👉 Промт дня: профилируем Python-код и ускоряем вычисления

Работает, но медленно? У вас есть скрипт или функция, и вы хотите понять, где узкие места.

Попросите ChatGPT:

Вот мой Python-код.

Проанализируй и предложи:

– Где происходят самые затратные вычисления (CPU / память)
– Как переписать медленные части: циклы → векторизацию (NumPy / pandas), генераторы и lazy loading
– Как использовать multiprocessing или asyncio, если подходит
– Какие библиотеки (например, numba, joblib, polars, dask) можно подключить
– Как минимизировать работу с диском / сетью
– Как встроить cProfile, line_profiler, memory_profiler и интерпретировать отчёты

✅ Хорошо работает на дата-скриптах, ETL, API, парсерах, ML-пайплайнах.

Библиотека питониста #буст

💬 Истории подписчиков: какую версию Python вы используете на работе

Недавно один из читателей поделился своей историей — возможно, она откликнется и вам:

Я много лет работал в команде, где строго использовали Python 3.9. Так решили когда-то ради совместимости и стабильности — и с тех пор не обновлялись. Всё работало: сбор данных, ETL, анализ, отчёты — в основном на pandas и duckdb.

Сейчас я перехожу на новую работу, где буду с нуля строить Python-инфраструктуру. Фактически — full-stack аналитика: от загрузки данных до дешбордов. И вот я задумался — какую версию Python выбрать как основную?

С одной стороны, хочется использовать самую свежую (например, 3.12) — ради скорости, typing improvements и async-фишек. С другой — важно, чтобы всё было стабильно, библиотеки поддерживались, и команда не путалась.

Да, можно ставить разные версии в виртуальные окружения. Но хочется стандарта по умолчанию — и отходить от него только если есть причина.

🤔 А вы как делаете в своих проектах:
— На какой версии Python сидите сейчас?
— Как часто обновляетесь?
— Когда обновление оправдано, а когда лучше не трогать?

Поделитесь опытом в комментариях — обсудим!

P.S. Если хотите задать вопрос, заполните нашу гугл-форму. Это займет 5 минут.

Библиотека питониста #междусобойчик

🧹 Skylos — ваш новый помощник в борьбе с мёртвым кодом

Когда проект разрастается, в нём неизбежно накапливается мёртвый код: неиспользуемые функции, классы, импорты…

✅ Skylos помогает навести порядок.

Что умеет:
— Находит неиспользуемые функции и методы
— Определяет классы, которые нигде не используются
— Показывает импорты, которые можно удалить
— Работает по всей кодовой базе, даже кросс-модульно
— Быстрее и точнее, чем Vulture, Flake8, Pylint и Ruff
— Можно использовать в интерактивном режиме или экспортировать в JSON

✅ Skylos показал лучшие результаты по качеству детекции:

Precision: 64.7% | Recall: 75.8% | F1 Score: 69.8%
Время анализа: 0.013 сек

Для сравнения:
— Vulture: F1 = 36.6%
— Flake8 и Ruff: \~24%
— Pylint: 0% (да, серьёзно)

✅ Быстрый старт:

pip install skylos
skylos /путь/к/проекту

✅ Полезные флаги:
— --interactive — интерактивный выбор кода на удаление
— --dry-run — «что будет удалено», без фактического удаления
— --json — отчёт в JSON

✅ Skylos написан на Python и распространяется по лицензии Apache 2.0. Всё работает локально, без отправки кода куда-либо.

📂 GitHub: https://clc.to/y7p3ZQ
📥 pip: pip install skylos

Библиотека питониста #буст

🏃‍♀️ 1 день до конца спец предложения

Успей впрыгнуть на курс «AI-агенты для DS» до завтрашнего повышения цены: 59.000 р. вместо 69.000 р.

🎙 Наш спикер — Никита Зелинский, Chief Data Scientist МТС, в своем канале рассказывает о RAG:

Про RAG слышали все — это уже два года самый массовый способ применения LLM в проде для бизнеса.

Это значит, что точность и надёжность такого решения достаточно предсказуемы для того, чтобы исключить человека из процесса аппрува выдачи LLM,
а связка «локально развернутая LLM + RAG над корпоративными документами» обеспечивает достаточную конфиденциальность, чтобы снять тревожность
«что наши данные попадут в OpenAI».

Эта история настолько популярна, что на рынке есть готовые RAG-решения,
а даже «маленькие» опенсорс-модели (до 5B) уже обзавелись своей RAG-ареной:
👉 https://huggingface.co/spaces/aizip-dev/SLM-RAG-Arena

Во время обучения на курсе «AI-агенты для DS» научим собирать автономные системы под реальные бизнес-задачи. На прошлой неделе мы рассказали о первом занятии.

➡️ вот что ждет слушателей курса на втором:

— Собираем свой RAG-пайплайн на своих данных
— Обсуждаем, почему качество такой системы нельзя измерять «на глаз»
— Разбираем схему LLM as a Judge и как подготовить для неё датасет
— Что такое guardrails и как они спасают от бреда
— Что делать, когда LLM не знает ответа
— Смотрим на агентский RAG и обсуждаем, можно ли использовать RAG как память агента

Если пропустили первое занятие, то вот ссылочка

❗️До повышения цены остался последний день — бронируйте место сейчас

🖥 Топ-вакансий для питонистов за неделю

Backend разработчик (Python DRF), гибрид (Москва)

Python разработчик (Platform V), гибрид (Москва)

Python-разработчик —‍ от 220 000 до 530 000 ₽, удалёнка

Разработчик видеоплатформы —‍ от 300 000 до 490 000 ₽, гибрид (Москва, Санкт-Петербург)

Бэкенд-разработчик (DEV) —‍ от 270 000 до 435 000 ₽, удалёнка

Python разработчик —‍ от 100 000 ₽, удалёнка

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

Библиотека питониста

📌 How to: продвинутые срезы в Python

Срезы — одна из самых мощных фич Python. Помимо базового [start:stop:step], они открывают массу возможностей при работе с данными.

Вот несколько продвинутых приёмов, которые вы точно захотите использовать:

1️⃣ Циклический сдвиг списка

def rotate(lst, k):
    k %= len(lst)
    return lst[-k:] + lst[:-k]

rotate([1, 2, 3, 4, 5], 2)  # → [4, 5, 1, 2, 3]

2️⃣ Извлечение элементов по шаблону

days = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
days[::3]  # → ['Mon', 'Thu']
days[5:]   # → ['Sat', 'Sun']

3️⃣ Чётные и нечётные индексы

nums = list(range(10))
nums[::2]  # чётные индексы → [0, 2, 4, 6, 8]
nums[1::2] # нечётные индексы → [1, 3, 5, 7, 9]

4️⃣ Массовое обновление по срезу

nums = [0]*10
nums[::2] = range(5)  # → [0, 0, 1, 0, 2, 0, 3, 0, 4, 0]

5️⃣ Парсинг строки фиксированными блоками

data = "abcdefghij"
[data[i:i+2] for i in range(0, len(data), 2)]  
# → ['ab', 'cd', 'ef', 'gh', 'ij']

6️⃣ Срезы в многомерных структурах

matrix = [[1,2,3], [4,5,6], [7,8,9]]
[row[1] for row in matrix]     # → [2, 5, 8]
[matrix[i][i] for i in range(3)]  # → [1, 5, 9]

7️⃣ Использование `slice()` вручную

s = slice(2, 8, 2)
lst = list(range(10))
lst[s]  # → [2, 4, 6]

8️⃣ NumPy: срезы в многомерных массивах

import numpy as np
arr = np.arange(100).reshape(10, 10)
arr[-3:, -3:]  # Подматрица 3×3 в правом нижнем углу

9️⃣ Pandas: срезы по строкам и условиям

import pandas as pd
df = pd.DataFrame({'A': [1,2,3,4], 'B': [10,20,30,40]})

df.iloc[:2]        # первые 2 строки
df.loc[df['A'] > 2]  # строки, где A > 2

🔟 Срезы в байтовых объектах

b = b'Hello, world!'
b[:5]  # → b'Hello'

ba = bytearray([10, 20, 30, 40])
list(ba[1:3])  # → [20, 30]

⚡️ Срезы = читаемый, быстрый и питоничный способ работы с данными. Чем чаще используете — тем меньше кода и ошибок.

📎 Сохраните и поделитесь, если было полезно! Делитесь в комментариях, какими ещё приёмами пользуетесь.

Библиотека питониста #буст