🔍 Булевый поиск: как находить «спрятанные» вакансии в LinkedIn, GitHub и Google

Как искать вакансии, которые не видно через стандартные фильтры?

В этой статье — практическое руководство по булевому поиску:
🔎 На LinkedIn и hh. ru — чтобы обойти ограниченные фильтры и находить реальные позиции по нужным критериям.
🔎 На GitHub — где рекрутеры и компании публикуют вакансии прямо в репозиториях и issues.
🔎 Через Google — чтобы находить карьерные страницы компаний, которые не индексируются обычным поиском.

🔗 Статья

🐸 Библиотека питониста

#буст

Проект, доставшийся тебе от уволившегося коллеги 😁

🐸 Библиотека питониста

#развлекалово

🧩 Понимать алгоритмы стало проще с memory_graph

Алгоритмы часто кажутся сложными студентам, особенно на первых шагах изучения.

С библиотекой memory_graph каждый этап выполнения кода становится наглядным — визуализация показывает, как изменяется память и данные во время работы программы.

Это помогает:
— интуитивно понять, как работает алгоритм,
— быстрее находить и исправлять ошибки,
— глубже освоить основы программирования и структур данных.

📊 На примере — визуализация Insertion Sort шаг за шагом.

➡️ Ссылка на пример

🐸 Библиотека питониста

#буст

📌 Python Hack: ускоряйте проверки принадлежности с помощью set вместо list

Когда нужно быстро проверить, содержится ли элемент в коллекции, многие по привычке используют список. Но это дорого по времени:
Проверка x in some_list проходит по всем элементам — сложность O(n).

Сравним:
— List — поиск по элементам, медленно на больших данных
— Set — хеш-таблица, поиск в среднем O(1)

Пример с миллионом элементов:

big_list = list(range(1000000))
big_set = set(big_list)
start = time.time()
print(999999 in big_list)
print(f"List lookup: {time.time() - start:.6f}s")

start = time.time()
print(999999 in big_set)
print(f"Set lookup: {time.time() - start:.6f}s")

Вывод:
List lookup: ~0.015000s
Set lookup: ~0.000020s

Разница — в сотни раз быстрее.

Где особенно полезно использовать set:
— удаление дубликатов,
— валидация входных данных,
— быстрый поиск «есть/нет»,
— пересечение/объединение коллекций,
— сравнение больших списков.

✅ Просто заменив list на set в местах, где важна скорость проверки, можно получить мощный прирост производительности без изменения логики.

🐸 Библиотека питониста

#буст

Знатоки, вопрос 😁

🐸 Библиотека питониста

#развлекалово

📱 Python новости за последние 7 дней

🖥 Разработка, инструменты и архитектура
— Как перестать бояться GUI-тестов — разбор подходов, инструментов и практик, которые делают GUI-тестирование удобным и надёжным.
— Создаем свой «Photoshop» на Python — пишем полноценный десктопный редактор изображений на Flet + Pillow.
— Как мы перестали использовать Python в production LLM-системах — почему большая часть пайплайна уехала на Rust/Go.
— Продвинутый логинг с Loguru — красивый, структурированный логинг с минимумом кода.

🧠 Глубже в Python: внутренности и трюки
— Магия Python: почему list — объяснение внутреннего устройства list, dict, хеширования и времени доступа.
— () или []: что выбрать — разбор тонкостей.
— Pendulum против datetime — новый взгляд на работу с датами: удобнее, чище API, меньше боли.
— Практичные Python-привычки, которые реально улучшают код —от обработки ошибок до структуры функций — must-have для джунов и мидлов.

🐸 Библиотека питониста

#свежак

🐸 Библиотека задач по Data Science

🐍

🐸 Библиотека питониста

#развлекалово

⚡️ 10 умных хаков для более быстрого Python-кода

Python — простой, читаемый и универсальный язык. Но когда речь идёт о больших данных, ML-моделях или высоконагруженных системах, даже красивый код может начать тормозить.

В статье разберём:
✔️ как использовать встроенные функции и структуры данных для максимальной скорости
✔️ какие low-level техники дают мгновенный буст
✔️ где чаще всего возникают узкие места и как их устранить
✔️ реальные бенчмарки, показывающие прирост производительности
✔️ приёмы, которые превращают «просто Python» в высокопроизводительный Python

➡️ Ссылка на статью

🐸 Библиотека питониста

#буст

🛡 Python Code Audit — безопасность вашего кода под контролем

Python Code Audit — локальный, open-source SAST-инструмент, который делает проверку безопасности доступной для всех. Найдите уязвимости до того, как это сделают злоумышленники.

Что нужно для старта:

pip install -U codeaudit

Всё готово к использованию — никаких лишних настроек.

Почему Python Code Audit:
🈁 Мгновенный анализ — без сложной настройки
🈁 Проверка безопасности Python-кода по лучшим практикам OWASP и MITRE CWE
🈁 Генерация HTML-отчётов, удобных для просмотра в браузере
🈁 Выявление уязвимостей в импортированных модулях
🈁 Минимизация ложных срабатываний
🈁 Лёгкая интеграция в CI/CD процессы
🈁 Настраиваемые дашборды и отчёты через API

Особенности:
✅ Быстрая и точная статическая проверка безопасности
✅ Подсчёт цикломатической сложности файлов и пакетов
✅ 100% Open Source (GPLv3) — прозрачность и независимость от вендоров

🔗 Подробнее

🐸 Библиотека питониста

#буст

🔥 Выучи математику за 60 дней!

Чем важна математика расскажет Мария Тихонова - кандидат компьютерных наук, руководитель исследовательского направления SberAI, доцент факультета компьютерных наук и преподаватель НИУ ВШЭ на курсе «Математика для Data Science» от Proglib Academy.

👀 Мария - человек, который реально работает с LLM и делает так, чтобы модели понимали человеческую речь, а не делали вид.

Что еще внутри курса:

- живые вебинары, на которых можно задать вопросы спикерам
- доступ к материалам в записи, если не успели на лекцию и чат
- 3 задания с практикой на Python и финальный проект с подробной обратной связью от экспертов курса
- актуальные знания: программа разработана в ноябре 2025г.
- программа без воды - 2 месяца только самого нужного для старта
- для старта нужны всего лишь знания школьной математики и основы Python
- скидка 40% до 30 ноября
- если оплатить до конца ноября, получите курс «Базовая математика» в подарок

👇👇👇
Записаться на курс

🔥 Почему стоит написать собственного AI-агента

Наткнулись на классную статью — и обязаны поделиться.

Автор объясняет простую вещь: есть технологии, которые понятны в теории…
и есть такие, которые понимаешь только когда попробуешь.

AI-агенты — из второй категории.

И главное открытие автора:
👉 написать агента удивительно легко
👉 и это полностью меняет понимание возможностей LLM

🔗 Статья — must read

🐸 Библиотека питониста

#буст

🔛 Как Python хранит атрибуты класса и зачем нужны `__slots__`

По умолчанию каждый объект в Python хранит свои атрибуты в словаре __dict__.
Это удобно — но не всегда эффективно.

p = Point(1, 2, 3)
p.__dict__
# {'x': 1, 'y': 2, 'z': 3}

Любой новый атрибут добавляется прямо в этот словарь:

p.w = 4

Но что если вам нужно экономить память или ускорить доступ к атрибутам?

🌠 Используем __slots__

Добавим в класс:

class Point:
    __slots__ = ('x', 'y', 'z')

Теперь:
✔️ можно создавать только перечисленные атрибуты
❌ нельзя добавлять новые (p.w = 4 → AttributeError)
❌ у объекта нет __dict__
✔️ память тратится значительно меньше
✔️ доступ к атрибутам быстрее

Используйте __slots__, если:
• создаёте тысячи или миллионы объектов
• у вас tight loops с частыми обращениями к атрибутам
• важно уменьшить память (например, при обработке больших файлов)

Во всех остальных случаях проще оставить обычный __dict__.