📎 Топ-вакансий для питонистов за неделю

Python Разработчик — от 250 000 до 280 000₽, удалёнка

SDET Python (KLDFS), удалёнка

Python-разработчик — до 1 800 $, удалёнка

Python разработчик — от 1500 до 3000 $, удалёнка

Senior Python Developer (Analytics) — от 300 000 до 400 000 ₽, удалёнка

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

Библиотека питониста

Шпаргалка: типизированные структуры данных в Python

Python поддерживает типизацию с помощью аннотаций, а также предоставляет удобные инструменты для описания структур — TypedDict и dataclasses.

🆖 Typed Dictionaries (Типизированные словари)

TypedDict похож на обычный словарь, но с подсказками типов для ключей и значений. Это помогает задать чёткие ожидания, какие ключи и значения должны быть в словаре.

Пример:

from typing import TypedDict

class Metrics(TypedDict):
    accuracy: float
    precision: float
    recall: float
    AUC: float | None  # необязательное поле

def evaluate_predictions(y_true: np.ndarray, y_pred: np.ndarray) -> Metrics:
    # Возвращаем словарь с метриками
    return Metrics(accuracy=0.66, precision=1.0, recall=0.5)

my_metrics = evaluate_predictions(y_true, y_pred)
print(my_metrics)  # {'accuracy': 0.66, 'precision': 1.0, 'recall': 0.5}

🆖 Dataclasses (Датаклассы)

Датаклассы упрощают создание классов с данными, автоматически генерируя методы вроде __init__. Можно сделать объекты неизменяемыми с frozen=True.

Пример:

from dataclasses import dataclass

@dataclass(frozen=True)
class ModelConfig:
    model_path: str
    data_path: str
    batch_size: int = 32
    learning_rate: float = 1e-3
    num_epochs: int = 10
    early_stopping: bool = False

config = ModelConfig(model_path="models/v1", data_path="data/train", batch_size=64)
print(config.batch_size)  # 64

🆖 Вложенные структуры

Типизированные словари и датаклассы можно вкладывать друг в друга, чтобы описать сложные структуры данных.

Пример:

from datetime import datetime

@dataclass
class ExperimentSummary:
    datetime: datetime
    model_config: ModelConfig
    metrics: Metrics

experiment = ExperimentSummary(datetime=datetime.now(), model_config=config, metrics=my_metrics)
print(experiment.model_config.batch_size)  # 64

Важные советы:
🔛 Не увлекайтесь глубокой вложенностью! Слишком сложные структуры затрудняют поддержку и понимание.
🔛 Используйте типы для самодокументирования кода. Они помогают избежать ошибок и ускоряют разработку.
🔛 Выбирайте TypedDict, если хотите словарь с проверкой структуры.
🔛 Используйте dataclasses, когда нужна полноценная структура с методами и возможностью наследования.

Библиотека питониста #буст

🗂 Как перевести Python/Django-проект на uv

Если вы устали от несовпадений между локальными зависимостями, CI и продом, попробуйте перейти на uv — современный инструмент для управления окружением и зависимостями Python.

Вот краткий план, как это сделать:

1️⃣ Настройка pyproject.toml

Создайте или обновите pyproject.toml с базовой информацией о проекте:

[project]
name = "my-product"
version = "1.2.3"
description = "Our amazing product."
readme = "README.md"
requires-python = "~=3.12"
dependencies = []

2️⃣ Перенос зависимостей

Вместо requirements/*.txt теперь всё управляется через uv:

uv add -r requirements/base.txt
uv add -r requirements/dev.txt --group dev
uv add -r requirements/deploy.txt --group deploy

git rm requirements/*.txt

3️⃣ Установка и фиксация Python

uv python install 3.12
uv python pin 3.12
uv sync

> uv создаст .venv/ и .python-version и синхронизирует зависимости.

По умолчанию uv sync устанавливает только dev-зависимости. Для других групп:

uv sync --locked --group deploy

✅ А в продакшене не забудьте флаг --no-dev!

4️⃣ Обновление .envrc (если вы используете direnv)

sed -e '/layout python/ s/^#*/#/' -i .envrc
echo 'export PATH="$(pwd)/.venv/bin:${PATH}"' >> .envrc
direnv allow

5️⃣ Docker

Базовый образ:

FROM ghcr.io/astral-sh/uv:python3.12-bookworm

Настройка переменных:

ENV UV_COMPILE_BYTECODE=1
ENV UV_LINK_MODE=copy
ENV VIRTUAL_ENV=/venv
ENV PATH="$VIRTUAL_ENV/bin:$PATH"

Установка зависимостей:

RUN --mount=type=cache,target=/root/.cache/uv \
    --mount=type=bind,source=uv.lock,target=uv.lock \
    --mount=type=bind,source=pyproject.toml,target=pyproject.toml \
    set -ex \
    && uv venv $VIRTUAL_ENV \
    && uv sync --active --locked --no-install-project --no-dev --group deploy

6️⃣ Подключаем pre-commit

В .pre-commit-config.yaml:

- repo: https://github.com/astral-sh/uv-pre-commit
  rev: 0.7.12
  hooks:
    - id: uv-lock

7️⃣ GitHub Actions

- uses: astral-sh/setup-uv@v1
  with:
    python-version: 3.12
    enable-cache: true
    cache-dependency-glob: "uv.lock"

- run: uv sync --locked
- run: uv run pre-commit run --all-files
- run: uv run pytest

✅ Обновление зависимостей

Обновить конкретный пакет:

  uv lock --upgrade-package <package-name>
  uv sync --locked
  

Обновить всё:

  uv lock --upgrade
  uv sync --locked

Библиотека питониста #буст

💡 Python-разработчик и хочешь выйти за пределы типовых задач?

Переход в LLM-инжиниринг — мощный горизонтальный шаг с реальным спросом, влиянием и перспективами роста.

Компании ищут специалистов, которые работают с реальными пайплайнами и продакшен-инфраструктурой. Хочешь стать одним из них? Приходи за практикой и знаниями на курс «Инженер LLM» от тех, кто уже строит это сегодня.

Преподаватели — топы индустрии:
— Кристина Желтова, директор по разработке моделей в Газпромбанке
— Александр Потехин, NLP Lead в X5 Tech
— Евгений Кокуйкин, CEO Raft, эксперт по LLM-инфраструктуре

Это не лекции «про будущее», а опыт тех, кто уже создает LLM-системы для банков, ритейла и платформ с миллионами пользователей.

Курс разработан GIGASCHOOL совместно с крупнейшей магистратурой по ИИ AI Talent Hub.

Ты научишься:
➡️дообучать модели (fine-tuning, PEFT, RLHF);
➡️работать с LangChain, LangGraph и векторными базами;
➡️строить RAG‑системы, внедрять инфопоиск и защищать LLM;
➡️собирать пайплайны, деплоить, трекать, вести версионирование;
➡️проектировать мультиагентные решения и ассистентов.

▪️ 252 часа теории и практики
▪️ диплом о профессиональной переподготовке
▪️ старт 14 июля, 18 недель онлайн с продуманными каникулами
▪️ 29 667 ₽/мес в рассрочку
▪️ повышение цены — 11 июля

Смотри программу и оставляй заявку 🔗

Обучение у тех, кто уже запускает LLM в продакшене — лучший вклад в твою AI-карьеру 😎


Реклама. АНО "ЦЕНТР РАЗВИТИЯ ИТ-КОМПЕТЕНЦИЙ «ГИГА ШКОЛА»", ИНН 7453352684. Erid 2VtzqwqX9Z1

📱 Промпт для анализа безопасности и устойчивости Python-кода

Этот промпт поможет найти уязвимости, улучшить обработку ошибок и сделать код более надёжным.

✅ Промпт:

Проверь мой Python-код на предмет безопасности и устойчивости.
Дай рекомендации по:
• Обработке исключений и предотвращению сбоев
• Валидации и санитации входных данных
• Безопасному хранению и работе с конфиденциальной информацией
• Защите от распространённых уязвимостей (инъекции, XSS, CSRF и др.)
• Использованию инструментов для статического анализа безопасности (bandit, safety)
• Логированию ошибок и предупреждений

📌 Что получите:
• План по улучшению безопасности кода
• Методы повышения устойчивости и отказоустойчивости
• Инструменты для автоматического обнаружения уязвимостей

Библиотека питониста #буст

🔥 Python 3.14 официально поддерживает многопоточность без GIL

Большой шаг для Python-разработчиков:
С релизом Python 3.14, свободнопоточная сборка CPython (free-threaded build) официально поддерживается и больше не является экспериментальной.

📌 Это означает:
— Реальная многопоточность без GIL.
— Free-threaded Python — поддерживаемая, но пока опциональная сборка.
— Это фаза II. Переход к GIL-free по умолчанию — дело будущего.

👉 PEP 779: Free-threaded CPython

📌 Пример: сравнение GIL vs Free-threaded

Запуск CPU-bound задачи в двух потоках:

from concurrent.futures import ThreadPoolExecutor
import time

def cpu_bound_task():
    start = time.time()
    sum(1 for _ in range(10**7))
    end = time.time()
    print(f"Finished in {end - start:.2f} seconds")

with ThreadPoolExecutor() as e:
    e.submit(cpu_bound_task)
    e.submit(cpu_bound_task)

Результат:

$ uv run -p 3.14 a.py 
Finished in 1.01 seconds
Finished in 1.02 seconds

$ uv run -p 3.14.0b3+freethreaded a.py 
Finished in 0.49 seconds
Finished in 0.51 seconds

> Потоки реально работают параллельно — ускорение почти в 2 раза!

📌 Но не всё так просто

Попытка работать с общими объектами (например, добавлять в список) может замедлить код:

# Вставка элемента в общий список
shared = []
def task():
    for i in range(10**5):
        shared.append(i)

Результат:

$ uv run -p 3.14 a.py 
 Finished in 0.10 seconds
 Finished in 0.11 seconds
 172214
 $ uv run -p 3.14.0b3+freethreaded a.py 
 Finished in 0.48 seconds
 Finished in 0.49 seconds
 1865

> Без GIL нужна синхронизация, иначе возможны конфликты и деградация производительности.

📌 Выводы

— Python наконец-то движется к реальной многопоточности.
— Free-threaded CPython уже работает — и может ускорить CPU-bound задачи.
— Не забывайте: работа с общими объектами требует явной синхронизации (даже с GIL). Потокобезопасность — ваша ответственность.

Библиотека питониста #свежак

📦 Устанавливаем Python 3.14 beta: быстрый гайд

Многие хотят попробовать Python 3.14 с новым free-threaded режимом, но не знают, как установить beta-версию.

Один из частых вопросов от подписчиков:

Хочу попробовать Python 3.14 с новым free-threaded режимом. Как его установить, если он ещё в бете?

Хороший вопрос! Несмотря на то, что Python 3.14 пока в стадии бета, вы уже можете установить его для тестирования.

👇 Вот как это сделать:

➡️ Если вы на Ubuntu

# Добавляем PPA
sudo add-apt-repository ppa:deadsnakes/ppa
sudo apt update

# Устанавливаем Python 3.14
sudo apt install python3.14

➡️ Если вы на Windows

Скачайте установщик с официального сайта и просто установите .exe — он будет существовать параллельно с текущей версией.

➡️ Если у вас другая система

Скачайте исходный код с python.org и соберите вручную. Некоторые пакетные менеджеры также уже предлагают сборки бета-версий.

⚠️ Важно: это бета, не используйте её в продакшене. Только для экспериментов, например, чтобы протестировать free-threading или другие новинки.

Библиотека питониста #междусобойчик