Python Community

📊 Deptry — детектор проблем с зависимостями в Python. Этот инструмент сканирует проект на расхождения между импортами в коде и задекларированными зависимостями. Он работает с Poetry, pip и PDM, находя три типа проблем: неиспользуемые пакеты, отсутствующие зависимости и модули, ошибочно помеченные как dev-зависимости. Инструмент анализирует не только requirements.txt, но и динамические импорты черезависимостями что снижает количество ложных срабатываний. Для настройки можно использовать как CLI-аргументы, так и секцию [tool.deptry] в� Deptry — детекто 🤖 GitHub (https://github.com/fpgmaas/deptry) @Python_Community_ru

💻 Хочешь работать с масштабными цифровыми продуктами? Учись обрабатывать большие данные MLOps — все более популярный среди компаний способ повышения производительности и создания надежных моделей корпоративного уровня. ✅ Владение инструментами MLOps открывает новые карьерные горизонты специалистам ML, Data Scientist’ам и Software инженерам. 💪 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на продвинутом курсе «MLOps» от OTUS. ✍️ ПРОЙТИ ТЕСТ: https://clck.ru/3Mgqa8 Нативная интеграция. Информация о продукте www.otus.ru

‍🎯 Практическое руководство: Signals — реактивное управление состоянием в Python Недавно вышло отличное руководство «The Missing Manual for Signals: State Management for Python Developers», где автор показывает, как внедрять реактивную модель на Python с помощью библиотеки Почему Signals полезны Стандартный подход—императивный—скрывает зависимости между переменными, что ведёт к ошибкам: class OrderService: def add_order(self, order): self.orders.append(order) self.total += order.amount self.avg = self.total / len(self.orders) self.notify_if_needed() self.track_analytics() Если забыть обновить одно значение — всё сломается. Как работают Signals Signals = реактивные переменные, которые: 1. Хранят значение (`Signal`) 2. Автоматически вычисляют производные (`Computed`) 3. Выполняют побочные действия (`Effect`) на изменениях Пример: from reaktiv import Signal, Computed, Effect orders = Signal([]) total = Computed(lambda: sum(o.amount for o in orders())) avg = Computed(lambda: total() / len(orders()) if orders() else 0) Effect(lambda: notify(avg()) if avg() > 100 else None) orders.update(lambda os: os + [new_order]) Теперь всё обновляется автоматически — вручную ничего делать не нужно. Когда стоит применять * Сложные производные значения, зависящие от нескольких источников * Реальные Cascading-настройки, например, конфиг, кэши, соединения * Сценарии real-time: дашборды, метрики, воркфлоу Когда лучше не использовать * Простые последовательные преобразования * Одноразовые API-вызовы * Прямолинейные функции (например, вычисление налога) Основные преимущества - ✅ Чёткое, декларативное управление зависимостями - ✅ Обновления только нужных значений благодаря ленивому пересчёту - ✅ Упрощение тестирования и устранение ошибок обновления Реальные примеры - Управление конфигурацией микросервисов - Реализация real-time дашбордов - Мониторинг состояния кластера, триггеры скейлинга 💡 Итог: Signals — отличная альтернатива громоздкому императиву. Декларируешь связь один раз, и система сама поддерживает согласованность. Полезно как для backend‑разработчиков, так и для ML‑инженеров. 📚 Материал — ~16 минут чтения, и он того стоит 📌 Читать (https://bui.app/the-missing-manual-for-signals-state-management-for-python-developers/) @Python_Community_ru

🖥 Совет по Python: from pathlib import Path # Создаем объект Path для заданного пути к файлу path = Path("C:/Users/test.md") # Получаем имя файла вместе с расширением print(path.name) # 'test.md' # Получаем только имя файла без расширения print(path.stem) # 'test' # Получаем расширение файла (с точкой) print(path.suffix) # '.md' # Получаем родительскую директорию (папку) print(path.parent) # 'C:/Users' С помощью модуля pathlib вы можете получать различные части пути — имя файла, расширение, родительскую директорию. Это упрощает работу с файловыми путями и их анализ. Объяснение: - path.name — возвращает полное имя файла (например, test.md). - path.stem — возвращает имя файла без расширения (например, test). - path.suffix — возвращает расширение файла (например, .md). - path.parent — возвращает путь к родительской директории (например, C:/Users). Модуль pathlib позволяет удобно разбирать путь к файлу на части и работать с ними, не используя строковые операции вручную. Это особенно полезно для кроссплатформенной работы с файлами и папками. @Python_Community_ru

🐍 PyLeak — найди утечку памяти в своём Python-коде PyLeak — простой и мощный инструмент для отладки утечек памяти в Python-приложениях. 🔍 Возможности: • Показывает объекты, которые не удаляет сборщик мусора • Строит граф зависимостей между объектами • Выявляет циклические ссылки и "висящие" объекты • Поддерживает визуализацию через Graphviz 📦 Установка: pip install pyleak 🧰 Идеален для отладки сервисов, где память утекает незаметно. 🔗 GitHub (https://github.com/deepankarm/pyleak) @Python_Community_ru

🙌🙌🙌🙌 15+ документов для тех, кто в диджитал В преддверии новой активности мы собрали в одну папку 18 Telegram-каналов известных профессионалов и попросили их авторов подготовить для вас документы, которые помогут: 🔴Создать рабочий лид-магнит; 🔴Подготовить сайт к требованиям РКН; 🔴Подготовиться к любому выступлению; 🔴Удержать проект в сроках и рамках бюджета; 🔴Организовать эффективное участие в тендерах; 🔴Чек-лист сдачи этапов разработки; 🔴и еще много много всего! ❗️ Сохранив единожды папку «Документы для тех, кто в диджитал», вы сможете спокойно пройтись по всем каналам и скачать множество авторских документов, которые точно пригодятся в работе.

‍🖥 Вышел Git 2.50 Вот основные обновления: 1. Новый уровень работы с cruft packs - Git хранит неиспользуемые (невидимые) объекты в специальных “cruft packs”. - Раньше управлять ими было сложно: чтобы добавить или объединить объекты, нужно было всё перепаковывать, что занимало много времени и места. - Теперь появился флаг --combine-cruft-below-size: можно легко объединять мелкие cruft packs в один, постепенно “чистить” репозиторий. - Исправлена важная ошибка: раньше такие объекты могли случайно удаляться раньше времени — теперь это под контролем. 2. Быстрее для больших репозиториев — многослойные битмапы - В больших проектах Git создаёт специальные “карты” (bitmaps), чтобы быстро понимать, какие объекты нужны для определённых коммитов. - Новая версия поддерживает “инкрементальные” битмапы для multi-pack index — можно добавлять новые данные быстро, не пересоздавая всю структуру. 3. Новый движок слияния ORT - Старый движок recursive полностью удалён: теперь слияния (`merge`) обрабатывает только быстрый и надёжный ORT. - Это упростит разработку, повысит скорость merge и уменьшит количество ошибок. 4. Улучшения в утилитах и команде cat-file - Теперь можно фильтровать объекты по типу, например, быстро получить только “деревья” (tree) с помощью --filter='object:type=tree'. - Команда для удаления reflog стала интуитивной: вместо сложных параметров просто пишем git reflog delete . 5. Больше контроля над сетевыми соединениями - Добавлены настройки для TCP Keepalive, теперь можно гибко управлять поведением Git в нестабильных сетях. 6. Меньше Perl — проще тестировать и собирать - Git ещё больше избавился от зависимостей на Perl: тесты и документация теперь проще и стабильнее, особенно на системах без Perl. 7. Работа с разреженными (sparse) репозиториями стала удобнее - Команды вроде git add -p теперь не требуют полной загрузки содержимого — удобно при работе с огромными проектами. 8. Косметические улучшения - При ребейзе (rebase -i) названия коммитов теперь оформляются как комментарии — так ясно, что это просто для ориентира. 9. Быстрее клонируем через bundle-uri - Git стал лучше справляться с ускоренным клонированием через *.bundle: теперь клиент правильно учитывает все ссылки, ускоряя загрузку репозитория. Git 2.50 — это не просто исправление багов, а реальное ускорение и упрощение работы для всех, кто ведёт большие проекты, часто сливает ветки и заботится о “чистоте” репозитория. Новые команды делают жизнь проще, а старые баги — ушли в прошлое. ➡️ Почитать про все обновления (https://github.blog/open-source/git/highlights-from-git-2-50/) @Python_Community_ru

🚀 TurboDRF — ускоритель Django REST Framework без боли TurboDRF — лёгкий способ ускорить ваш Django API без перехода на FastAPI или переписывания логики. 🔥 Что даёт TurboDRF: • ⚡ Быстрый рендер сериализаторов • 🧠 Автоматический prefetch_related и select_related • 🧊 Кэширование сериализованных ответов • 🧩 Совместим с обычными DRF-сериализаторами 📦 Установка: pip install turbodrf 🛠️ Пример: from turbodrf.mixins import TurboModelSerializer class MySerializer(TurboModelSerializer): class Meta: model = MyModel fields = "__all__" ✅ Идеален для больших Django-проектов, где важна скорость ответа. 🔗 GitHub: https://github.com/alexandercollins/turbodrf @Python_Community_ru

🚀 Pipedream — платформа для создания интеграций и автоматизаций между сервисами. Этот инструмент позволяет соединять более 1000 приложений через готовые компоненты или собственный код на Node.js, Python, Go и Bash. Главное преимущество проекта — это гибкость: можно быстро настроить триггеры и цепочки действий без сложной инфраструктуры. Для кастомных сценариев доступно выполнение произвольного кода с подключением любых npm/pip-пакетов. Интеграции развертываются в облаке Pipedream, что избавляет от необходимости настраивать серверы. 🤖 GitHub (https://github.com/PipedreamHQ/pipedream) @Python_Community_ru

‍🖥 py-pglite — PostgreSQL без установки, тестируй как с SQLite! py-pglite — обёртка PGlite для Python, позволяющая запускать настоящую базу PostgreSQL прямо при тестах. Без Docker, без настройки — просто импортируй и работай. 📌 Почему это круто: - 🧪 Ноль конфигурации: никакого Postgres и Docker, только Python - ⚡ Молниеносный старт: 2–3 с против 30–60 с на традиционные подходы :contentReference[oaicite:2]{index=2} - 🔐 Изолированные базы: новая база для каждого теста — чисто и безопасно - 🏗️ Реальный Postgres: работает с JSONB, массивами, оконными функциями - 🔌 Совместимость: SQLAlchemy, Django, psycopg, asyncpg — любая связка :contentReference[oaicite:3]{index=3} 💡 Примеры установки: pip install py-pglite pip install py-pglite[sqlalchemy] # SQLAlchemy/SQLModel pip install py-pglite[django] # Django + pytest-django pip install py-pglite[asyncpg] # Асинхронный клиент pip install py-pglite[all] # Всё сразу 🔧 Пример (SQLAlchemy) python def test_sqlalchemy_just_works(pglite_session): user = User(name="Alice") pglite_session.add(user) pglite_session.commit() assert user.id is not None py‑pglite — идеальный инструмент для unit- и интеграционных тестов, где нужен настоящий Postgres, но без всей админской рутины. Полноценный PostgreSQL — без его тяжеловесности. ▪Github (https://github.com/wey-gu/py-pglite) #python #sql #PostgreSQL #opensource @Python_Community_ru

⚡️ MicroVMS — новая платформа для запуска кода от AI-агентов с максимальной безопасностью и скоростью. В отличие от Docker и других тяжелых решений, MicroVMS использует легковесные песочницы для быстрой изоляции, мгновенного старта и простого управления. ● Поддержка разных сред: Python, Node.js и другие ● Идеально для AI-агентов — разработка и запуск без лишних сложностей ● Удобная система управления проектами — настройка песочниц в пару кликов Если вы хотите запускать код AI-агентов быстро, безопасно и удобно — обратите внимание на MicroVMS. pip install microsandbox 🔗 Github (https://github.com/microsandbox/microsandbox) @Python_Community_ru

Автоматизируйте ML-эксперименты с GitLab CI/CD и CML 📅 17 июня в 20:00 мск — бесплатный вебинар с Николаем Осиповым Хотите, чтобы эксперименты запускались сами, метрики попадали в Merge Request, а модели легко воспроизводились? На вебинаре: — Интегрируем GitLab CI/CD в ML-процесс — Используем CML для автоматической визуализации результатов — Запускаем обучение моделей при каждом коммите — Настраиваем работу в облаке и версионирование через Git 📌 Полезно для: — Data Scientists, внедряющих MLOps — ML-инженеров, автоматизирующих пайплайны — Техлидов, выстраивающих эффективный ML-конвейер 🎯 Итог: настроите стабильную и воспроизводимую систему ML-разработки — без ручного запуска, с чистыми метриками и контролем версий. Присоединяйтесь к бесплатному вебинару и получите скидку на большое обучение онлайн-курса «MLOps». 👉 Регистрируйтесь по ссылке и начните выводить ML на прод https://clck.ru/3Ma8c7 Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

🖥 Two Claps Open — инструмент, который открывает Chrome или активирует голосового помощника, когда пользователь хлопает в ладоши два раза 👏 💬 Как это работает: • Слушает микрофон через pyaudio • Реагирует на два быстрых хлопка подряд • Открывает браузер или помощника Возможности зависят только от фантазии: • Включай музыку или YouTube по хлопку • Открывай рабочий дашборд при запуске ПК • Управляй умным домом — включай свет или открывай дверь хлопком Чтобы понять, как "выглядит" хлопок в аудиосигнале, разработчик записал его и провёл преобразование Фурье. Оказалось, что основная энергия хлопка сосредоточена в диапазоне 1.4–1.8 кГц. Дальше был настроен полосовой фильтр, чтобы выделять только этот диапазон и отсекать шум. После фильтрации система отслеживает пики в сигнале. Если зафиксировано три хлопка подряд с минимальным интервалом, автоматически запускается Chrome (или любая команда на ваш выбор). Реализуется в реальном времени — просто и удобно для управления без рук! ▪ Github (https://github.com/Yutarop/two_claps_open) @Python_Community_ru

🎥 Self Forcing: генерация видео в реальном времени с RTX 4090 Новая техника Self Forcing позволяет обучать видеодиффузионные модели "думать как на инференсе" ещё во время обучения. 🧠 Что делает: ▪️ Имитирует autoregressive-инференс с KV-кэшированием прямо во время обучения ▪️ Устраняет расхождение train/test distributions ▪️ Достигает качества SOTA-моделей, но с реальным временем генерации ▪️ Работает даже на одной RTX 4090 ⚙️ Требования: • GPU с 24 GB+ памяти (4090 / A100 / H100 протестированы) • Linux • 64 GB RAM • Другие конфигурации могут работать, но не проверялись 📌 Выход: стриминговое видео — кадр за кадром, без задержек, на одном потребительском GPU. 💡 Self Forcing — шаг к видеогенерации без лага и мегакластеров. 📦 Основан нп Wan 2.1 💻 Требования: минимум 24 ГБ VRAM и 64 ГБ RAM 🧪 Код открыт, всё работает (пока) только под Linux Github (https://github.com/assetnote/newtowner) @Python_Community_ru

🧠 16 июня все самое важное в мире технологий ищите в Санкт-Петербурге! В ТехноХабе Сбера состоится большая сессия в рамках серии мероприятий международной конференции AI Journey. Именно здесь соберутся лидеры AI-индустрии из разных стран, чтобы обсудить реальные кейсы внедрения AI, архитектуры нового поколения, крутой апгрейд нейронки GigaChat, самое свежее в исследованиях GenAI и то, что уже завтра станет новым стандартом! 📌 Подключайтесь к трансляции (https://aij.ru/lections?utm_source=telegram&utm_medium=fix&utm_campaign=aij_regional_lections_seeding_2025_post&utm_term=pythonl&erid=2Vtzquqn1dY), чтобы не отставать от будущего. @Python_Community_ru

💎 Quadratic — электронные таблицы нового поколения с кодом и ИИ. Проект предоставляет гибридную среду, где формулы, Python и SQL работают бок о бок, позволяя анализировать миллионы строк прямо в браузере без потерь производительности. Особенность инструмента — технологичный стек (Rust, WebAssembly, WebGL). Интерфейс с поддержкой 60 FPS и масштабированием как в Figma делает работу с большими данными неожиданно плавной. 🤖 GitHub (https://github.com/quadratichq/quadratic) @Python_Community_ru

🤖 AI, который сам пишет код — умный агент на базе LangGraph Проект находится в активной разработке и уже умеет автоматизировать весь цикл: от планирования проекта до генерации кода. Всё построено на надёжных multi-agent workflow'ах с использованием LangGraph. 🚀 Что делает агент: 🧠 Понимает задачу и строит план AI-архитектор анализирует требования и создаёт пошаговый план разработки. 💻 Генерирует и редактирует код Dev-агент аккуратно применяет изменения в кодовой базе, редактируя конкретные файлы. 🔁 Разделяет роли — надёжнее работает Отдельные агенты для планирования и реализации — меньше ошибок и больше контроля. 🧬 Понимает структуру проекта Использует tree-sitter и семантический поиск, чтобы ориентироваться в коде как человек. 📦 Работает по шагам Разбивает задачи на мелкие изменения — удобно для review и безопасно для CI. 💡 Если интересуешься автоматизацией разработки, AI-помощниками и мультиагентными системами — стоит попробовать уже сейчас. ▪ Github (https://github.com/langtalks/swe-agent) #AI #AutoCoding #LangGraph #DevTools #MultiAgent #CodeAutomation @Python_Community_ru