятки. 🗓 24 июля 19:00 по МСК Программа: ▪️ Какие hard skills качать, чтобы устроиться на Middle+/Senior разработчика в BigTech? ▪️ Как эффективно собеседоваться на тяжелом рынке летом 2025? Как выбивать максимальные офферы в РФ и заграницей? ▪️ Как вырасти технически на текущем месте работы и получить повышение в компании? Спикеры: ▪️Максим Аверин — Senior Python Dev, основатель школы Interview Hustlers, 8 лет опыта ▪️Сергей Соловьев — Python Tech Lead в Кипрском финтехе, 10+ лет опыта Регистрируйся на бесплатный воркшоп по ссылке. 📎 После регистрации на воркшоп ты получишь 2 бонуса: «Как разобрать неудачное собеседование без фидбека за 3 шага с AI?» и видео-урок «System Design интервью: Как спроектировать highload-маркетплейс с 0?»

58 972

🧮 CVXPY — библиотека для решения задач выпуклой оптимизации, позволяющая формулировать математические модели в естественной форме, а не подстраиваться под ограниченный синтаксис солверов. С её помощью можно работать с задачами линейного и квадратичного программирования, геометрическими и квазивыпуклыми оптимизациями, не углубляясь в технические детали реализации алгоритмов. Проект развивается как open-source-сообщество с 2013 года и поддерживает популярные солверы. Он также имеет удобный API: например, ограничения записываются почти как математические неравенства, а решение возвращает не только результат, но и значения двойственных переменных. 🤖 GitHub @pythonl

58 972

🔍Тестовое собеседование на Python-бекендера с разработчиком из Avito в четверг 24 июля(уже в четверг!) в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Даня, разработчик из Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Дане Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. О рекламодателе

58 972

🖥 Динамическое создание классов через type Это может пригодиться для метапрограммирования, генерации моделей, DSL, автотестов и многого другого.


# Создаем класс динамически
MyDynamicClass = type(
    'MyDynamicClass',              # имя класса
    (object,),                     # родительские классы
    {'x': 42, 'hello': lambda self: f'Hello, x = {self.x}'}  # атрибуты и методы
)

obj = MyDynamicClass()
print(obj.hello())  # Hello, x = 42

🔥 Что тут происходит? type() в обычном использовании возвращает тип объекта. Но если передать три аргумента, он создаёт новый класс. Мы задали имя, базовые классы и словарь атрибутов. 💡 Это то, что делает Python "Pythonic" — классы это тоже объекты, и ты можешь создавать их на лету. @pythonl

58 972

🐍 dlt — библиотека для загрузки данных на Python. Этот open-source инструмент упрощает работу с данными — от простых скриптов до сложных ETL-пайплайнов. Автоматически определяет структуру данных и адаптируется под разные источники и хранилища. Проект удобен для быстрого прототипирования: можно начать в Colab-ноутбуке, а затем масштабировать до production-решения. Поддерживает инкрементальную загрузку и интеграцию с Airflow. 🤖 GitHub @pythonl

58 972

Repost from Machinelearning

🐼 Pandas тормозит на больших данных? NVIDIA показала, как ускорить его в 40 раз — без переписывания кода. Команда NVIDIA провела эксперимент с 18 миллионами строк данных с фондовых рынков: они выполнили типичный анализ данных с помощью pandas на CPU, а затем тоже самое — на GPU, используя cudf.pandas. Для примеры были взяты: 📉 Скользящие средние (50D и 200D) 📅 Недельная статистика закрытия рынков 🧊 В общей сложности ~18M строк Результат впечатляет : удалось добиться**ускорения обработки данных в 20–40 раз Код скрипта не менялся вообще — тот же pandas, но на GPU. Это один из примеров, где ускорение достигается без переписывания логики кода. 🟡 Потестить самому можно в Colab 🟡 Другие примеры с кодом — здесь @ai_machinelearning_big_data #datasckience #ml #nvidia #gpu #pandas #python

58 972

🖥 Что выведет код ниже?


def append_to_list(val, my_list=[]):
    my_list.append(val)
    return my_list

print(append_to_list(1))
print(append_to_list(2))
print(append_to_list(3))

🤯 Подвох Многие думают, что каждый вызов append_to_list() создаёт новый список, и ожидают вывод:


[1]
[2]
[3]

Но на самом деле Python выведет:


[1]
[1, 2]
[1, 2, 3]

🧠 Почему так происходит? В Python значения аргументов по умолчанию вычисляются один раз — при определении функции, а не при каждом вызове. Значение my_list=[] создаётся один раз и сохраняется между вызовами. Это работает как статическая переменная внутри функции. ✅ Как это исправить? Используй None как значение по умолчанию:


def append_to_list(val, my_list=None):
    if my_list is None:
        my_list = []
    my_list.append(val)
    return my_list

print(append_to_list(1))  # [1]
print(append_to_list(2))  # [2]
print(append_to_list(3))  # [3]

💡 Вывод Не используйте изменяемые объекты (например, list, dict, set) как значения по умолчанию для аргументов функций в Python. @pythonl

58 972

👩‍💻 MegaParse — высокопроизводительный парсер, который способен преобразовывать всевозможные типы документов (Word документы, PDF-файлы или даже презентации PowerPoint)! 🌟 Его основная цель — преобразовывать информацию из документов в текст для LLM, при этом минимизируя различные потери данных. 🔐 Лицензия: Apache-2.0 🖥 Github @pythonl

58 972

📘 Потерянная глава Automate the Boring Stuff Автор культовой книги выложил бесплатно новую главу книги, которая не попала в издание — про автоматизацию работы с аудио и видео. 🎧 Что внутри: — Конвертация и обрезка видео с помощью moviepy — Преобразование аудио в текст через SpeechRecognition — Извлечение субтитров — Автоматизация задач с файлами .mp3, .wav, .mp4 и .avi 🛠 Глава написана в привычном стиле — просто, на примерах, с пояснениями к коду. Идеально подойдёт для тех, кто хочет быстро научиться обрабатывать медиафайлы на Python без сложных фреймворков. 📎 Читать @Pythonl

58 972

💡 STUMPY — библиотека для анализа временных рядов. Этот проект предлагает мощный инструмент для работы с временными последовательностями через вычисление matrix profile — специальной метрики, которая автоматически находит схожие паттерны в данных. Инструмент поддерживает распределённые вычисления через Dask и GPU-ускорение через Numba. Технология особенно полезна для обнаружения аномалий, повторяющихся фрагментов и семантической сегментации. Библиотека одинаково хорошо работает как на небольших наборах данных, так и на временных рядах длиной в миллионы точек. 🤖 GitHub @pythonl

58 972

Как сказать рутине STOP? Ускорьте рабочие процессы и освободите время для более интересных дел — с помощью курса Слёрма «Python для инженеров» 👈 Это обучение, заточенное на инженеров — в нём нет ничего лишнего, только то, что необходимо именно вам. На курсе вы научитесь: 🔹 писать эффективный и поддерживаемый код; 🔹 писать Kubernetes-операторы и модули для Ansible; 🔹 создавать, использовать и тестировать свои API; 🔹 взаимодействовать с инструментами CI/CD, CVS и DevOps системами. Есть бесплатный демодоступ. Старт 11 августа. Занять своё место на курсе — по ссылке.

58 972

🌀 Cirq — Python-фреймворк для работы с квантовыми схемами, разработанный командой Google Quantum AI. Этот проект предоставляет инструменты для создания параметризованных квантовых цепей, их трансформации и симуляции на различных бэкендах. Инструмент имеет встроенную поддержку аппаратно-зависимых операций и интеграция с высокопроизводительными симуляторами вроде qsim. Позволяет описывать квантовые алгоритмы с учетом шумовых характеристик реальных процессоров. 🤖 GitHub @pythonl

58 972

🐍 Хитрый совет по Python: как ускорить in в 1000 раз Когда ты проверяешь, есть ли элемент в списке, Python делает это медленно — он пробегает по списку полностью. А если ты проверяешь элемент в множестве (set), это работает в сотни раз быстрее. 📌 Пример:


data = [1, 2, 3, ..., 1000000]  # большой список
queries = [42, 9999, 123456]

# Медленно:
for q in queries:
    if q in data:
        print(q)

🔁 Каждый q in data проходит весь список → медленно. ✅ Правильный способ: Преобразуй список в set один раз — и все станет быстро:


data_set = set(data)

for q in queries:
    if q in data_set:
        print(q)

💡 Проверка in в set работает мгновенно (как в словаре). Такой трюк особенно полезен, если: -у тебя много данных -ты делаешь много проверок на вхождение 📌 Запомни: if x in список: — медленно Лучше: if x in set(список): — быстро! @pythonl

58 972

👍 Ozon Tech приглашает QA-инженеров Новый набор на бесплатные курсы Route 256. Неважно, на каком языке вы тестируете сейчас. Важно, что вы хотите прокачаться в автотестах на Python, и Route 256 — отличный шанс. 2 месяца в экспертном коммьюнити: работа над реальными задачами, интенсивная практика без лишней теории, поддержка крутых коллег. Чтобы попасть, зарегистрируйтесь и пройдите отборочный контест 3 августа: https://s.ozon.ru/1Wt8Fhy

58 972

🐍 Микросервисные архитектуры — как ретраи влияют на отказоустойчивость микросервисов Ретраи, или повторные запросы, — важный механизм обеспечения отказоустойчивости распределенных систем. Необходимо быть в курсе последних изменений и понимать, как ретраи эволюционировали в электронике, программировании и Java-экосистеме. Об этом подробно расскажет техлид Т-Банка Дмитрий Фролов на конференции JVM Day 30 августа в Москве. На лендинге заявлены спикеры из разных компаний, которые разберут темы по Java, Scala и Backend. Мероприятие пройдет в штаб-квартире Т-Банка, а половину собранных средств организаторы хотят перечислить региональным техническим вузам, чтобы помочь с развитием ИТ-сферы и подготовкой квалифицированных специалистов в разных городах страны. После докладов гостей ждут настолки с лото, афтепати и нетворкинг. Чтобы принять участие в JVM Day необходимо заранее пройти регистрацию. @pythonl

58 972

🛠️ AI + SQL = мгновенный доступ к данным в базе На картинке — простой пример, как с помощью FastMCP и SQLAlchemy можно подключить инструмент к базе данных, который по человеческому запросу выводит список всех таблиц. 📦 Что происходит: 1. Человек пишет: *"Show me all tables in the ecommerce database"* 2. AI вызывает list_tables(), получает список через SQLAlchemy 3. Возвращается JSON и сгенерированный ответ на естественном языке ⚙️ Используемые технологии: - FastMCP — для регистрации инструментов и взаимодействия с агентами - @mcp.tool — декоратор, позволяющий превращать функции в доступные действия для ИИ - inspect() из SQLAlchemy — безопасный способ получить метаданные БД 🧠 Это база для создания умных ботов-помощников, которые умеют работать с реальными базами данных и выдавать ответы, понятные человеку. Интерфейс будущего уже здесь — не SQL-запрос, а обычный вопрос на английском. @pythonl

58 972

📊 OpenBB — это платформа для инвестиционных исследований, предоставляющая доступ к акциям, опционам, криптовалютам, форексу и макроэкономическим данным. Платформа ориентирована на пользователей всех уровней и включает в себя как командную строку, так и графический интерфейс. 🌟 OpenBB предлагает бесплатный и открытый доступ к аналитическим инструментам и может быть расширен через различные плагины. Проект также поддерживает автоматизацию процессов и интеграцию с внешними сервисами 🔥 Инструмент является бесплатным аналогом Bloomberg terminal (подписка на который стоит $20 тыс. в год!) 👩‍💻 Язык: Python 🔐 Лицензия: GNU ▪ Github @pythonl

58 972

🛠 Вышел новый генератор CAD‑моделей по чертежам — и он реально работает! GenCAD умеет превращать чертежи в 3D‑модели и сразу генерирует параметрический CAD‑код. Для сложных и детализированных объектов он пока не подойдет, но с простыми деталями вроде винтиков и креплений справляется отлично. 📎 Идеально для быстрого прототипирования стандартных элементов. 📄 Paper: https://openreview.net/pdf?id=e817c1wEZ6 🔗 Website: https://gencad.github.io 💻 Code: https://github.com/ferdous-alam/GenCAD @pythonl

58 972

📊 Python for Nonprofits — книга и код для анализа данных в НКО Это полноценное учебное пособие по Python, заточенное под нужды некоммерческих организаций. Автор — Kenneth Burchfiel — собрал в одном репозитории и книгу, и рабочие блокноты для реального анализа данных. ▪ Импорт и очистка данных (CSV, API, Google Sheets) ▪ Описательная статистика, линейные регрессии ▪ Визуализация: графики, интерактивные карты (Plotly, Folium) ▪ Dash-приложения и публикация дашбордов ▪ Всё оформлено как Jupyter-книга: можно читать, запускать, менять Кому подойдёт: – начинающим дата-аналитикам, которые хотят делать полезные проекты – НКО, работающим с открытыми данными и отчётами – преподавателям, ищущим учебный курс по Python с практикой 💡 Можно читать онлайн или скачать как книгу. Лицензия MIT — можно использовать где угодно. 📘 Подробнее и исходники: https://github.com/kburchfiel/pfn @pythonl

58 972

🖥 Полезный, но редко используемый приём: динамическое управление множеством контекст-менеджеров через `contextlib.ExitStack` Если вам нужно открыть *N* файлов, захватить *M* блокировок или временно изменить кучу настроек, а их количество известно только во время выполнения, традиционный with … as …: не подойдёт. Вместо «пирамиды» вложенных with воспользуйтесь ExitStack:


from contextlib import ExitStack

filenames = ["a.log", "b.log", "c.log"]

with ExitStack() as stack:
    files = [stack.enter_context(open(name)) for name in filenames]

    # теперь у вас список открытых файлов, с которыми можно работать
    for f in files:
        print(f.readline())
# здесь ExitStack автоматически закроет все файлы, даже если их было 1000

Почему это круто - Управляет произвольным числом контекстов: добавляете их в цикл, условно, через функции-фабрики. - Гарантирует корректный rollback при исключениях: всё, что добавлено в ExitStack, будет закрыто в обратном порядке. - Упрощает сложную инициализацию: можно динамически «подключать» то, что нужно именно сейчас (файлы, блокировки, сетевые соединения). 🔧 Где пригодится - Пакетная обработка файлов и архивов. - Тестовые стенды с кучей временных ресурсов. - Плагины, которые могут регистрировать собственные контекст-менеджеры. Теперь никакого «каскада из with» — один аккуратный ExitStack. @pythonl