Python/ django
по всем вопросам @workakkk @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3FmxmM
Ko'proq ko'rsatish📈 Telegram kanali Python/ django analitikasi
Python/ django (@pythonl) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 58 158 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 2 277-o'rinni va Rossiya mintaqasida 10 385-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 58 158 obunachiga ega bo‘ldi.
15 Noyabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -353 ga, so‘nggi 24 soatda esa -9 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 6.92% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 3.37% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 4 023 marta ko‘riladi; birinchi sutkada odatda 1 961 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 22 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent github, claude, контекст, архитектура, api kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“по всем вопросам @workakkk
@itchannels_telegram - 🔥 все ит каналы
@ai_machinelearning_big_data -ML
@ArtificialIntelligencedl -AI
@datascienceiot - 📚
@pythonlbooks
РКН: clck.ru/3Fm...”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 16 Noyabr, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
cProfile, он периодически снимает снимки стека вызовов и по ним оценивает, где программа тратит больше всего времени. Накладные расходы при этом очень небольшие.
Запустить скрипт с профилированием:
python -m profiling.sampling run app.py
Подключиться к уже работающему процессу по PID:
python -m profiling.sampling attach 12345
Можно даже наблюдать за результатами в реальном времени:
python -m profiling.sampling attach --live 12345
Tachyon умеет строить flamegraph и HTML-тепловые карты исходников, подсвечивая строки, на которых программа проводит больше всего времени.
Например, получить flamegraph можно так:
python -m profiling.sampling run --flamegraph app.py
Ещё одна полезная возможность - сохранить профиль в бинарном формате, а потом строить из него разные отчёты без повторного запуска программы.
Есть ограничения. Tachyon не подходит для микробенчмарков, точного подсчёта вызовов и измерения разницы производительности в 1–2%. Для этого лучше использовать timeit или трассирующие профилировщики.
Зато для поиска узких мест в долго работающих Python-сервисах инструмент весьма удобный. При подключении к чужому процессу могут потребоваться повышенные права.
https://mathspp.com/blog/tachyon-sampling-profiling-in-pythontorch.compile и распределённого обучения.
Перенос существующего кода может сводиться к замене .to("cuda") на .to("tpu").
Документация: https://pytorch.org/blog/introducing-torchtpu/
3. fastpybase64 - декодирование Base64 на скорости 13 ГБ/с
Библиотека Даниэля Лемира использует SIMD-оптимизации на базе simdutf и выступает заменой стандартного модуля Python base64.
В тестах на одном ядре Intel Xeon Gold 6548N она показала 13,3 ГБ/с на блоках размером 64 КБ. Это примерно в 27 раз быстрее стандартной библиотеки Python и в 4 раза быстрее pybase64.
Установка:
pip install fastpybase64
Использование:
import fastpybase64 as base64
encoded = base64.b64encode(b"hello")
decoded = base64.b64decode(encoded)
Подробнее: https://lemire.me/blog/2026/10/17/decoding-base64-in-python-at-10-gigabytes-per-second/
4. TorchNeuron - запуск PyTorch на AWS Trainium
Новый нативный backend для ускорителей AWS Trainium2 и Trainium3. Поддерживает torch.compile, распределённое обучение, пользовательские GPU-подобные ядра через NKI и профилирование.
Модель можно перенести на Trainium практически без изменения архитектуры:
model = MyModel().to("neuron")
Проект также поддерживает DDP, FSDP2 и Tensor Parallelism.
GitHub: https://github.com/aws-neuron/torch-neuronx
Все четыре проекта показывают, куда движется Python-экосистема: более строгая работа с данными, аппаратное ускорение, оптимизация низкоуровневых операций и единый интерфейс для разных вычислительных платформ.
Полный дайджест: https://pythonhub.dev/digest/2026-11-08/`pip install -U zeromodels`
Код открыт под Apache 2.0, но лицензии конкретных весов остаются исходными.
GitHub: https://github.com/IMvision12/ZeroModels
git clone https://github.com/IAmTomShaw/f1-race-replay
cd f1-race-replay
pip install -r requirements.txt
python main.py
Внутри используются Python 3.11+, FastF1, Arcade, PySide6 и NumPy. Можно создавать собственные панели телеметрии и подключать их к потоку данных.
Хороший проект для тех, кто хочет попрактиковаться в Python, визуализации данных и анализе спортивной телеметрии.
GitHub: https://github.com/IAmTomShaw/f1-race-replay
posts = Post.objects.all()[:50]
for post in posts:
print(post.author.name)
Кажется, что мы просто получаем 50 постов с авторами. Но на практике это может вызвать 51 запрос к базе данных.
Один запрос загружает посты, а ещё 50 отдельно получают авторов.
Это классическая проблема N+1 queries. Причём чем больше записей, тем больше обращений к БД.
Исправляется одной строкой:
posts = Post.objects.select_related("author")[:50]
Теперь Django использует JOIN и получает посты вместе с авторами одним запросом.
ORM избавляет от написания SQL, но не от необходимости понимать, какой SQL выполняется.
Именно поэтому при оптимизации API полезнее сначала посмотреть на количество запросов, чем переписывать Python-код ради нескольких миллисекунд.yokan build;
- без CPython внутри бинарника, если не используется @py;
- можно подключать обычный Python-код и библиотеки через @py;
- есть интеграция с Rust для производительных частей;
- UI на базе GPUI, движка редактора Zed;
- около 36 UI-компонентов и десятки готовых демо.
Для проверки совместимости есть yokan gate: он запускает приложение в CPython и в нативной сборке, повторяет одинаковые действия и сравнивает результат. :
Сейчас поддерживаются macOS Apple Silicon и Linux, Python 3.14+.
По сути, идея похожа на Flutter-подход: быстрая разработка с live reload, затем AOT-сборка в нативное desktop-приложение.
GitHub:
https://github.com/i2y/yokanpyfastlogging — Python-обёртка над fastlogging, где запись логов вынесена в фоновые потоки. За счёт этого основной код меньше блокируется на I/O.
Что умеет:
- thread-safe логирование
- несколько writers на один logger
- консоль, файлы, TCP, syslog и callbacks
- ротация и сжатие логов
- AES-шифрование сетевого логирования
- multiprocessing и threads
- конфигурация через JSON, XML и YAML
- экспорт логов в OpenTelemetry по OTLP/HTTP
Установка:
pip install pyfastlogging
python
from pyfastlogging import TRACE, Logging, ConsoleWriterConfig
logger = Logging(
TRACE,
"main",
[ConsoleWriterConfig(TRACE, True)],
)
logger.info("Hello")
logger.shutdown()
Поддерживается Python 3.10+. Актуальный релиз - 0.9.0, лицензия - MIT OR Apache-2.0. PyPI
Хороший вариант для сервисов, где обычное логирование уже начинает влиять на latency.
https://pypi.org/project/pyfastlogging/