Python для начинающих

Работа с локализацией и форматами: модуль locale Если ваш скрипт должен показывать даты, деньги и числа «по‑местному», голый print() быстро перестаёт хватать. В России — запятая в дробях и пробелы между разрядами, в США — точка и запятая, в Германии — наоборот. Всё это умеет модуль locale. --- ### Базовая настройка локали

import locale

# Устанавливаем локаль по умолчанию системы
locale.setlocale(locale.LC_ALL, '')

current_locale = locale.getlocale()
print("Current locale:", current_locale)

LC_ALL — сразу все категории (числа, даты, деньги и т.д.). Можно настраивать точечно: LC_NUMERIC, LC_TIME, LC_MONETARY и др. --- ### Форматирование чисел

import locale

locale.setlocale(locale.LC_ALL, 'ru_RU.UTF-8')  # может отличаться в вашей системе

value = 1234567.89
formatted = locale.format_string('%.2f', value, grouping=True)
print(formatted)  # например: 1 234 567,89

Параметр grouping=True включает разделители разрядов. Если сменить локаль:

locale.setlocale(locale.LC_ALL, 'en_US.UTF-8')
print(locale.format_string('%.2f', value, grouping=True))  # 1,234,567.89

Одна и та же величина — разное отображение. --- ### Валюта по‑местному

import locale

locale.setlocale(locale.LC_ALL, 'de_DE.UTF-8')

price = 1999.99
formatted_price = locale.currency(price, grouping=True)
print(formatted_price)   # например: 1.999,99 €

locale.currency() учитывает символ валюты, позицию знака, пробелы и разделители разрядов. --- ### Парсинг строк в числа Иногда нужно не только выводить, но и «понимать» локальные числа:

import locale

locale.setlocale(locale.LC_ALL, 'fr_FR.UTF-8')

s = "1 234,56"
x = locale.atof(s)  # string -> float с учётом локали
print(x)            # 1234.56 (обычный Python float)

atof() и atoi() разбирают строки по локальным правилам — важно при вводе данных от пользователя из разных стран. --- ### Полезные выводы - locale не меняет сами числа, он управляет представлением (форматом). - Локаль влияет на весь процесс в пределах программы, так что в больших проектах её обычно настраивают централизованно. - Для кроссплатформенности проверяйте, что нужная локаль есть в системе, и держите запасной вариант (например, C или en_US.UTF-8). Модуль locale — это способ сделать ваш код дружелюбным к пользователю вне зависимости от того, где он живёт и какой у него разделитель дробной части.

Работа с локализацией и форматами: модуль locale

Отладка Python-кода с помощью встроенного модуля pdb Начинающие часто боятся отладки как чего-то «магического». На самом деле pdb — это всего лишь интерактивная пауза в вашем коде, где вы можете посмотреть, что происходит «под капотом», шаг за шагом. --- ### Зачем нужен pdb? print-отладка быстро превращает код в кашу. pdb позволяет: - останавливать программу в нужной точке; - смотреть значения переменных; - выполнять произвольные выражения; - шагать по коду, строка за строкой. --- ### Самый простой старт: breakpoint() С Python 3.7 появился встроенный вызов:

def divide(a, b):
    result = a / b
    return result

def main():
    x = 10
    y = 0
    breakpoint()  # здесь выполнение остановится
    print(divide(x, y))

if __name__ == "__main__":
    main()

Запускаем скрипт в терминале как обычно:

python script.py

В месте breakpoint() вы попадете в интерактивную консоль pdb с приглашением вида (Pdb). --- ### Базовые команды pdb Находясь в (Pdb), попробуйте: - l — показать фрагмент исходника (list). - n — выполнить следующую строку (next). - s — шагнуть внутрь функции (step). - c — продолжить выполнение до следующей точки останова (continue). - p x — вывести значение переменной x (print). - q — выйти из отладки (quit). Например, в нашем примере:

(Pdb) p x
10
(Pdb) p y
0
(Pdb) p divide(x, y)
ZeroDivisionError: division by zero

Вы сразу видите реальную причину будущей ошибки, не дожидаясь падения программы. --- ### Ручной запуск: python -m pdb Иногда удобно запустить отладчик с самого старта:

python -m pdb script.py

Вы окажетесь в pdb ещё до выполнения первой строки. Тут можно заранее поставить точки останова:

(Pdb) b main
(Pdb) c

Команда b main ставит брейкпоинт на вход в функцию main. --- ### Отладка циклов и логики Пример с циклом, где что-то идёт не так:

def sum_positive(numbers):
    total = 0
    for n in numbers:
        if n < 0:
            breakpoint()
        total += n
    return total

print(sum_positive([1, 2, -5, 3]))

Когда цикл дойдёт до -5, pdb остановится. Можно исследовать:

(Pdb) p n
-5
(Pdb) p total
3
(Pdb) p numbers
[1, 2, -5, 3]

Так легко понять, что отрицательные числа вообще не должны участвовать в сумме — и исправить логику. --- ### Несколько практических подсказок - Не оставляйте breakpoint() в продакшене: вы можете обернуть его в условие по переменной окружения. - Научитесь минимуму команд: l, n, s, c, p, q — этого достаточно, чтобы комфортно отлаживать большинство багов. - pdb работает везде, где есть консоль: локально, в Docker-контейнере, на сервере. pdb — лучший способ превратить «странные баги» в понятные и воспроизводимые ситуации. Чем раньше вы привыкнете к нему, тем быстрее перестанете бояться ошибок и начнёте управлять ими.

Отладка Python-кода с помощью встроенного модуля pdb

### Как использовать defaultdict для подсчета значений Если вы когда‑нибудь считали что‑то с помощью словаря — количество слов, кликов, покупок, — вы наверняка писали что‑то вроде:

counts = {}
for item in items:
    if item in counts:
        counts[item] += 1
    else:
        counts[item] = 1

Работает, но выглядит громоздко. В Python есть инструмент, который делает это элегантнее — collections.defaultdict. --- ## Что такое defaultdict Обычный словарь выбрасывает KeyError, если обратиться к несуществующему ключу. defaultdict вместо ошибки автоматически создаёт значение по умолчанию. Импорт:

from collections import defaultdict

Создание:

from collections import defaultdict

counts = defaultdict(int)  # int() -> 0

Теперь при первом обращении к counts[key] под капотом создаётся 0, и вы можете сразу увеличивать счётчик:

for item in items:
    counts[item] += 1

Никаких if, всё уже есть. --- ## Пример 1: Подсчёт слов в тексте

from collections import defaultdict

text = "banana apple banana orange apple banana"
words = text.split()

word_counts = defaultdict(int)

for word in words:
    word_counts[word] += 1

print(dict(word_counts))
# {'banana': 3, 'apple': 2, 'orange': 1}

int как фабрика значений даёт 0 по умолчанию. Увеличиваем — и счётчик растёт. --- ## Пример 2: Группировка значений по ключу defaultdict полезен не только с числами. Частый сценарий — группировка.

from collections import defaultdict

users = [
    ("alice", "admin"),
    ("bob", "user"),
    ("charlie", "admin"),
    ("david", "user"),
]

grouped = defaultdict(list)

for name, role in users:
    grouped[role].append(name)

print(dict(grouped))
# {'admin': ['alice', 'charlie'], 'user': ['bob', 'david']}

Здесь list() создаёт пустой список при первом доступе, и мы просто делаем .append(). --- ## Пример 3: Подсчёт сумм по категориям

from collections import defaultdict

sales = [
    ("books", 120),
    ("electronics", 300),
    ("books", 80),
    ("games", 150),
]

totals = defaultdict(float)

for category, amount in sales:
    totals[category] += amount

print(dict(totals))
# {'books': 200.0, 'electronics': 300.0, 'games': 150.0}

float() даёт 0.0, удобно для денег и чисел с плавающей точкой. --- ## Когда defaultdict особенно полезен - Подсчёт частот (слов, кликов, событий). - Группировка данных (пользователи по ролям, товары по категориям). - Накопление сумм и списков без постоянных проверок if key in dict. Формула запоминания простая: “Если я пишу if key in d: ... else: ... — возможно, мне нужен defaultdict.”

Как использовать структуру данных defaultdict для подсчета значений

Объединение и фильтрация данных с filter, map, zip Представьте, что у вас есть конвейер обработки данных. Вход — «сырые» списки, выход — аккуратный результат. В Python роль такого конвейера идеально играют функции filter, map и zip. Разберём, как их сочетать так, чтобы код был короче, понятнее и «питонистее». --- ### filter: оставляем только нужное filter(func, iterable) пропускает через себя элементы, оставляя только те, для которых func возвращает True.

numbers = [10, -3, 0, 25, -7, 8]

def is_positive(x):
    return x > 0

positive_numbers = list(filter(is_positive, numbers))
print(positive_numbers)  # [10, 25, 8]

То же самое через lambda:

positive_numbers = list(filter(lambda x: x > 0, numbers))

--- ### map: трансформируем элементы map(func, iterable) применяет функцию к каждому элементу.

numbers = [1, 2, 3, 4]

squared = list(map(lambda x: x ** 2, numbers))
print(squared)  # [1, 4, 9, 16]

Комбинация с filter даёт уже мини-пайплайн:

numbers = [-3, -1, 0, 1, 2, 3]

result = list(
    map(
        lambda x: x ** 2,
        filter(lambda x: x > 0, numbers)
    )
)
print(result)  # [1, 4, 9]

Сначала отфильтровали положительные, потом возводим их в квадрат. --- ### zip: объединяем несколько источников данных zip склеивает элементы из нескольких итерируемых объектов по позициям.

names = ["Alice", "Bob", "Charlie"]
scores = [85, 92, 78]

paired = list(zip(names, scores))
print(paired)  # [('Alice', 85), ('Bob', 92), ('Charlie', 78)]

На основе zip удобно строить структуры данных:

students = [
    {"name": name, "score": score}
    for name, score in zip(names, scores)
]
print(students)
# [{'name': 'Alice', 'score': 85}, ...]

--- ### Все вместе: мини-аналитика Допустим, у нас есть имена, оценки и флаг «сдал экзамен» (True/False). Нужно оставить только тех, кто сдал, и взять их имена и удвоенные баллы (например, за бонус).

names = ["Alice", "Bob", "Charlie", "Diana"]
scores = [85, 40, 73, 95]
passed = [True, False, True, True]

data = zip(names, scores, passed)

passed_transformed = list(
    map(
        lambda item: (item[0], item[1] * 2),
        filter(lambda item: item[2], data)
    )
)

print(passed_transformed)
# [('Alice', 170), ('Charlie', 146), ('Diana', 190)]

zip объединяет разрозненные списки в единый поток кортежей, filter выбрасывает тех, кто не сдал, map меняет формат результата и пересчитывает баллы. --- filter, map и zip — это кирпичики для построения аккуратных конвейеров обработки данных. В связке они позволяют писать код, который одновременно лаконичен и легко читается как последовательность шагов над данными.

Объединение и фильтрация данных с filter, map, zip

Создание таплов и однострочных функций с помощью lambda и map Python любит, когда код короткий и понятный. Сегодня разберём связку, которая идеально подходит для “быстрых” преобразований данных: lambda + map + кортежи (tuples). --- ### 1. Что такое lambda и зачем она нужна lambda — это способ создать функцию “на лету”, прямо внутри выражения, без def и имени. Обычная функция:

def square(x):
    return x ** 2

То же самое с lambda:

square = lambda x: x ** 2

А можно вообще не присваивать её переменной, а использовать сразу в выражении — и вот тут в игру вступает map. --- ### 2. map: применяем функцию ко всем элементам map(func, iterable) берёт каждый элемент из iterable и прогоняет его через func. Типичный пример:

nums = [1, 2, 3, 4]
result = map(lambda x: x * 10, nums)
print(list(result))  # [10, 20, 30, 40]

Обрати внимание: map возвращает итератор, поэтому часто его оборачивают в list() или tuple(). --- ### 3. Создаём таплы с помощью map и lambda Допустим, у нас есть список чисел, и мы хотим получить кортеж пар (число, его квадрат):

nums = [1, 2, 3, 4, 5]

pairs = tuple(
    map(lambda x: (x, x ** 2), nums)
)

print(pairs)
# ((1, 1), (2, 4), (3, 9), (4, 16), (5, 25))

Здесь важно: - lambda x: (x, x ** 2) возвращает кортеж из двух элементов. - map(...) создаёт поток таких кортежей. - tuple(...) собирает их в один большой кортеж. --- ### 4. Комбинируем несколько итерируемых объектов map может работать сразу с несколькими последовательностями. Например, создадим кортеж таплов из координат:

xs = [0, 1, 2]
ys = [10, 11, 12]

points = tuple(
    map(lambda x, y: (x, y), xs, ys)
)

print(points)
# ((0, 10), (1, 11), (2, 12))

Так можно элегантно “склеивать” данные без явных циклов. --- ### 5. Однострочные конвейеры преобразований Связка map + lambda хорошо работает как мини-конвейер обработки данных:

raw_data = ["1", "2", "3", "4"]

processed = tuple(
    map(lambda x: int(x) * 2, raw_data)
)

print(processed)
# (2, 4, 6, 8)

Считываем строки → сразу превращаем в числа → сразу умножаем. --- ### Когда это оправдано - Нужно быстро преобразовать последовательность. - Логика простая и умещается в одну строку. - Нужен результат именно в виде кортежей (например, для неизменяемых данных или в качестве ключей словаря). Если выражение становится громоздким и трудно читаемым — лучше вернуться к обычным функциям и циклам. Но для небольших преобразований lambda + map + tuple даёт лаконичный и выразительный код, который отлично вписывается в стиль Python.

Создание таплов и однострочных функций с помощью lambda и map

Преобразование строк и чисел с помощью форматирования f-строк Если вы все еще конкатенируете строки через +, самое время остановиться. В Python есть более мощный и удобный инструмент — f-строки (formatted string literals). Они не только делают код читаемее, но и позволяют красиво преобразовывать числа и строки буквально “на лету”. --- ### Базовый синтаксис F-строка — это строка с буквой f перед кавычками. Внутри фигурных скобок {} можно писать выражения:

name = "Alice"
age = 25
text = f"Name: {name}, age: {age}"
print(text)  # Name: Alice, age: 25

Уже лучше, чем "Name: " + name + ", age: " + str(age). --- ### Форматирование чисел Главная магия начинается, когда нужно красиво отобразить числа. Количество знаков после запятой:

price = 12.34567
print(f"{price:.2f}")   # 12.35
print(f"{price:.0f}")   # 12

.2f — два знака после запятой, .0f — без дробной части. Разделение разрядов:

big_num = 1234567890
print(f"{big_num:,}")   # 1,234,567,890
print(f"{big_num:_}")   # 1_234_567_890

Запятая или нижнее подчеркивание помогают “читать” большие числа. Проценты:

ratio = 0.0789
print(f"{ratio:.2%}")   # 7.89%

--- ### Выравнивание и ширина Можно управлять тем, как текст и числа “лежат” в строке — удобно для табличного вывода.

items = [("Apple", 3.5), ("Banana", 12.0), ("Kiwi", 0.95)]

for name, price in items:
    print(f"{name:<10} | {price:>7.2f}")

- <10 — выравнивание по левому краю, ширина 10 символов - >7.2f — по правому краю, ширина 7, два знака после запятой Вывод будет аккуратно выровнен по столбцам. --- ### Форматирование чисел в разных системах счисления

num = 42
print(f"bin: {num:b}")   # bin: 101010
print(f"hex: {num:x}")   # hex: 2a
print(f"HEX: {num:#X}")  # HEX: 0X2A

# добавляет префикс 0b, 0x, 0o. --- ### Вложенные выражения и функции В f-строках можно вызывать функции и писать выражения:

import math

x = 2
print(f"sqrt({x}) = {math.sqrt(x):.3f}")
print(f"{x}! = {math.factorial(x)}")

--- ### Быстрая диагностика: = С Python 3.8 появилось удобство для отладки: =

a = 7
b = 3
print(f"{a=}, {b=}, sum={a + b}")
# a=7, b=3, sum=10

--- F-строки — это компактный, выразительный и очень мощный способ преобразовывать и форматировать строки и числа. Освоив их, вы заметите, насколько чище и понятнее станет ваш код.

Преобразование строк и чисел с помощью форматирования f-строк

Python для начинающих: создаём удобные CLI-интерфейсы с argparse Большинство утилит в терминале — это просто программы с аргументами командной строки. python script.py --input data.txt --verbose выглядит профессионально и удобно. За этим стоит стандартная библиотека argparse, которую многие новички игнорируют, а зря. ### Минимальный пример Начнём с простого: создадим скрипт, который приветствует пользователя.

import argparse

def main():
    parser = argparse.ArgumentParser(
        description="Simple greeting script"
    )
    parser.add_argument(
        "name",
        help="User name to greet"
    )
    parser.add_argument(
        "-t", "--times",
        type=int,
        default=1,
        help="How many times to print greeting"
    )

    args = parser.parse_args()

    for _ in range(args.times):
        print(f"Hello, {args.name}!")

if __name__ == "__main__":
    main()

Теперь в терминале:

python greet.py Alice
python greet.py Alice --times 3

argparse сам: - парсит аргументы, - проверяет типы (type=int), - подставляет значения по умолчанию (default=1), - показывает аккуратную справку: python greet.py -h. ### Флаги и режимы работы Добавим флаг, который ничего не принимает, но меняет поведение:

import argparse

def main():
    parser = argparse.ArgumentParser(
        description="File size checker"
    )
    parser.add_argument("path", help="Path to file")
    parser.add_argument(
        "-q", "--quiet",
        action="store_true",
        help="Print only raw size in bytes"
    )

    args = parser.parse_args()

    import os
    size = os.path.getsize(args.path)

    if args.quiet:
        print(size)
    else:
        print(f"File: {args.path}")
        print(f"Size: {size} bytes")

if __name__ == "__main__":
    main()

Ключевой момент — action="store_true": если флаг указан, в args.quiet будет True, иначе False. ### Подкоманды: как git clone, git status Аргументы можно группировать в подкоманды:

import argparse

def cmd_add(args):
    print(args.x + args.y)

def cmd_mul(args):
    print(args.x * args.y)

def main():
    parser = argparse.ArgumentParser(
        description="Simple calculator"
    )
    subparsers = parser.add_subparsers(
        dest="command",
        required=True
    )

    parser_add = subparsers.add_parser("add", help="Add numbers")
    parser_add.add_argument("x", type=int)
    parser_add.add_argument("y", type=int)
    parser_add.set_defaults(func=cmd_add)

    parser_mul = subparsers.add_parser("mul", help="Multiply numbers")
    parser_mul.add_argument("x", type=int)
    parser_mul.add_argument("y", type=int)
    parser_mul.set_defaults(func=cmd_mul)

    args = parser.parse_args()
    args.func(args)

if __name__ == "__main__":
    main()

Теперь:

python calc.py add 2 3   # 5
python calc.py mul 2 3   # 6

Так строятся целые консольные инструменты: один файл — множество команд. ### Почему стоит привыкнуть к argparse - Встроен в стандартную библиотеку, без лишних зависимостей. - Автоматически генерирует --help. - Делает интерфейс предсказуемым и профессиональным. - Легко расширяется: типы, значения по умолчанию, подкоманды, обязательные/необязательные аргументы. Один раз освоив argparse, вы перестаёте писать input() в каждом втором скрипте и начинаете создавать настоящие консольные утилиты. Это маленький шаг в коде, но большой шаг к тому, чтобы ваши программы выглядели как «настоящие инструменты», а не учебные примеры.

Создание CLI-интерфейсов с библиотекой argparse

Как класть и извлекать данные из стека и очереди: deque из collections Если вам нужны стек или очередь в Python, не спешите писать свои классы. В стандартной библиотеке уже есть мощный инструмент — collections.deque. Это двусторонняя очередь, но из неё легко сделать и стек, и обычную очередь. --- ## Быстрый старт

from collections import deque

dq = deque()          # пустая deque
dq = deque([1, 2, 3]) # инициализация с данными

deque оптимизирован под операции добавления/удаления с обоих концов — в отличие от обычного списка, где pop(0) и insert(0, x) работают медленно. --- ## deque как стек (LIFO) Стек — это принцип “последним пришёл — первым вышел” (LIFO). Для стека нам нужны две операции: положить и достать с одного и того же конца.

from collections import deque

stack = deque()

# кладём в стек
stack.append("page_1")
stack.append("page_2")
stack.append("page_3")

# достаём из стека
last_page = stack.pop()      # "page_3"
prev_page = stack.pop()      # "page_2"

Здесь append() и pop() работают с “хвостом” очереди. Именно так строится история переходов в браузере, отмена действий в редакторе и т.п. --- ## deque как очередь (FIFO) Очередь — “первым пришёл — первым вышел” (FIFO). Добавляем в конец, забираем из начала.

from collections import deque

queue = deque()

# приходят задачи
queue.append("task_1")
queue.append("task_2")
queue.append("task_3")

# обрабатываем в порядке поступления
first = queue.popleft()    # "task_1"
second = queue.popleft()   # "task_2"

Ключевой метод — popleft(): быстро забирает элемент с начала. Для списка аналог pop(0) был бы заметно медленнее. --- ## Двусторонняя очередь Иногда удобно, что deque — двусторонняя:

from collections import deque

dq = deque([2, 3])

dq.appendleft(1)   # слева: [1, 2, 3]
dq.append(4)       # справа: [1, 2, 3, 4]

left = dq.popleft()  # 1
right = dq.pop()     # 4

Так можно, например, реализовать “слайдящуюся” историю последних N элементов. --- ## Ограниченный размер: maxlen deque умеет автоматически забывать старые элементы:

from collections import deque

history = deque(maxlen=3)

for i in range(5):
    history.append(i)

print(history)  # deque([2, 3, 4], maxlen=3)

Полезно для логов, последних измерений, кэшей. --- Главное: запомните четыре метода — append, appendleft, pop, popleft. С их помощью вы можете построить стек, очередь и даже более сложные структуры, не выходя за рамки стандартной библиотеки Python.

Как класть и извлекать данные из стека и очереди: deque из collections

### Простое создание ZIP-архивов с zipfile и shutil Архивация — одна из тех задач, которые рано или поздно понадобятся почти в любом проекте: сделать бэкап, запаковать логи, отправить результаты работы скрипта. В Python это можно сделать «вручную» с модулем zipfile, а можно — «по-быстрому» с shutil. Разберём оба подхода. --- ## Вариант 1: полный контроль с zipfile zipfile даёт гибкость: можно выбирать режимы сжатия, добавлять отдельные файлы и целые папки, читать содержимое архива. ### Создание архива и добавление файлов

import zipfile
from pathlib import Path

base_dir = Path("project_data")
zip_path = Path("backup.zip")

with zipfile.ZipFile(zip_path, mode="w", compression=zipfile.ZIP_DEFLATED) as zf:
    for file_path in base_dir.rglob("*"):
        if file_path.is_file():
            arc_name = file_path.relative_to(base_dir)
            zf.write(file_path, arcname=arc_name)

print(f"Created archive: {zip_path}")

Что тут важно: - mode="w" — создать новый архив (перезапишет существующий). - ZIP_DEFLATED — стандартное сжатие. - relative_to(base_dir) — в архив не попадут «лишние» абсолютные пути. ### Просмотр содержимого архива

import zipfile

with zipfile.ZipFile("backup.zip", "r") as zf:
    print(zf.namelist())

Можно и читать файлы напрямую, не распаковывая всё:

with zipfile.ZipFile("backup.zip", "r") as zf:
    with zf.open("subdir/report.txt") as f:
        content = f.read().decode("utf-8")
        print(content)

--- ## Вариант 2: быстро и просто с shutil Если нужен просто «запаковать папку целиком» — shutil.make_archive делает это одной строкой.

import shutil
from pathlib import Path

base_dir = Path("project_data")

archive_path = shutil.make_archive(
    base_name="project_backup",  # будет project_backup.zip
    format="zip",
    root_dir=base_dir
)

print(f"Archive created at: {archive_path}")

Можно так же легко создавать не только ZIP, но и tar, gztar, bztar. --- ## Когда что использовать? - zipfile — когда нужен контроль: выбор файлов, чтение из архива, выбор метода сжатия, обновление существующего архива. - shutil — когда задача проста: «возьми эту папку и сделай из неё ZIP». Оба модуля входят в стандартную библиотеку, так что никаких дополнительных установок — просто импортируйте и архивируйте.

Простое создание ZIP-архивов с zipfile и shutil

Мониторинг системных ресурсов с помощью psutil: делаем свой мини‑«Диспетчер задач» Если вы когда‑нибудь задумывались, как Python‑скрипт может узнать, сколько у вас свободной памяти, насколько загружен процессор и кто вообще ест весь диск — вам нужен модуль psutil. psutil (process and system utilities) — кроссплатформенная библиотека для работы с системной статистикой: CPU, память, диски, сеть, процессы. Идеален для небольших утилит мониторинга и первых шагов в сторону системного администрирования на Python. --- ### Установка

pip install psutil

--- ### Базовый мониторинг CPU и памяти

import psutil
import time

def print_basic_stats():
    cpu = psutil.cpu_percent(interval=1)
    mem = psutil.virtual_memory()
    print(f"CPU: {cpu}%")
    print(f"Memory: {mem.percent}% used ({mem.used // (1024**2)} MB / {mem.total // (1024**2)} MB)")

if __name__ == "__main__":
    while True:
        print_basic_stats()
        time.sleep(2)

Здесь: - cpu_percent(interval=1) замеряет загрузку за последнюю секунду; - virtual_memory() возвращает объект с подробной статистикой по ОЗУ. --- ### Мониторинг диска и сети

import psutil
import time

def print_disk_and_net():
    disk = psutil.disk_usage("/")
    net1 = psutil.net_io_counters()
    time.sleep(1)
    net2 = psutil.net_io_counters()

    sent_speed = (net2.bytes_sent - net1.bytes_sent) / 1024
    recv_speed = (net2.bytes_recv - net1.bytes_recv) / 1024

    print(f"Disk used: {disk.percent}%")
    print(f"Net: ↑ {sent_speed:.1f} KB/s, ↓ {recv_speed:.1f} KB/s")

if __name__ == "__main__":
    while True:
        print_disk_and_net()

Так можно быстро понять, нагружает ли диск какой‑то процесс и есть ли сетевой трафик. --- ### Кто все это ест: процессы

import psutil

def top_memory_processes(limit=5):
    processes = []
    for proc in psutil.process_iter(["pid", "name", "memory_percent"]):
        processes.append(proc.info)
    processes.sort(key=lambda p: p["memory_percent"], reverse=True)
    for p in processes[:limit]:
        print(f"{p['pid']:>6} {p['memory_percent']:5.1f}%  {p['name']}")

if __name__ == "__main__":
    top_memory_processes()

Функция показывает топ процессов по использованию памяти — уже что‑то вроде урезанного списка в «Диспетчере задач». --- psutil позволяет вам из простого скрипта превратиться в маленький системный «радист»: собирать метрики, логировать их, строить графики, реагировать на перегрузки. Для начинающего питониста это отличный модуль, чтобы почувствовать, что ваш код взаимодействует не только с текстовыми задачками, но и с «живой» системой.

Мониторинг системных ресурсов с использованием psutil