Python 🇺🇦

Зробив би безпомилково з першої спроби й пішов відпочивати Python

Шпаргалка з roadmap вивчення Python: basics — основи мови (синтаксис, змінні, типи даних, умовні оператори, приведення типів, винятки, вбудовані функції, списки/кортежі/множини/словники), data structures & algorithms — структури даних і алгоритми (масиви, зв’язані списки, стеки/черги, хеш-таблиці, дерева, рекурсія, сортування), advanced topics — просунуті теми (RegEx, декоратори, лямбда-функції, ітератори, ООП: класи, наслідування, методи, модулі), package managers — керування пакетами (pip, conda, PyPI), paradigms — підходи до написання коду (list comprehensions, генератори), frameworks — фреймворки для розробки (Django, Flask, FastAPI, aiohttp, Tornado, Sanic — синхронні та асинхронні), testing — тестування коду (doctest, unittest, pytest, nose), keep learning — постійна практика та розвиток навичок Python

Економія токенів до 49× у Claude Code З’явився локальний граф знань для Claude Code — code-review-graph, який у рази зменшує витрати токенів у щоденній розробці Він будує постійну структурну карту всього кодбейзу за допомогою Tree-sitter, завдяки чому модель читає лише релевантні файли, а не сканує проєкт повністю

Що вміє: • у середньому до 8.2× менше споживання токенів на реальних репозиторіях • аналіз “blast radius” — відстежує залежності, виклики та тести, яких торкаються зміни • інкрементальні оновлення: перепарсинг тільки змінених файлів (<2 сек) • працює з Claude Code, Cursor, Windsurf, Zed та іншими

Python

Асинхронність у Python У відео пояснюється async/await та асинхронні задачі Python

😁 Python

Paper2Code Знайти круту статтю про ШІ та спробувати відтворити результати на практиці часто може бути справжньою головним болем. Потрібно не лише розібратися у складній математиці, а й зібрати весь проект з нуля. На GitHub знайшовся відкритий проект Paper2Code. Назва говорить сама за себе: він автоматично перетворює наукові статті на готові до запуску репозиторії з кодом. Достатньо надати йому PDF статті або вихідні файли в LaTeX, і на виході отримаємо повноцінну структуру проекту з усіма необхідними конфігураціями. Проект використовує підхід з декількома агентами, імітуючи реальний процес розробки: спочатку планується архітектура, потім розбирається ключова логіка, після чого генерується повний код. Є підтримка моделі o3-mini від OpenAI, при цьому відтворення однієї статті обходиться всього в кілька доларів. Також можна підключити локальні відкриті моделі через vLLM. Для дослідників, яким потрібно швидко перевірити ідею, або для тих, хто хоче глибше зрозуміти, як саме реалізована стаття, це дуже корисний інструмент. 📁 Мова: #Python 95.2% ⭐️ Зірки: 4.1k ➡️ Посилання на GitHub Github'er

Вайбкодери, коли витрачають токени, виглядають так: Python

Ловіть open-source бібліотеку для інтерактивних веб-інтерфейсів Gradio дозволяє швидко створювати веб-інтерфейси для ML-моделей, API або будь-яких Python-функцій з мінімумом коду 42k stars Python

Python-бібліотека Fli тепер доступна в open-source і дозволяє отримувати прямий доступ до Google Flights Вона працює через реверс-інжиніринг API, обходячи веб-інтерфейс, і видає швидкі та структуровані результати Python

Вітаю у своєму маленькому хаосі Python

Шпаргалка з побудови графіків у Python (Pandas): series.plot() — будує графік для Series, dataframe.plot() — універсальний метод для DataFrame (можна вказати x та y), kind — задає тип графіка (line, bar, hist, box, kde, density, hexbin, pie, scatter), scatter plot — використовується для відображення залежності між змінними (df.plot.scatter()), bar plot — стовпчикові графіки (вертикальні або горизонтальні, stacked=True для накопичення), histogram — показує розподіл даних (bins задає кількість інтервалів, stacked=True для накладення), hexbin plot — візуалізація щільності точок у вигляді шестикутників (підходить для великих наборів даних), ax — дозволяє малювати на конкретній області графіка, color/label — налаштування кольору та підписів, grid/alpha — додаткові параметри для стилізації графіків Python

Прискорення процесу решета Ератосфена 1. Швидко нагадаємо алгоритм Класична реалізація:

def eratosthenes(n):
    is_prime = [True] * (n + 1)
    is_prime[0] = is_prime[1] = False

    for i in range(2, int(n ** 0.5) + 1):
        if is_prime[i]:
            for j in range(i * i, n + 1, i):
                is_prime[j] = False

    return is_prime

Час — O(N log log N). Нас буде цікавити не асимптотика, а те, наскільки можна прискорити чисто реалізацію 2. Оптимізація №1 — не чіпаємо парні числа Ідея проста: * всі парні, крім 2, складові * якщо працюємо тільки з непарними, зменшуємо масив і кількість ітерацій приблизно вдвічі Реалізація:

def eratosthenes_odd(n):
    if n < 2:
        return []

    size = (n + 1) // 2
    is_prime = [True] * size
    is_prime[0] = False

    limit = int(n ** 0.5) // 2
    for i in range(1, limit + 1):
        if is_prime[i]:
            p = 2 * i + 1
            start = (p * p) // 2
            for j in range(start, size, p):
                is_prime[j] = False

    return is_prime

3. Оптимізація №2 — замість list[bool] використовуємо bytearray Міркування: * bool в Python — це об'єкт * bytearray — щільно упакований буфер * менше витрат на обробку і краще поміщається в кеш CPU Приклад:

def eratosthenes_bytearray(n):
    is_prime = bytearray(b"\x01") * (n + 1)
    is_prime[0:2] = b"\x00"

    for i in range(2, int(n ** 0.5) + 1):
        if is_prime[i]:
            for j in range(i * i, n + 1, i):
                is_prime[j] = 0

    return is_prime

4. Оптимізація №3 — гібрид двох підходів

def eratosthenes_fast(n):
    if n < 2:
        return []

    size = (n + 1) // 2
    is_prime = bytearray(b"\x01") * size
    is_prime[0] = 0

    limit = int(n ** 0.5) // 2
    for i in range(1, limit + 1):
        if is_prime[i]:
            p = 2 * i + 1
            start = (p * p) // 2
            is_prime[start::p] = b"\x00" * (((size - start - 1) // p) + 1)

    return is_prime

5. Порівняння за часом Тест на вході n = 10 000 000:

>>> eratosthenes.py
реальний 0.634s

>>> eratosthenes_odd.py
реальний 0.245s

>>> eratosthenes_bytearray.py
реальний 0.801s

>>> eratosthenes_fast.py
реальний 0.028s

Висновки: * пропуск парних (№1) дає ~2.6× прискорення * bytearray (№2) сам по собі не прискорює — це більше про пам'ять * гібрид (№3) дає ~22.6× прискорення Ключовий прийом в №3:

is_prime[start::p] = b"\x00" * (((size - start - 1) // p) + 1)

Тут немає циклу Python — все робить операція над слайсом на рівні C. На таких завданнях це величезна різниця. Загальна думка: в Python частіше за все прискорюють не асимптотику, а модель пам'яті і кількість проходів по даних. Цикли + пам'ять → головні фактори. Python'er

А тепер ця бездушна тварюка нам його й впарює Python'er

Шпаргалка з Python: структури даних — множини (set, frozenset) і словники (dict) з операціями (union, intersection, update, keys, values), comprehensions — компактний спосіб створення списків і словників, функції — визначення через def, аргументи за замовчуванням, повернення значень або None, класи — створення через class, конструктор __init__, наслідування та методи, властивості — використання @property для обчислюваних атрибутів, структура коду — відступи формують блоки, модулі підключаються через import, логіка та керування потоком — if/elif/else, цикли for і while, оператори break і continue, ітерації — робота з колекціями та умовами завершення циклів Python

Новий блог-пост: чому асинхронний Python насправді детермінований Розбирається робота event loop у Python і показується, що, незважаючи на чергування async-завдань, вони завжди запускаються в передбачуваному порядку, що спрощує побудову конкурентних async-воркфлоу Python

Як Python працює під капотом У відео пояснюється як Python виконує код, що таке байткод і інтерпретатор Python