Python Community

🔋 PikaPython — ультралегкий интерпретатор Python для микроконтроллеров. Проект позволяет запускать Python-код на устройствах с 4 КБ RAM и 64 КБ Flash. Не требует операционной системы и работает через REPL по UART. Инструмент имеет встроенный прекомпилятор для автоматической генерации биндингов C-функций из .pyi файлов. Есть готовые BSP для популярных MCU и демо-проекты. 🤖 GitHub (https://github.com/pikasTech/PikaPython) @Python_Community_ru

‍📌Python на взлете, а Python Software Foundation в минусе на 1.5 млн. долларов: разбираем свежий опрос. Python Software Foundation (PSF) совместно с JetBrains опубликовала (https://lp.jetbrains.com/python-developers-survey-2024/) результаты восьмого, самого крупного в истории опроса разработчиков - в нём приняли участие более 30 000 человек. Данные, собранные в конце 2024 года, показывают, что 72% респондентов используют Python в рабочих целях и это подтверждает доминирующую роль языка в индустрии. И популярность Python продолжает расти: согласно другому исследованию, от Stack Overflow, использование языка увеличилось на 7%. 🟡Приток свежей крови в экосистему. Половина опрошенных имеют менее 2 лет профессионального опыта в программировании, а 39% начали использовать Python в течение последних 2 лет. Это говорит о том, что язык активно привлекает новичков и остается ключевой точкой входа в разработку. 🟡Парадокс версий. Только 15% разработчиков используют последнюю на момент опроса версию, 3.13. В PSF утверждают, что массовый переход на нее мог бы сэкономить миллионы долларов на облачных вычислениях за счет повышения эффективности. Однако сами разработчики не торопятся: 53% заявляют, что текущая версия полностью удовлетворяет их потребности, 27% ссылаются на проблемы с совместимостью, а 25% - на нехватку времени. При этом нельзя сказать, что сообщество инертно. Самая популярная версия - 3.12 (35%), выпущенная в конце 2023 года, за ней следует 3.11 (21%), что говорит о довольно быстрой адаптации к не самым последним, но свежим релизам. 🟡Сферы применения. Анализ данных (48%) и веб-разработка (46%) идут практически вровень. Но если к анализу прибавить ML (41%) и инжиниринг данных (31%), то доминирование Data Science становится очевидным. В мире веб-фреймворков происходит смена караула: FastAPI (38%) резко вырвался вперед, обогнав ветеранов: Django (35%) и Flask (34%). Год назад у FastAPI было всего 29%. Ещё один стремительный взлёт — у написанного на Rust менеджера пакетов uv, который позиционируется как замена pip. Заявляя о кратном превосходстве в скорости, он уже отхватил 11% пользователей. А вот в лагере IDE плохие новости для спонсора опроса, JetBrains: Visual Studio Code укрепил свое лидерство, набрав 48% (против 41% в прошлом году), а доля PyCharm снизилась до 25% (с 31%). 🟡Финансовые проблемы Python Software Foundation. Ранее в этом месяце PSF объявила о приостановке своей грантовой программы из-за нехватки средств. Годовой отчет за 2024 год показал чистый убыток в размере 1 462 000 долларов, что значительно больше, чем в 2023 году, там убыток был 225 000 долларов. Фонд, который поддерживает репозиторий PyPI, дистрибуцию самого Python и нанимает разработчиков для CPython, оказался в сложной ситуации и явно нуждается в большей поддержке и ресурсах от корпораций, которые строят свой бизнес и получают доход на Python. #news #ai #ml #python @Python_Community_ru

⚡️ DeepCode — открытая AI-платформу для автоматической генерации кода. DeepCode превращает научные статьи и технические документы в готовые проекты, включая фронтенд, бэкенд и полноценные репозитории. 🔹 Основные возможности: • Paper2Code — реализация идей из исследований в рабочий код • Text2Web — генерация интерфейсов по описанию • Text2Backend — автоматическое создание масштабируемых серверов • Поддержка длинных документов и многофайловых проектов 🔜 В ближайшее время разработчики обещают: • Автоматическую проверку и валидацию кода • Повышение скорости генерации • Улучшенную работу с требованиями • Бенчмарки воспроизведения научных статей (PaperBench) Проект полностью open source: https://github.com/HKUDS/DeepCode #deepcode #AI #coding @Python_Community_ru

🚀 FastMCP 2.0 — новый стандарт для интеграции LLM в Python-приложения. Этот фреймворк для работы с упрощает подключение языковых моделей к внешним ресурсам. Инструмент предлагает стандартизированный способ предоставления данных, инструментов и шаблонов запросов для ИИ-приложений. Проект имеет минималистичный синтаксис: достаточно декоратора @mcp.tool, чтобы превратить обычную Python-функцию в инструмент, доступный для LLM. Проект развивается как альтернатива официальному MCP SDK и уже включает клиентские библиотеки, систему аутентификации и инструменты для тестирования. При этом система автоматически генерирует схему на основе type hints и docstrings. 🤖 GitHub (https://github.com/jlowin/fastmcp) @Python_Community_ru

❌ Монолитные тесты = больше головной боли при отладке. Когда в одном тесте проверяешь всё подряд, при падении непонятно, какой именно сценарий сломался. ✅ Пишем специфичные тесты. Каждая функция тестирует один конкретный случай. Так при падении сразу видно, где ошибка. Плохо: def test_extract_sentiment(): assert extract_sentiment("I love this!") == "positive" assert extract_sentiment("Terrible") == "negative" assert extract_sentiment("On time") == "neutral" Хорошо: def test_extract_sentiment_positive(): assert extract_sentiment("I love this!") == "positive" def test_extract_sentiment_negative(): assert extract_sentiment("Terrible") == "negative" 📌 Результат — быстрее находишь баги и не тратишь время на догадки. @Python_Community_ru

🌟 Большой гайд по TOML и tomllib на Python TOML стал стандартом для конфигурации Python-проектов благодаря своей простоте и читаемости. Начиная с Python 3.11, вы можете парсить TOML-файлы встроенным модулем tomllib без установки дополнительных зависимостей. Это удобно для работы с pyproject.toml и конфигами инструментов вроде pytest, mypy и black. Хотя tomllib поддерживает только чтение файлов, его возможностей хватает для большинства задач. Для записи и сложного редактирования TOML можно использовать библиотеки toml или tomlkit. В статье подробно разбираются примеры чтения конфигов и работа с pyproject.toml. 🔗 Ссылка - *клик* (https://www.pythonpapers.com/p/python-101-reading-toml-with-python?triedRedirect=true) @Python_Community_ru

🧪 uQLM — движок для SQL‑запросов к LLM, разработанный в CVS Health Что если к языковой модели можно обращаться как к обычной базе данных? 💡 uQLM (Universal Query Language for Models) позволяет писать SQL‑подобные запросы, чтобы: ✅ Обращаться к LLM как к таблице ✅ Фильтровать, агрегировать и комбинировать ответы ✅ Подключать собственные модели и источники данных ✅ Использовать привычный синтаксис SQL без prompt-инженерии 📌 Пример запроса: SELECT generate_response(prompt) FROM gpt4 WHERE prompt LIKE '%explain%' LIMIT 5; uQLM работает как прослойка между пользователем и языковой моделью, облегчая интеграцию ИИ в аналитические пайплайны. 🔗 GitHub: https://github.com/cvs-health/uqlm @Python_Community_ru

‍Разбираем тестовое задание в Яндекс на позицию Junior аналитика данных Тестовое задание — важная часть трудоустройства аналитика. Это шанс показать свои навыки на практике и получить оффер мечты. Приглашаем на бесплатный вебинар, где Андрон Алексанян — эксперт в области аналитики и CEO школы аналитики Simulative — в прямом эфире разберет тестовое задание в Яндекс на позицию Junior аналитика данных. ⚡️На вебинаре вы: 🟠узнаете, какие навыки и знания необходимы для успешного выполнения заданий; 🟠поймёте, что хочет увидеть работодатель; 🟠получите советы и лайфхаки; 🟠вместе с Андроном разберете в прямом эфире реальный пример тестового 🔥 Чему именно научимся на вебинаре: 🟠С помощью Pandas проанализируем Яндекс-запросы за несколько недель, загрузив их из json-файла; 🟠Найдем закономерности и отличия использования сервиса на мобильных устройствах и компьютерах; 🟠Разберем фишки Pandas: сложную агрегацию, маппинг, конкатенацию, чейнинг и др. 🕗 Настоятельно рекомендуем не пропускать — для зрителей у нас есть особый бонус, который обеспечит вам уверенный старт в вашей карьере. 😶Зарегистрироваться на бесплатный вебинар (https://r.bothelp.io/tg?domain=events_simulative_bot&start=c1753352424588-ds&funnel=web_yandex&utm_source=telegram&utm_medium=paid-placement&utm_campaign=pythonl&utm_content=29-07-2025&erid=2Vtzqx6P7J1) @Python_Community_ru

🚀 УСКОРЕНИЕ КОДА ЗА СЧЁТ ЛОКАЛЬНЫХ ПЕРЕМЕННЫХ 💡 Используй локальные переменные внутри циклов — это может ускорить выполнение на 20–30%, особенно в критичных по времени участках. Почему это работает? В Python доступ к локальной переменной быстрее, чем к глобальной или объектной, потому что локальные хранятся в массиве, а не в словаре. Пример: # Медленно: обращение к свойствам объекта в цикле class Processor: def __init__(self, data): self.data = data def compute(self): total = 0 for item in self.data: total += item * item return total # Быстрее: кэшируем ссылку на data как локальную переменную class Processor: def __init__(self, data): self.data = data def compute(self): data = self.data # локальная переменная total = 0 for item in data: total += item * item return total # Прирост в скорости особенно заметен при больших объёмах данных``` @Python_Community_ru

📰 Python без GIL: новая эра многопоточности Недавно в Python 3.13 появилась экспериментальная возможность отключить Global Interpreter Lock — механизм, который десятилетиями ограничивал настоящую многопоточность в Python. Теперь можно сравнить производительность обычной и свободнопоточной версий интерпретатора. Тесты с CPU-интенсивными задачами показывают ускорение в 3-4 раза при использовании 4 потоков в версии без GIL. Однако за это приходится платить: усложняется сборка мусора, требуется новая система управления памятью, а некоторые объекты становятся просто бессмертными. Пока free-threaded Python остаётся опциональным, но в будущих версиях, начиная с 3.14, он может стать стандартом. Главный вопрос — насколько быстро сообщество и библиотеки адаптируются к этим изменениям. 🔗 Ссылка - *клик* (https://blog.jetbrains.com/pycharm/2025/07/faster-python-unlocking-the-python-global-interpreter-lock/) @Python_Community_ru

🖥 Second‑Me Это ваш “цифровой двойник”: агент, который обучается на ваших заметках, письмах и постах и помогает вести аккаунты в соцсетях. В 2025 году проект получил крупное обновление — добавлен модуль для управления площадками вроде LinkedIn и Airbnb, а также улучшена персонализация бота. https://github.com/mindverse/Second-Me @Python_Community_ru

🖥 Нужно временно отключить все принты — например, в проде или при юнит-тестах? Этот трюк нужен, чтобы временно отключить принты не удаляя и не комментируя строки вручную. На экране простой способ сделать это через контекстный менеджер — без сторонних библиотек и без комментирования строк. import sys, os from contextlib import contextmanager @contextmanager def suppress_print(): saved = sys.stdout sys.stdout = open(os.devnull, 'w') yield sys.stdout.close() sys.stdout = saved Пример: print("Это видно") with suppress_print(): print("А это — нет") print("Снова видно") - вопросы с собеседований Python @Python_Community_ru

⚠️ Внимание: фишинг-атака на разработчиков Python. Злоумышленники рассылают поддельные письма от имени PyPI с домена pypj.org, требуя "подтвердить email". Уже пострадал популярный пакет num2words (3M+ загрузок/месяц) — через захваченные аккаунты были выпущены вредоносные обновления. Атака повторяет недавний инцидент с NPM, где скомпрометировали пакеты с 100M+ загрузок в неделю. 🔗 Ссылка - *клик* (https://blog.pypi.org/posts/2025-07-31-incident-report-phishing-attack/) @Python_Community_ru

🛞 CrossHair — необычный инструмент для анализа Python-кода, который использует символьное выполнение для поиска ошибок. Вместо традиционных тестов он проверяет корректность функций, анализируя их поведение на основе аннотаций типов и контрактов. Под капотом работает SMT-решатель, который ищет входные данные, нарушающие условия. Например, может автоматически обнаружить, что ваша функция падает на отрицательных числах, хотя в контракте указано x: PositiveInt. Интегрируется с Hypothesis и популярными IDE. 🤖 GitHub (https://github.com/pschanely/CrossHair) @Python_Community_ru

🐉 Windmill — open-source платформа для разработки внутренних инструментов, которая превращает скрипты в готовые API, фоновые задачи и веб-интерфейсы. Проект позиционируется как альтернатива коммерческим решениям вроде Retool или Superblocks, но с акцентом на гибкость и self-hosted развёртывание. Интересно реализована идея автоматической генерации UI: достаточно написать скрипт на Python, TypeScript, Go или Bash и Windmill создаст для него веб-форму с параметрами. Готовые скрипты можно комбинировать в сложные workflows или встраивать в low-code приложения. Под капотом — Rust, Postgres и sandbox-исполнение через nsjail для безопасности. 🤖 GitHub (https://github.com/windmill-labs/windmill) @Python_Community_ru

‍⚡️ GGUF-версии GPT-OSS от Unsloth. Unsloth конвертировали обе GPT-OSS (20B (https://huggingface.co/unsloth/gpt-oss-20b-GGUF) и 120B (https://huggingface.co/unsloth/gpt-oss-120b-GGUF)) и исправили ошибки, чтобы повысить качество инференса. 🟡Оптимальный сетап: 🟢20B работает со скоростью более 10 токенов/с при полной точности на 14 ГБ оперативной памяти. 🟢120B с полной точностью будет давать >40 токенов/с на примерно 64 ГБ ОЗУ. Минимальных требований для запуска моделей нет, запуститься можно даже если у вас всего 6 ГБ и только CPU, но инференс будет медленнее. GPU не требуется , особенно для модели 20B, но его наличие значительно увеличивает скорость вывода (~80 токенов/с). С чем-то вроде H100 можно получить пропускную способность 140 токенов/с, и это значительно быстрее, чем у OpenAI в ChatGPT. Модели можно запустить через llama.cpp, LM Studio или Open WebUI. Если модель 120B слишком медленная, попробуйте версию 20B - она очень быстрая и работает не хуже o3-mini. Помимо моделей формата GGUF c полной точностью, Unsloth сделали (https://huggingface.co/collections/unsloth/gpt-oss-6892433695ce0dee42f31681) версии с 4-bit и 16-bit точностью. 4-бинтый квант, кстати, можно файнтюнить на 24 ГБ VRAM. 📌 Подробная пошаговая инструкция по локальному запуску и файнтюну - в документации (https://docs.unsloth.ai/basics/gpt-oss-how-to-run-and-fine-tune) Unsloth. 🟡Набор моделей (https://huggingface.co/collections/unsloth/gpt-oss-6892433695ce0dee42f31681) 🟡Документация (https://docs.unsloth.ai/basics/gpt-oss-how-to-run-and-fine-tune) @ai_machinelearning_big_data #AI #ML #GPTOSS #GGUF #Unsloth @Python_Community_ru

Ведущие ML- и DS-инженеры соберутся 13 и 14 сентября на E-CODE. Это масштабное IT-событие создано командой Ozon Tech. Вы приглашены, но нужно зарегистрироваться: https://s.ozon.ru/m8XO9ot ⬅ Что будет: 6 контентных треков — один из них для ML/DS. Выступления известных учёных. Качественный нетворк — комьюнити middle+ специалистов. Интеллектуальные интерактивы — и эксклюзивный мерч в подарок. Вечеринки каждый день — на сцене НТР, Заточка, ILWT и Нейромонах Феофан. E-CODE — комьюнити-пространство, в котором стоит быть 💙 @Python_Community_ru

🔍 Regex не прощает ошибок… но с Python мы найдем выход! Когда в запросе опечатка (`"prro"` вместо "pro"`) — `re.search() ничего не найдёт. 🙅‍♂️ Regex: [] → *Ноль результатов* ✅ diff​lib то что нам нужно! С SequenceMatcher ты можешь находить похожие строки даже с опечатками. 📌 Пример: from difflib import SequenceMatcher def fuzzy_match(query, products, threshold=0.6): matches = [] for product in products: ratio = SequenceMatcher(None, query.lower(), product.lower()).ratio() if ratio >= threshold: matches.append((product, f"{ratio:.2f}")) return matches 🧠 Результат: [('iPhone 14 Pro Max', '0.88')] 📦 Используй difflib для user-friendly поиска и автодополнения. Особенно полезно для: - Поиска товаров - Обработки ввода пользователя - Систем рекомендаций 🔥 Идеально, когда нельзя потерять результат из-за одной буквы! @Python_Community_ru

🚀 sebastien/multiplex — Command‑Line Process Multiplexer Что это: простой CLI и Python API для запуска нескольких процессов параллельно, с гибким управлением зависимостями, задержками и завершением. Фичи: - Параллельный или последовательный запуск процессов - Задержки: +2s, +500ms - Зависимости: :A, :A& - Именование процессов и цветной вывод - Управление через Python API 🔧 Примеры: - Запуск двух серверов: multiplex "python -m http.server -p 8000" "python -m http.server -p 8001" - Сначала сервер, потом бенчмарк: multiplex "SERVER=python -m http.server" "+2s=ab -n1000 http://localhost:8000/" - Сценарий: DB → API → тесты: multiplex "DB=mongod" "API:DB&+2=node server.js" ":API&|end=npm test" 📦 Установка: pip install multiplex-sh или просто multiplex.py напрямую с GitHub 🔗 GitHub: https://github.com/sebastien/multiplex 🧰 Подходит всем, кто запускает несколько сервисов — API, БД, фоновые задачи — и хочет сделать это красиво. @Python_Community_ru

🗂 Copyparty — «всё-в-одном» файловый сервер, запускаемый одной командой Python Что это такое - Один файл = полноценный NAS: HTTP/HTTPS, WebDAV, FTP, TFTP, Zeroconf - Быстрые загрузки с возобновлением (resumable) - Дедупликация, превью, миниатюры, медиабаза, поиск - Без внешних зависимостей и БД — один .py-файл или standalone .exe/.apk - Работает на Linux, Windows, macOS, Raspberry Pi Для чего полезно : - Создать домашний медиасервер и быстрый обмен файлами в локальной сети - Раздача билдов/прошивок внутри команды без S3 и лишней админки - LAN-party или мероприятия, где нужно «одно место» для обмена файлами > 📝 Чтобы развернуть, достаточно запустить: python3 copyparty.py ⭐ 20 k+ звёзд на GitHub, активная разработка, лицензия MIT — отличный инструмент! 🖥 Github (https://github.com/9001/copyparty) @Python_Community_ru