💻 Как ускорить выполнение запросов к базе данных в Django

Когда Django-запросы вытягивают из базы больше данных, чем нужно, это тормозит работу приложения. Чтобы ускорить выполнение и уменьшить нагрузку, можно использовать методы:

〰️ defer() — откладывает загрузку указанных полей до их фактического использования
〰️ only() — загружает только указанные поля, остальные — по запросу
〰️ exclude() — фильтрует объекты, исключая ненужные

В статье — практические примеры на базе веб-приложения для агентства недвижимости: как применять эти методы, чтобы получать только нужные данные и ускорять запросы.

🔗 Подробнее в статье

Proglib Academy #буст

Хотели бы себе такие очки?

🌚 — если недорого, то будет годно

Proglib Academy #развлекалово

Что выведет код?

👍 — Moscow
👾 — 12
🌚 — Saint Petersburg
😄 — 5
⚡️ — Nizhny Novgorod

Proglib Academy #междусобойчик

🔥 RFID в непростых условиях: как НЛМК отслеживает ковши с расплавленным чугуном

В металлургии счет идет на секунды: чугун остывает, оборудование простаивает, деньги улетают. Раньше НЛМК отслеживал ковши «по старинке» — звонками и рациями.

Теперь каждый ковш «умный»: система знает, где он находится, какая у него температура и куда движется. Спойлер: экономия огромная.

🦾 Иван Клестов-Надеев, главный специалист по цифровизации коксохимического, доменного и энергетического производства НЛМК, делится опытом реализации этой системы совместно со специалистами НЛМК ИТ

Proglib Academy #буст

🤓 Промпт, который сделает обучение Python проще

Учить сложные темы бывает непросто, но что, если можно разбить их на простые и понятные части? Делимся мощным промптом для ChatGPT, который поможет разобраться в любом сложном аспекте Python — от асинхронности до метапрограммирования.

⭐ Промпт:

  
I need help breaking down [конкретная тема] into smaller, simpler parts that are easier to understand.  
Identify the most important 20% of learnings that will help me understand 80% of the subject.  
Use analogies and real-life examples to explain each concept in a relatable way.  
The explanation should focus on making the topic clear and engaging while connecting it to everyday experiences or situations.  
Additionally, suggest tips or questions I can use to check my understanding of the material.  

⭐ Как это работает:
— Разбивает сложную тему на ключевые 20% знаний, которые дадут 80% понимания
— Приводит аналоги и примеры из жизни (например, асинхронность как готовка в ресторане)
— Помогает проверить себя, предлагая вопросы для самопроверки

⭐ Примеры использования:
— Разобраться в asyncio через повседневные сценарии
— Понять работу metaclass с аналогиями из конструкторов LEGO
— Прояснить decorators, представив их как модульные дополнения в кафе

Proglib Academy #буст

😎 ИИ теперь кодит за тебя. А ты просто описываешь, что хочешь.

Сбер на GigaConf показал GigaStudio — штуку, которая сама делает веб-приложения из текстового описания. Просто пишешь в чат: «хочу сайт с формой регистрации» — и получаешь готовый проект. Да, прям так.

Работает на GitVerse — это не игрушка, а серьёзная платформа для разработчиков: CI/CD, приватные репы, Jupyter, API, всё на месте.

➡️ Инструмент для тех, кто хочет:
— быстро делать MVP и прототипы
— вкатиться в ИТ без кучи хардскиллов
— или просто не тратить вечность на шаблонную верстку

А ещё добавили сборки в облаке, поддержку Data Science и API для автоматизации.

👉 Подробности тут — реально мощная тема

Proglib Academy #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%

➡️ Зачем это тебе, если ты ищешь первую работу в ИТ

1. Это оригинальный проект для портфолио — работодатели обожают необычные штуки, которые показывают креатив и кодинг-скилл.

2. GitHub, repo, setup.py, pip — всё как у взрослых.

3. TARIFF уже обсуждают в Python-сообществе. А ты можешь форкнуть, доработать и показать на собесе.

Proglib Academy #оффер_мечты

☕️ Разборе последней задачи с междусобойчика

👉 Разбор:

Функция max() по умолчанию применяется к ключам словаря — т.е. к строкам 'Moscow', 'Saint Petersburg', 'Nizhny Novgorod'.

Сравнение идёт по лексикографическому порядку (по алфавиту, как строки). Так что max(population) вернёт 'Saint Petersburg', потому что:

'Moscow' < 'Nizhny Novgorod' < 'Saint Petersburg'

✅ Правильный ответ: 🌚 — Saint Petersburg

Proglib Academy #междусобойчик

🧠 От конкурентного программирования к производству

Есть проекты, где смена всего одного неудачного алгоритма в корне меняет картину. Внезапно запросы начинают выполняться за миллисекунды, а пользователи перестают жаловаться на «тормоза». Обычно такие решения находят программисты, которые участвовали в соревнованиях по спортивному программированию.

➡️ Сегодня рассказываем, почему их мышление помогает в реальной работе.

Proglib Academy #буст

📌 How to: заменить break в Python-циклах на элегантные альтернативы

В Python break в циклах for прерывает итерацию, но часто есть более читаемые и лаконичные способы. Разберём типичные случаи и их альтернативы.

1️⃣ Проверка наличия элемента

Классика с break:

color_options = ["blue", "green", "purple"]
is_purple_an_option = False
for color in color_options:
    if color == "purple":
        is_purple_an_option = True
        break

Альтернатива — оператор in:

is_purple_an_option = "purple" in color_options

in работает со всеми итерируемыми объектами, а для set и dict ещё и быстрее, чем цикл.

2️⃣ Проверка условия для элементов

Пример с break:

points_per_user = [3, 12, 28, 105]
anyone_has_100 = False
for points in points_per_user:
    if points > 100:
        anyone_has_100 = True
        break

Альтернатива — any:

anyone_has_100 = any(points > 100 for points in points_per_user)

any (или all для "все элементы") делает код выразительнее.

3️⃣ Поиск первого подходящего значения

С break:

words = ["Look", "at", "these", "excellent", "words"]
first_long_word = None
for word in words:
    if len(word) > 4:
        first_long_word = word
        break

Альтернатива — next с генератором:

long_words = (word for word in words if len(word) > 4)
first_long_word = next(long_words, None)

next берёт первый элемент из генератора, а None — значение по умолчанию, если ничего не найдено.

4️⃣ Сбор элементов до условия

С break:

items = ["chair", "desk", "", "lamp"]
before_blank = []
for item in items:
    if not item:
        break
    before_blank.append(item)

Альтернатива — itertools.takewhile:

from itertools import takewhile
before_blank = list(takewhile(bool, items))

takewhile собирает элементы, пока условие истинно, и возвращает итератор.

📍 Итог

break полезен, но часто его можно заменить:
— in — для проверки наличия
— any/all — для условий
— next — для поиска первого значения
— takewhile — для сбора до условия

⤵️ А как вы обходитесь без break?

Proglib Academy #буст

🔹 How to: как работают генераторы в Python

Генераторы — мощный инструмент для итераций, особенно при работе с большими данными. В отличие от обычных функций, они вычисляют значения лениво, выдавая их по запросу и экономя память. Это делает код более эффективным и удобным для повторного использования.

➡️ Принцип работы
Вместо возврата всех значений сразу, генератор использует yield, который приостанавливает выполнение функции, сохраняя её состояние:

def simple_generator():
    print("Первый yield")
    yield 1
    print("Второй yield")
    yield 2

gen = simple_generator()
print(next(gen))  # Первый yield → 1
print(next(gen))  # Второй yield → 2

При вызове next() выполнение продолжается с места, где остановилось. Это позволяет работать с последовательностями, не загружая их полностью в память.

➡️ Пример: Фибоначчи на генераторах

def fibonacci_generator(limit):
    a, b = 0, 1
    while a < limit:
        yield a
        a, b = b, a + b

Такой генератор можно использовать для обработки больших последовательностей без лишних затрат памяти.

➡️ Генераторы vs. списки
Генераторы экономят память, так как не хранят все элементы в памяти:

import sys

def list_numbers(n):
    return [i for i in range(n)]

def generator_numbers(n):
    return (i for i in range(n))

print(sys.getsizeof(list_numbers(1000000)))  # 8448728 байт
print(sys.getsizeof(generator_numbers(1000000)))  # 208 байт

Разница очевидна: генератор занимает всего 208 байт, тогда как список — 8+ мегабайт!

➡️ Генераторные выражения
Аналогично списковым включениям, но работают лениво:

squares_list = [x * x for x in range(10)]  # Обычный список
squares_gen = (x * x for x in range(10))  # Генератор

➡️ Комбинирование генераторов
С помощью itertools генераторы можно объединять и фильтровать:

from itertools import chain, filterfalse

result = chain((x * x for x in range(10)), (y + 10 for y in range(5)))
odd_squares = filterfalse(lambda x: x % 2 == 0, (x * x for x in range(10)))

➡️ Когда использовать генераторы
— Обработка больших данных без перегрузки памяти
— Потоковая обработка (например, чтение файлов)
— Создание бесконечных последовательностей
— Оптимизация скорости и эффективности кода

Proglib Academy #буст