Python Learning

⚙️ re.sub re.sub заменяет все вхождения шаблона в строке на указанное значение. Это полезно для очистки и нормализации текста. Python Learning 👩‍💻

🚫 Ловушка с аргументами *args и **kwargs без передачи дальше В Python *args и **kwargs часто используются для гибкости, но ошибка — принимать их и не передавать дальше в базовые классы или функции. Это «глотает» параметры и может ломать поведение программы. ✔️ Всегда передавайте *args и **kwargs, если не уверены, что они вам не нужны. Python Learning 👩‍💻

⚙️ itertools.starmap itertools.starmap применяет функцию к элементам итерируемого объекта, распаковывая аргументы из кортежей. Это полезно для операций с несколькими аргументами без лямбд и циклов. Python Learning 👩‍💻

⚙️ importlib.util.find_spec importlib.util.find_spec позволяет узнать, можно ли импортировать модуль, не загружая его. Это полезно для проверки наличия зависимостей, динамической загрузки и построения систем плагинов. Python Learning 👩‍💻

⚙️ secrets для генерации случайных чисел и символов ℹ️ Хотя реализовать свои собственные функции кодирования сообщений может быть очень весело, они, вероятно, не будут соответствовать тем же стандартам, что и проверенные в боевых условиях функции в библиотеке secrets. 🗣️ Там вы найдёте всё необходимое для генерации случайных чисел и символов для самых сложных паролей, токенов безопасности и связанных с ними секретов. 🔗 Ссылочка на доку Python Learning 👩‍💻

➡️ Использование подчеркивания в REPL Вы можете получить результат последнего выражения в Python REPL с помощью оператора подчеркивания, например, в Python REPL это выглядит следующим образом: >>> 3 * 3 9 >>> _ + 3 12 🗣️ Прием работает и в оболочке IPython. Python Learning 👩‍💻

➡️ Ленивая инициализация атрибутов с помощью __getattr__ В Python можно реализовать ленивую инициализацию атрибутов объекта с помощью метода __getattr__. 🗣️ Это позволяет отложить вычисление и создание атрибутов до момента их первого обращения, что может быть полезно для оптимизации работы с ресурсозатратными данными. Python Learning 👩‍💻

➡️ Создание цепочек вызовов методов с использованием класса-обертки Цепочки вызовов позволяют вызывать несколько методов подряд на одном объекте, возвращая этот объект на каждом шаге. Это удобно для создания более читабельного и компактного кода. 🗣️ В этом примере класс Chainable позволяет создавать цепочки вызовов для выполнения арифметических операций. Методы add, multiply и subtract возвращают сам объект, что позволяет вызывать их последовательно, а метод result возвращает итоговое значение. Python Learning 👩‍💻

➡️ Click — простой и мощный инструмент для создания CLI Click — это библиотека Python, которая помогает быстро и просто создавать интерфейсы командной строки (CLI). Она обеспечивает удобное управление командами, параметрами и опциями, поддерживает создание вложенных команд и позволяет легко обрабатывать пользовательский ввод. 🗣 Если вы хотите создать CLI для своего Python-проекта с минимальными усилиями, Click — отличный выбор. 🔗 Ссылочка на доку Python Learning 👩‍💻

➡️ FlashText — Быстрый поиск и замена строк FlashText — это библиотека Python, которая позволяет быстро находить и заменять ключевые слова в строках. В отличие от стандартных методов поиска, таких как регулярные выражения, FlashText работает с целыми словами и значительно быстрее на больших текстах. Эта библиотека особенно полезна, если нужно обрабатывать огромные массивы текстовых данных. 🗣 FlashText — идеальный выбор для поиска и замены ключевых слов в текстах, когда производительность имеет ключевое значение. 🔗 Ссылочка на доку Python Learning 👩‍💻

⚙️ Pympler для мониторинга и анализа памяти ℹ️ Библиотека мониторит и анализирует память, которая используется при исполнении кода программ на Python. Инструмент находит ее избыточное потребление, утечки и другие баги. 🗣️ С помощью Pympler можно узнать все о размере и длительности процессов приложения на Python за время работы. 🔗 Ссылочка на доку Python Learning 👩‍💻

Библиотека python-decouple Библиотека python-decouple для Python помогает отделить конфигурационные параметры от вашего исходного кода. Это означает, что вы можете хранить секретные данные, такие как ключи API, пароли и URL-адреса базы данных, вне вашего кода, улучшая безопасность. Python Learning 👩‍💻

➡️ Использование функции itertools.tee() для дублирования итераторов itertools.tee() — это интересная функция из модуля itertools, позволяющая создавать несколько независимых копий одного и того же итератора. 🗣️ Это полезно, когда вам нужно одновременно итерировать по одним и тем же данным в разных частях кода, не повторяя вычисления. ✔️ itertools.tee() делает работу с итераторами гибче и удобнее. Python Learning 👩‍💻

🔍Тестовое собеседование на Middle Python с разработчиком из Авито завтра вечером Уже завтра вечером в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Дане Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. О рекламодателе.

➡️ Использование cachetools для кэширования в Python cachetools — это небольшая, но мощная библиотека для кэширования, которая предоставляет различные стратегии кэширования, такие как LRU (Least Recently Used), LFU (Least Frequently Used) и другие. Она позволяет оптимизировать производительность, избегая повторных вычислений или запросов. • cachetools полезна, когда требуется хранить временные результаты или промежуточные данные для повышения производительности. 🔗 Ссылочка на доку Python Learning 👩‍💻

⚙️ enumerate() Когда тебе нужно итерировать по списку с доступом к индексу элемента, используй enumerate(). Эта встроенная функция возвращает и индекс, и сам элемент в одном цикле, что удобно и лаконично. Python Learning 👩‍💻

👩‍💻 Задача по Python Создайте функцию find_longest_substring для поиска самой длинной подстроки в строке, содержащей уникальные символы. Функция должна возвращать длину этой подстроки. Пример: print(find_longest_substring("abcabcbb")) # Вернёт 3, т.к. самая длинная уникальная подстрока "abc" print(find_longest_substring("bbbbb")) # Вернёт 1, т.к. самая длинная уникальная подстрока "b" print(find_longest_substring("pwwkew")) # Вернёт 3, т.к. самая длинная уникальная подстрока Решение задачи на картинке ☝ Python Learning 👩‍💻

Нейросеть, LLM (большие языковые модели) и ИИ-агент Эти слова в разговорах часто используют как синонимы. Но за ними стоят разные механизмы, и от того, с чем вы работаете, зависит результат. LLM генерирует текст на основе того, на чем ее обучили. Запускается только по запросу человека, работает в один цикл «промпт → ответ», между сессиями ничего не помнит и умеет ровно одно — писать текст. Как эрудированный консультант, который отвечает на вопросы. ИИ-агент — автономная система. Получает цель, сам определяет шаги, обращается к внешним сервисам, запускает код, читает файлы, ищет в базе данных, сохраняет контекст и историю действий. Как сотрудник, который получил задачу и решает ее сам. karpovꓸcourses выложили бесплатный гайд «Почему ваш ИИ пишет не то: LLM против ИИ-агента». В нем сравнение модели и агента по параметрам — память, доступные инструменты, реакция на ошибки, способ запуска — и схема цикла агента с разбором каждого шага. Автор — Алексей Жиряков: 15+ лет в бэкенд-разработке, ex-Stream CTO KION, в Сбере отвечает за работу с данными для ИИ. Заберите гайд и скидку 30% на платный воркшоп «AI-first разработка на Python» по ссылке

Срезы Срезы (slices) в Python — это способ получения подстроки (подсписка) из последовательности, такой как строка (str), список (list) или кортеж (tuple). Python Learning 👩‍💻

➡️ Memray — профилирование памяти для Python Memray — это современный инструмент для профилирования памяти в Python, разработанный командой Bloomberg. Он позволяет детально отслеживать выделение и использование памяти в ваших приложениях, что помогает выявлять утечки и оптимизировать производительность. • Глубокий анализ: Memray отслеживает все выделения памяти, включая те, что происходят в нативных расширениях на C/C++. • Гибкие отчёты: Генерирует отчёты в виде текстовых файлов, графов и HTML-страниц для наглядного представления данных. • Поддержка многопоточности: Корректно работает с многопоточными приложениями, обеспечивая точный анализ. • Интеграция с Jupyter: Позволяет визуализировать данные профилирования прямо в Jupyter Notebook. 🔗 Ссылочка на доку Python Learning 👩‍💻