Python RU

Уверены в своих навыках кодинга?   Тогда заглядывайте в канал Selectel. Всю неделю в канале будут выходить полезные материалы для разработчиков: ● Подробная инструкция, как сделать приложение на базе веб-технологий; ● Технические задачи для настоящих Python-энтузиастов; ● Идеи для pet-проектов: от генерации сложных паролей до нейросети для создания изображений; ● И даже выгодные продуктовые предложения, которые помогут воплотить идеи на инфраструктуре Selectel.   Подписывайтесь на канал и прокачивайте знания в сфере разработки ➡️   Реклама, АО «Селектел», ИНН: 7810962785, ERID: 2VtzquikcTx

🐍 Задача на Python — Топ‑3 самых популярных товаров Допустим, у нас есть список покупок пользователей:

orders = [
    {"user": "alice", "items": ["apple", "banana", "apple"]},
    {"user": "bob", "items": ["banana", "orange"]},
    {"user": "carol", "items": ["banana", "apple", "orange", "banana"]},
    {"user": "dave", "items": ["apple"]},
]

🎯 Задание: Найти 3 самых популярных товара по количеству покупок (не по числу пользователей, а по общему количеству упоминаний). ✅ Ожидаемый результат: [('banana', 4), ('apple', 4), ('orange', 2)] 💡 Решение:

from collections import Counter

# Собираем все товары в один список
all_items = []
for order in orders:
    all_items.extend(order["items"])

# Считаем количество каждого товара
item_counts = Counter(all_items)

# Получаем топ-3 самых популярных
top_3 = item_counts.most_common(3)

print(top_3)

📌 Что тренирует задача: • Работа со словарями и списками • Использование Counter из модуля collections • Умение работать с вложенными структурами • Сортировка по частоте с помощью most_common() #python #задача #кодинг #алгоритмы #учимпитон #collections

QA-митап от YADRO — уже 19 июня 📍 Санкт-Петербург и онлайн 🕕 Сбор гостей с 18:00 🎫 Участие бесплатное Мероприятие будет полезно специалистам в области автоматизированного тестирования, особенно тем, кто работает с Python и внедряет собственные инструменты и процессы в тестовую инфраструктуру. В программе: — Обзор TestY — системы управления тестированием (TMS) с открытым исходным кодом и плагинной архитектурой. — Подход к автоматизации тестирования оборудования: от простого Bash до интеграции с тестовыми планами. — Анализ метрик качества, которые оказывают влияние на принятие решений в IT-продуктах и проектах. Спикеры — эксперты YADRO и приглашенные гости из Сбера, Т-банка и других компаний с опытом построения QA-процессов в крупных IT-командах. Офлайн-участников ждут демозона с оборудованием YADRO, интерактивные стенды, технический квест, кофе-брейк и неформальное общение на афтепати. 👉 Регистрация уже открыта, участие бесплатное. До встречи!

QA-митап от YADRO — уже 19 июня 📍 Санкт-Петербург и онлайн 🕕 Сбор гостей с 18:00 🎫 Участие бесплатное Мероприятие будет полезно специалистам в области автоматизированного тестирования, особенно тем, кто работает с Python и внедряет собственные инструменты и процессы в тестовую инфраструктуру. В программе: — Обзор TestY — системы управления тестированием (TMS) с открытым исходным кодом и плагинной архитектурой. — Подход к автоматизации тестирования оборудования: от простого Bash до интеграции с тестовыми планами. — Анализ метрик качества, которые оказывают влияние на принятие решений в IT-продуктах и проектах. Спикеры — эксперты YADRO и приглашенные гости из Сбера, Т-банка и других компаний с опытом построения QA-процессов в крупных IT-командах. Офлайн-участников ждут демозона с оборудованием YADRO, интерактивные стенды, технический квест, кофе-брейк и неформальное общение на афтепати. 👉 Регистрация уже открыта, участие бесплатное. До встречи!

🐍 Лайфхак: Ленивая загрузка огромных JSON-файлов с помощью ijson Ситуация: У вас огромный JSON-файл (гигабайты данных), который не помещается в память. Стандартный json.load() просто упадёт с OOM. Решение: Используйте библиотеку ijson — это парсер JSON "на лету", который читает данные потоково, как SAX для XML. Пример:

import ijson

with open('huge.json', 'rb') as f:
    # Предположим, внутри файла — массив объектов
    for obj in ijson.items(f, 'item'):
        # obj — очередной элемент массива, не вся структура целиком!
        # Можно обрабатывать на лету и не держать в памяти гигабайты
        process(obj)  # Ваш код обработки

Плюсы: Поддерживает вложенные структуры, сложные схемы JSON Минимальное потребление памяти Подходит для любых задач потоковой обработки 🔥 Если часто работаете с большими файлами — этот инструмент реально спасает время и ресурсы!

🔥 Успех в IT = скорость + знания + окружение Здесь ты найдёшь всё это — коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Devops: t.me/DevOPSitsec Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_ci Java: t.me/java_library Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Подпишись, если хочешь быть в числе тех, кого зовут в топовые проекты!

🗣 Голосовой AI-ассистент на Python (Streamlit, Whisper, ChatGPT, TTS) Пишем готовий проект на Python. Проект объединяет несколько компонентов: - Распознавание речи: отправка аудио на OpenAI Whisper API (модель whisper-1) для транскрипции русской речиkdnuggets.com. - Генерация ответа: отправка полученного текста в OpenAI ChatCompletion (модель gpt-3.5-turbo) для получения ответа в виде текстаgokhang1327.medium.com. - Синтез речи (TTS): два варианта генерации звука из текста: платный сервис ElevenLabs (реалистичные голоса, поддержка русского) и открытая модель Silero TTS (бесплатная, поддерживает русский)github.comgithub.com. - Интерфейс: веб-приложение на Streamlit с виджетом записи аудио (микрофон) и областью для отображения распознанного текста и ответа. Ниже приведён подробный код приложения и инструкции по его запуску. Читать: https://uproger.com/golosovoj-ai-assistent-na-python-streamlit-whisper-chatgpt-tts/

🤖 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 @pythonl #AI #AutoCoding #LangGraph #DevTools #MultiAgent #CodeAutomation

🔍 В Яндекс Поиске появились технологии Алисы: теперь он рассуждает в ответ на вопрос и генерирует контент Поиск Яндекса обновился. Там появился режим рассуждений, возможность генерировать контент, получать развёрнутые ответы, и помогать с выбором товаров. Всё это — благодаря объединению с технологиями Алисы, которые унаследовали и расширили возможности Нейро. Что поменялось: — Новые ответы Алисы:готовая небольшая статья с картинками, видео и ссылками на источники. — Можно попросить сгенерировать текст или картинку прямо в поисковой строке — например, по запросам “напиши” или “нарисуй”. — Появился режим рассуждений: для сложных задач, где важно углубиться в тему. В этом режиме Алиса тратит больше времени на анализ информации, задействует больше источников и может дать ответ в виде таблицы. Пользователь может посмотреть, как она подходит к задаче и какие выводы делает. — Пользователи Браузера теперь могут задавать Алисе вопросы не только в Поиске, но и по открытой веб-странице. Она проанализирует текст на сайте и даст ёмкий ответ со ссылками на конкретные фрагменты. Эти большие обновления — результат работы сразу нескольких команд. Команда Яндекс Поиска создает LLM технологии в поиске, проектирует интерфейсы, создает инфраструктуру, позволяющую сервису работать бесперебойно 24/7. Сейчас перед командой стоят новые амбициозные задачи, поэтому она расширяется и ищет: → Разработчика на C++ в YandexGPT; → Тимлида в Финансы. Если интересно создавать продукт, которым ежедневно пользуются десятки миллионов людей, и развивать ИИ на мировом уровне — ищите вакансии выше. Реклама. ООО "Яндекс". ИНН 7736207543

from contextlib import contextmanager
import sys
import io

@contextmanager
def capture_stdout():
    old_stdout = sys.stdout
    sys.stdout = buffer = io.StringIO()
    try:
        yield buffer
    finally:
        sys.stdout = old_stdout

# Пример использования
with capture_stdout() as out:
    print("Это вывод, который перехвачен")

captured_output = out.getvalue()
print("Перехваченный текст:", captured_output)

🧠 Объяснение: Этот хак позволяет временно перенаправить стандартный вывод print() внутрь объекта StringIO, чтобы «тихо» перехватить и сохранить его. Полезно для: • тестирования CLI-приложений • логирования скрытого вывода • подавления шума в stdout во время исполнения кода Работает как контекстный менеджер, не требует сторонних библиотек, и легко встраивается в production-код.

✔️ Cursor 1.0 — стабильный релиз с полезными фичами Новая стабильная версия Cursor, и в ней появилось много обновлений, которые делают работу с кодом удобнее. Вот что стоит отметить: 🐞 Bugbot Автоматически проверяет Pull Request'ы на баги и предлагает исправления. Можно внести правку прямо в редакторе — в один клик. 🧠 Memory (beta) Cursor теперь запоминает контекст проекта, что помогает при командной работе и упрощает навигацию по коду. ⚙️ One-Click MCP Setup Настройка подключения к Model Context Protocol — теперь через одну кнопку, без ручной конфигурации. 📌 Дополнительно в 1.0: • Возможность редактировать несколько мест в коде одновременно • Поддержка таблиц, Markdown и диаграмм Mermaid в чате • Обновлённые настройки и админ-панель • Фоновая работа агентов — можно интегрировать их со Slack и Jupyter Notebooks Cursor постепенно становится более удобной средой для совместной работы с ИИ-помощником. https://www.cursor.com/changelog @ai_machinelearning_big_data #CursorAI #AIcoding #DevTools #Jupyter #CodeAssistant

🎯 5 ИИ-проектов, которые ты можешь собрать за выходные Хочешь прокачать навыки ML и Python без математики и Kaggle? Лови 5 готовых идей, которые можно собрать за 1–2 дня: 🔹 Голосовой ассистент — Whisper + GPT + озвучка 🔹 Чат-бот для PDF — LangChain + FAISS + OpenAI 🔹 Генератор картинок — Stable Diffusion + Gradio 🔹 Подписи к фото — BLIP + HuggingFace 🔹 TL;DR бот — BART или GPT для суммаризации текста ✅ Примеры кода ✅ Деплой на HuggingFace / Streamlit ✅ Всё реально собрать за выходные 📎 Забирай гайд — и добавь проекты в резюме: «AI developer: checked» @pythonl

СРОЧНО❗️Закидываем мастхев-каналы для Python и Java разработчиков. ➡️Прокачай свои хард-скиллы на максимум: Pythoner и Javer ➡️Сотни гигов платных материалов, книг и статей: Книжный python и Библиотека Java ➡️Скрипты, фишки и конечно же мемы: IT HUB и Memes Доступ открыли на 48 часов, успейте подписаться! ⚡

📊 Шпаргалка по Python-профайлингу: как найти узкие места в коде Разбираем 4 мощных инструмента для анализа производительности и памяти в Python. 🧠 `cProfile` — встроенный профайлер времени ✅ Показывает, сколько времени тратится на каждую функцию ✅ Идеально для быстрого анализа

python -m cProfile your_script.py

Форматированный вывод с pstats:

python -m cProfile -o result.prof your_script.py
python -m pstats result.prof

Для Jupyter:

%load_ext cprofile
%cprofile some_function()

🐍 py-spy — суперлёгкий sampling-профайлер ✅ Не требует изменений в коде ✅ Работает с чужими процессами ✅ Без тормозов, можно запускать в проде

py-spy top --pid <PID>
py-spy record -o profile.svg -- python your_script.py

👉 Показывает flame graph: удобная визуализация bottleneck-функций. 🔥 `Scalene` — профайлинг CPU, памяти и аллокаций ✅ Отслеживает: - сколько времени тратит CPU - где происходят аллокации - сколько памяти реально используется

pip install scalene
scalene your_script.py

👉 Выделяет проблемные строки, показывает выделение памяти по строчкам кода, а не только по функциям. 🧮 `memory_profiler` — анализ использования памяти ✅ Показывает, сколько памяти потребляет каждая строка ✅ Полезен для data science скриптов

pip install memory-profiler

Добавь декоратор:

from memory_profiler import profile

@profile
def my_func():
    ...

Запуск:

python -m memory_profiler your_script.py

💡 Как выбрать? | Инструмент | Что профилирует | Подходит для | |--------------------|----------------------|------------------------------| | `cProfile` | Время (встроенно) | Быстрый старт, базовый анализ | | `py-spy` | Время (sampling) | Прод, чужие процессы, flame graphs | | `Scalene` | Время + память + аллокации | Глубокий анализ по строкам | | `memory_profiler` | Только память | Data science, отладка RAM |

Ищете готовые скрипты 💻 на Python ❓ На канале Python_Scripts всегда огромный выбор 🚀 : 📍 боты 🤖 📍 парсеры 📁 📍 чекеры 🔍 📍 автоматизация 🔧 📍 многое другое 💻 Подписывайтесь и пользуйтесь❕ 👇👇👇 Ссылка на канал : 👇👇👇 https://t.me/Py_Script

🐳 Зачем и как контейнеризировать Python-приложения? Контейнеризация — не просто модный DevOps-термин. Это способ упаковать твоё Python-приложение так, чтобы оно запускалось одинаково везде — локально, на сервере и в облаке. 🔥 Зачем это нужно: ▪ никакого "у меня работает, а у него — нет" ▪ изолированные зависимости и окружение ▪ быстрый деплой и масштабирование ▪ меньше багов при переносе между средами 📦 Простой Dockerfile для Python:

FROM python:3.10-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["python", "main.py"]

🧪 Дальше всё просто:

docker build -t my-python-app .
docker run -it my-python-app

🎯 Добавь .dockerignore, настрой .env, используй docker-compose, а для продакшена — оптимизируй образ под размер и безопасность. 📌 Если твой Python-проект всё ещё живёт в "сыром" виде — пора пересесть на контейнеры. 🔗 Полный гайд: https://www.kdnuggets.com/why-how-to-containerize-your-existing-python-apps

👉 Удаление фона изображения на Python

Создавай технологии, которые меняют рынок 💻   На AIFT учат не просто ИИ. Здесь создают людей, которые меняют финтех. Магистратура от Сбера, РЭШ и Сколтеха — это экономика, финансы, машинное обучение, цифровой банкинг и реальный опыт.   Что ты получишь ⤵️ — проектную работу со Сбером — самых сильных экспертов рынка — доступ к инфраструктуре и карьерным возможностям — стипендию и сразу два диплома   Поступай, пока набор открыт: до сентября 2025 👌