📢 Какой рабочий сетап круче?

💻 Выбирайте свой вариант и делитесь в комментариях, как организовали свой рабочий уголок.

А то, может, там уже три монитора, как у хакера из фильмов, или ноутбук на коленках, как у студента перед дедлайном?

❤️ — 1
👍 — 2
⚡️ — 3
👏 — 4
🔥 — 5
🎉 — 6
😁 — 7
😍 — 8
🤩 — 9

Библиотека питониста #развлекалово

✔️ Чек-лист: как исправить SyntaxError в Python

1⃣ Проверяем базовый синтаксис

🟢 Убедитесь, что после if, for, while, def, class есть двоеточие :

if x > 0: вместо if x > 0

🟢 Проверьте парность скобок: (), [], {}

print("Hi" → print("Hi")

🟢 Используйте правильные кавычки для строк: 'text' или "text", а не text

2⃣ Следим за ключевыми словами и операторами

🟢 Не используйте зарезервированные слова (class, return, import) как имена переменных

class = 5 → ошибка, используйте class_name

🟢Проверьте правильность операторов: == для сравнения, = для присваивания

if x = 5 → if x == 5

🟢 Не путайте : и = в словарях: {"key": "value"}, а не {"key" = "value"}

3⃣ Контролируем отступы и пробелы

🟢 Убедитесь, что отступы в блоках кода (после if, def) одинаковы (4 пробела или табуляция)

def func():
      print("Ok")  # Не смешивайте пробелы и табы

🟢 Избегайте лишних пробелов в именах: def my_func(), а не def my _func()

4⃣ Исправляем ошибки копирования и REPL

🟢 При копировании из REPL убирайте >>> и ....

 >>> print("Hi") → print("Hi")

🟢 Добавляйте пустую строку между блоками в REPL

  def greet():
      print("Hi")

  greet()  # Нужен перенос строки перед вызовом

5⃣ Учитываем версию Python

🟢 Используйте Python 3.10+ для более понятных сообщений об ошибках

  — Python 3.9: SyntaxError: invalid syntax
  — Python 3.10: SyntaxError: '(' was never closed

🟢 Проверьте код на современной версии, если ошибка непонятна

6⃣ Диагностика и отладка

🟢 Читайте номер строки в ошибке, но проверяйте код выше — проблема может быть раньше

🟢 Упрощайте код, убирая части, чтобы найти источник ошибки

🟢 Используйте редактор с подсветкой синтаксиса для поиска скобок и опечаток

✅ Полезные инструменты:
— Линтеры: flake8, pylint — находят ошибки до запуска
— Редакторы: VS Code с плагином Python, PyCharm

✅ Совет

Если видите SyntaxError: invalid syntax, начните с проверки скобок, двоеточий и отступов — это решает 80% случаев.

Библиотека питониста #буст

🤨 ТОП-7 стран для айтишников в 2025 году

Как найти страну, где работа в IT приносит не только достойный доход, но и удовольствие от жизни? В этой статье Ксения Кравченко собрала семь лучших направлений для релокации айтишников в 2025 году — от стабильных хабов до быстрорастущих техноцентров.

Что в статье:

➡️ Средняя зарплата IT-специалистов в каждой стране

➡️ Уровень налогов и наличие льгот для техсектора

➡️ Иммиграционные программы и условия въезда

➡️ Развитость IT-экосистемы и перспективы в индустрии

➡️ Плюсы и минусы жизни в каждом регионе

Если вы задумываетесь о переезде или просто хотите знать, где IT-навыки особенно ценны — самое время заглянуть в подборку 🔗

🙈 Что скрывает дисперсия: разгадка секрета точных ML-моделей

Представьте, что вы строите модель, которая прекрасно работает на тренировочных данных, но стоит подать ей новые примеры... и всё рушится. Знакомо? За этим почти всегда скрывается неправильное обращение с дисперсией.

🧐 Но что, если есть простая формула, способная:
• Мгновенно определить, насколько «разбросаны» ваши данные

• Значительно улучшить точность ваших ML-моделей

• Помочь обнаружить аномалии, которые вы раньше не замечали

В нашем вебинаре мы раскрываем все секреты дисперсии — без сложных терминов и занудных объяснений. Вы узнаете, почему дисперсия — как соль: без нее все пресно, а с переизбытком — несъедобно.

Хотите узнать, как находить идеальный баланс в своих моделях, причем тут Random Forest и много другого о Data Science?

➡️Тогда смотрите бесплатный вебинар от Proglib: 🙈 Что скрывает дисперсия: разгадка секрета точных ML-моделей

Представьте, что вы строите модель, которая прекрасно работает на тренировочных данных, но стоит подать ей новые примеры... и всё рушится. Знакомо? За этим почти всегда скрывается неправильное обращение с дисперсией.

🧐 Но что, если есть простая формула, способная:
• Мгновенно определить, насколько «разбросаны» ваши данные

• Значительно улучшить точность ваших ML-моделей

• Помочь обнаружить аномалии, которые вы раньше не замечали

В нашем вебинаре мы раскрываем все секреты дисперсии — без сложных терминов и занудных объяснений. Вы узнаете, почему дисперсия — как соль: без нее все пресно, а с переизбытком — несъедобно.

Хотите узнать, как находить идеальный баланс в своих моделях, причем тут Random Forest и много другого о Data Science?

➡️Тогда смотрите бесплатный вебинар от Proglib: https://proglib.io/w/4fdac1b7

👀 Что посмотреть: Python 3.14 и грядущие изменения

На днях вышел релиз alpha 7, а после следующего релиза (beta 1) новых фич уже не добавят. Самое время изучить, что нового принесёт Python 3.14 — и в формате видео это ещё удобнее

Темы видео:
🔎 График выхода и ключевые даты
🔎 PEP 765, PEP 648, PEP 758 — что они изменят
🔎 Улучшения производительности: JIT, NOGIL и хвостовая оптимизация
🔎 Практичные новшества и мелкие обновления

🔗 Смотреть видео: https://clc.to/7Z5daA

Библиотека питониста #буст

🖼 ТОП-5 структур данных для обработки изображений

Хотите разобраться, как обрабатывать изображения в компьютерном зрении или графике?

Всё начинается с правильных структур данных. Они помогают хранить и анализировать пиксели, их связи и расположение.

👉 В этой статье — подборка топ решений и советы, как их использовать.

Библиотека питониста

🆕 PEP 750 принят: шаблонные строки в Python

Этот PEP вводит в Python шаблонные строки (template strings) для гибкой работы со строками.

🟠Шаблонные строки — это обобщение f-строк: вместо префикса f используется префикс t.

🟠 В отличие от f-строк, которые сразу превращаются в обычную строку (str), t-строки возвращают объект нового типа — Template:

template: Template = t"Hello {name}"

✅ Что это даёт

Шаблонные строки предоставляют доступ к самой строке и её переменным до финальной подстановки значений. Это открывает путь к безопасной и гибкой обработке строк прямо на уровне языка.

🚩 Зачем это нужно:
— Возможность проверок безопасности (например, защита от SQL-инъекций)
— Удобство при создании веб-шаблонов
— Поддержка DSL (предметно-ориентированных языков) внутри Python
— Больше контроля над строками при их формировании

Пример:

template = t"Привет, {username}!"
print(template.fields)  # ['username']
print(template.source)  # 'Привет, {username}!'

Позже можно безопасно рендерить шаблон:

result = template.render(username="Алиса")

🔗 Официальный текст PEP: https://clc.to/yZ9NhA

Библиотека питониста #свежак

👏 Набор настоящего питониста

Монитор, книга, ноутбук и Python. Потому что на ноутбуке можно писать код, на мониторе — лучше увидеть, как он ломается, а книга — чтобы узнать, почему.

Впрочем, в наборе питониста всегда есть место для обновлений Python.

💭 Какое обновление Python сильнее всего повлияло на ваш стиль кода?

❤️ f-строки — читаемо и быстро
👍 @property — красиво и по-взрослому
🔥 Переключение зависимостей — как глоток свежего воздуха
😁 Shared vs independent списки — багов наловил, но стал умнее
🤔 Свой вариант — пишите в комментариях

Библиотека питониста #развлекалово

😈 PEP’ы, которые бесят (или радуют) питонистов

Каждый раз, когда появляется новый PEP, в воздухе пахнет жареными клавишами.

Поговорим о классике — тех, что навсегда в сердцах (или в чёрном списке):

1⃣ PEP 8 — стиль, который «все соблюдают, но не до конца»

— Отступы, длина строк, имена переменных...
— Каждый линтер и IDE пытается напомнить: «Вы не следуете PEP8!»
— Но разве 81 символ в длину — это преступление?
➡️ Главный источник пассивной агрессии в код-ревью.

2⃣ PEP 484 — Типизация, которая «не настоящая, но работает»

— Hello, type hints...
— Python стал делать вид, что он статически типизирован.
— А mypy стал делать вид, что всё это имеет смысл.
➡️ Кто-то говорит «будущее», кто-то — «шум и пыль».

3⃣ PEP 572 — Моржик `:=`, который разделил сообщество

Пример:

while (line := file.readline()):
    print(line)

— Одни: «Удобно! Элегантно!»
— Другие: «Python теперь как Perl. Брр.»
➡️ Мемов стало больше. Это уже плюс.

🪅 Бонус-треки:
— PEP 517/518 — «Половина питонистов не знает, как работает их pyproject.toml»
— PEP 505 (предложение) — `None-aware operators` — ждали, надеялись, не приняли
— PEP 701 — f-строки 2.0! Вставляйте хоть выражения, хоть тернарные операторы

🫠 Есть ли у вас любимый (или самый раздражающий) PEP?
Как считаете, нужны ли PEP'ы в таком количестве, или Python уже слишком зарегулирован?

Библиотека питониста #междусобойчик

👋 Всем привет!

Мы ищем участников для интервью на тему «Обучение навыкам в IT»!

✔️ Кто нам нужен?
— Вы разработчик или дата сайентист, прокачивающий свои навыки. Или хотите войти в IT.

✔️ Что нужно сделать?
— Заполните гуглоформу по теме (займет не более 10 минут).
— Если нас заинтересует ваш опыт, мы пригласим поучаствовать в небольшом интервью по Zoom (не больше 45 минут).
— Вознаграждение: 1500 рублей на карту за участие + уникальный шанс пообщаться с нашим CEO!

🧑‍💻 Откликнуться.

🔖 Это база: секрет Python, который ускорит ваш код в миллионы раз

✅ lru_cache — декоратор для кеширования результатов функций. Повторные вызовы с теми же аргументами не вычисляются заново — это ускоряет код в разы.

Пример:

from functools import lru_cache

@lru_cache(maxsize=128)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

print(fibonacci(30))  # Выводит: 832040
print(fibonacci.cache_info())  # Статистика кеша

С lru_cache результаты сохраняются в кеше и повторно используются, что ускоряет выполнение.

🚩 Возможные применения:
— Рекурсивные функции
— Повторяющиеся запросы к базе данных
— Повторные API-запросы

Пример:

import requests
from functools import lru_cache

@lru_cache(maxsize=32)
def get_weather(city):
    response = requests.get(f"https://api.weather.com/data?city={city}")
    return response.json()

print(get_weather("New York"))  # Первый вызов
print(get_weather("New York"))  # Кешированный ответ

🚩 Как работает lru_cache

lru_cache хранит результаты в словаре и отслеживает порядок использования через двусвязный список. Когда кеш переполнен, удаляется наименее недавно использованный элемент.

✅ Настройка размера кеша

Параметр maxsize позволяет регулировать размер кеша:
— None — неограниченный размер кеша
— Число — ограничение на количество записей в кеше

Пример:

@lru_cache(maxsize=256)
def expensive_computation(x, y):
    return x * x + y * y   

✅ Обработка изменяемых аргументов

Все аргументы функции должны быть хешируемыми. Если функция использует изменяемые типы, их нужно преобразовать в неизменяемые.

Пример:

@lru_cache(maxsize=32)
def process_data(data_tuple):
    return sum(data_tuple)

data = [1, 2, 3, 4]
print(process_data(tuple(data)))  # Преобразуем список в кортеж

✅ Очистка кеша

Для этого можно использовать метод cache_clear().

Пример:

expensive_computation.cache_clear()

🚩 Преимущества:
— Ускорение работы функций
— Легкость внедрения с @lru_cache
— Поддерживает статистику

🚩 Недостатки:
— Возможен рост потребления памяти при maxsize=None
— Поддерживаются только хешируемые аргументы

Библиотека питониста #буст

📱 Шесть релизов Python за один день: вот это весна 2025-го

Во вторник, 8 апреля 2025 года, Python-команда выдала настоящий релизный фейерверк — сразу шесть новых версий Python. Это, без сомнений, один из самых насыщенных дней в истории языка.

⚡ Python 3.14.0a7 — финальный альфа-релиз
— Дата релиза: 8 апреля 2025
— Следующий шаг: 3.14.0 beta1 (6 мая 2025)
— Статус: последний альфа-релиз — до фич-фриза осталось меньше месяца

✅ Ключевые изменения в 3.14:
— PEP 649: отложенная (lazy) обработка аннотаций
— PEP 741: новый C API для конфигурации интерпретатора
— PEP 758: поддержка except и except* без скобок
— PEP 761: вместо PGP теперь используется Sigstore для верификации релизов
— PEP 765: запрет return/break/continue при выходе из finally
— PEP 768: безопасный интерфейс для внешних дебаггеров CPython
— Новый тип интерпретатора с улучшенной производительностью (опционально)
— Поддержка UUID версий 6–8 + ускоренная генерация 3–5 и 8 (до 40% быстрее)
— Улучшенные сообщения об ошибках
— Удаления и депрекейты в C API и Python-коде

⚡ Python 3.13.3
— 320 исправлений, улучшений сборки и документации
— Актуальная стабильная ветка с новыми возможностями и оптимизациями

⚡ Python 3.12.10 — последний багфикс-релиз
— Более 230 исправлений и улучшений
— С этого момента — только security-патчи

🪅 Обновления безопасности для:

✅ Python 3.11.12
— Deadlock fix
— Обновления expat, уязвимость imaplib, urlparse, и др.

✅ Python 3.10.17
— Обновления libexpat, CVE-2025-0938, imaplib OOM

✅ Python 3.9.22
— Последние security-фиксы для старой, но ещё поддерживаемой ветки

💡 Призыв к разработчикам:
— Обновите свои проекты, если вы на 3.9–3.13
— Протестируйте Python 3.14 на совместимость
— До фич-фриза осталось < 4 недель — добавляйте свои предложения

Библиотека питониста #свежак

🙂 Раскрываем секрет собственных векторов: математическое оружие на собеседовании

Что объединяет успешный собес и продвинутый анализ данных? Оба требуют способности выделять главное из информационного шума!

В мире данных этот суперскилл называется методом главных компонент (PCA) — это как рентген для ваших данных, который мгновенно показывает всю суть, отбрасывая неважные детали.

Например, мы проанализировали 453 акции компаний из списка S&P 500 и выяснили, что всего одна главная компонента объясняет 38% всей динамики рынка. Как такое возможно?

😘 Расскажем на воркшопе «Математика машинного обучения на практике» 21 апреля!

Вы будете работать с реальными данными, научитесь выявлять скрытые закономерности и применять эти инсайты в своих проектах.

Стоимость: 3990 ₽

Не беспокойтесь, если теоретическая база пока хромает — вы можете заранее посмотреть запись нашего вебинара по основам по ссылке ниже.

➡️ Забронировать место на воркшопе: https://proglib.io/w/6f0e5775

⌨️ Топ-вакансий для питонистов за неделю

Senior Python-разработчик — от 250 000 до 300 000 ₽, гибрид (Москва)

Python разработчик (Middle+/Senior) — от 3000 до 4000 $, удалённо (Бали)

Tech lead Python developer — от 400 000 до 600 000 ₽, удалённо (Бали)

Python разработчик Middle/Senior — от 200 000 до 300 000 ₽, удалённо

Python-разработчик (Junior/Middle) — от 1 500 до 3 100 $, удалённо

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

Библиотека питониста

🚩 Шпаргалка: методы словаря в Python

Подготовили для вас краткую, но ёмкую шпаргалку по основным методам работы со словарями. Систематизировано и понятно.

Библиотека питониста #буст

💪 TARIFF — величайший Python-пакет, который делает импорты «великими» снова

TARIFF — это шуточный репозиторий в духе политической сатиры, который позволяет вводить пошлины на Python-библиотеки. Несмотря на ироничную подачу, проект набирает популярность в Python-сообществе.

Установка:

pip install tariff

Использование:

import tariff

# Устанавливаем пошлины (название_пакета: процент)
tariff.set({
    "numpy": 50,     # 50% пошлина на numpy
    "pandas": 200,   # 200% на pandas
    "requests": 150  # 150% на requests
})

# Теперь при импорте эти пакеты будут замедлены!
import numpy   # +50% к времени импорта
import pandas  # +200%

➡️ Как работает:
— TARIFF измеряет время оригинального импорта
— Умножает его на тариф
— Показывает триумфальное сообщение о введённых санкциях

➡️ Ссылка на репозиторий: https://clc.to/0TnspA

Библиотека питониста #свежак

➕ От многомерности к сути: чему нас учит PCA

На собеседовании важно уметь выделить главное — свои сильные стороны, мышление и ценности. Это помогает справляться со стрессом, неожиданными вопросами и субъективной оценкой.

⏩ В машинном обучении есть похожий подход — PCA (метод главных компонент). Он сокращает размерность данных, устраняя шум и второстепенные детали, и помогает сфокусироваться на самом важном.

✅ В новой статье мы разберём:
• Как работает PCA
• Зачем он нужен
• Как применять его на практике — например, для анализа доходностей акций S&P 500

🐸 Подробнее: https://proglib.io/sh/uXsDlt75MY

Библиотека питониста

✔️ Лучшие практики импорта модулей в Python

В этом посте рассмотрим лучшие практики импорта модулей в Python, чтобы код был чистым и эффективным.

1⃣ Используйте явный импорт

Старайтесь использовать явный импорт, а не from module import *, чтобы избежать конфликтов имен и улучшить читаемость кода.

# Плохо
from math import *

# Хорошо
from math import sqrt, pi

Явный импорт помогает лучше понять, какие именно функции или классы используются в вашем коде, и предотвращает «загрязнение» пространства имен.

2⃣ Группируйте импорты правильно

Существует стандартная практика группировки импортов, которая улучшает структуру кода и делает его более читаемым:
➡️ Стандартные библиотеки
➡️ Третьи библиотеки
➡️ Локальные модули

Каждая группа должна быть разделена пустой строкой. Такой порядок помогает быстро понять, какие библиотеки используются, и позволяет легко ориентироваться в коде.

# Стандартные библиотеки
import os
import sys

# Третьи библиотеки
import requests
import numpy as np

# Локальные модули
from my_module import my_function

3⃣ Используйте абсолютные импорты

Абсолютные импорты — это указание полного пути до модуля, начиная от корня пакета. Это делает код более понятным и избегает проблем с относительными импортами, особенно в крупных проектах.

# Плохо
from .module import function

# Хорошо
from my_project.module import function

4⃣ Избегайте циклических импортов

Циклические импорты — это когда два или более модуля зависят друг от друга, что может привести к ошибкам при импорте.

Чтобы избежать таких проблем:
➡️ Разделяйте модули, чтобы минимизировать зависимость
➡️ Используйте импорты внутри функций или методов, если нужно избежать циклических зависимостей

# Плохо
# module_a.py
from module_b import function_b

# module_b.py
from module_a import function_a

# Хорошо
# module_a.py
def function_a():
    from module_b import function_b
    ...

5⃣ Соблюдайте принцип «Не импортируйте то, что не используете»

Импортируйте только те модули, функции или классы, которые действительно будут использованы в коде. Это улучшает производительность и делает код чище.

# Плохо
import math

# Хорошо
from math import sqrt

6⃣ Пользуйтесь псевдонимами для часто используемых библиотек

Если библиотека часто используется в коде, имеет смысл использовать псевдонимы, чтобы сделать код компактным.

# Хорошо
import numpy as np
import pandas as pd

# Плохо
import numpy
import pandas

7⃣ Обрабатывайте ошибки импорта

В случае, если библиотека может не быть установлена в окружении, полезно обрабатывать ошибки импорта, чтобы избежать сбоев в работе программы.

try:
    import some_library
except ImportError:
    print("Не удалось импортировать some_library. Убедитесь, что она установлена.")

Библиотека питониста #буст