🔥 Что такое __slots__ в Python?

__slots__ — это специальный атрибут класса, который:
✅ Оптимизирует потребление памяти за счёт отказа от __dict__
✅ Ускоряет доступ к атрибутам
✅ Запрещает добавление новых атрибутов, не прописанных в __slots__

Пример без __slots__

class Point:
    def __init__(self, x: float, y: float) -> None:
        self.x = x
        self.y = y

    def __str__(self) -> str:
        #

point = Point(1.2, 3.4)

🔹 Минус: каждый объект хранит атрибуты в __dict__, что расходует память

Пример с __slots__

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

    def __init__(self, x: float, y: float) -> None:
        self.x = x
        self.y = y

    def __str__(self) -> str:
        #

point = Point(1.2, 3.4)

🔹 Плюсы:
1. Экономия памяти
2. Ускорение доступа к атрибутам

Когда __slots__ НЕ стоит использовать?
❌ Если нужно динамически добавлять атрибуты
❌ Если используется __dict__

Статья: https://clc.to/QjMXpg
Использовали __slots__ в проектах?

Библиотека питониста #буст

😶 Алгоритмы или гугл?

С одной стороны, понимание алгоритмов даёт прочную базу и уверенность в коде. С другой — реальная работа часто требует скорости, а гуглить решения уже стало навыком.

А что важнее для junior-разработчика? Делитесь своим мнением и голосуйте! 👇

❤️ — Алгоритмы, без них никуда
🔥 — Гуглить тоже надо уметь
👍 — Главное — чтобы код работал

Библиотека питониста #междусобойчик

🔥 Фишка Groovy: JavaScript-скорость в Python-средах

Каждый разработчик сталкивается с дилеммой: хочется простоты Python и производительности JavaScript на клиенте.

Groovy — транслятор Python в JavaScript, который решает эту задачу:

✅ Пишите функции на привычном Python-синтаксисе.
✅ Запускайте их с JavaScript-скоростью на клиенте.
✅ Ясные сообщения об ошибках, если код не может быть транспилирован.

Транспиляция Python-функций в JS:

from groovy import transpile

def sum_range(n: int):
    total = 0
    for i in range(n):
        total = total + i
    return total

js_code = transpile(sum_range)
print(js_code)

Выходной JavaScript-код:

function sum_range(n) {
    let total = 0;
    for (let i of Array.from({length: n}, (_, i) => i)) {
        total = (total + i);
    }
    return total;
}

Кто пользуется такими трансляторами? 🙌
Ссылка на проект: https://clc.to/9d1s3w

Библиотека питониста #буст

🚀 Мартовский релиз: Python, Pylance и Jupyter для VS Code

Вышло мощное обновление VS Code, которое сделает работу с Python еще удобнее.

Что внутри обновления:
• Улучшенная интеграция с Python shell.
• Новый параметр для автопоиска тестов по шаблону.
• Отображение значений переменных при наведении в Notebooks и Python-файлах.
• Автоматическая вставка кавычек при разбиении длинных строк.

Еще больше о релизе: https://clc.to/v0tvdg

Библиотека питониста #свежак

Типичный рабочий процесс в IT-команде.

• Джуниоры — тащат проект изо всех сил.
• Сеньор — наблюдает, готов вмешаться.
• Скрам-мастер — стратегически управляет... ложкой в йогурте.

Кто узнаёт свою команду?
👍 — один в один, по другому и быть не может.
❤️ — у нас ещё PM где-то в углу с Jira стоит.
😆 — ещё не хватало тимлида, который всё переделает.

Библиотека питониста #развлекалово

Самые догадливые, пишите ответ в комментах 👇

🔍 Update с небольшой подсказкой — это термин, относящийся к языку Python. Он может обозначать концепцию, структуру данных, технологию или инструмент, используемый в программировании.

Библиотека питониста #междусобойчик

📚Напоминаем про наш полный курс «Самоучитель по Python для начинающих»

Мы написали и собрали для вас в одну подборку все 25 глав и 230 практических заданий!

🐍 Часть 1: Особенности, сферы применения, установка, онлайн IDE
🐍 Часть 2: Все, что нужно для изучения Python с нуля – книги, сайты, каналы и курсы
🐍 Часть 3: Типы данных: преобразование и базовые операции
🐍 Часть 4: Методы работы со строками
🐍 Часть 5: Методы работы со списками и списковыми включениями
🐍 Часть 6: Методы работы со словарями и генераторами словарей
🐍 Часть 7: Методы работы с кортежами
🐍 Часть 8: Методы работы со множествами
🐍 Часть 9: Особенности цикла for
🐍 Часть 10: Условный цикл while
🐍 Часть 11: Функции с позиционными и именованными аргументами
🐍 Часть 12: Анонимные функции
🐍 Часть 13: Рекурсивные функции
🐍 Часть 14: Функции высшего порядка, замыкания и декораторы
🐍 Часть 15: Методы работы с файлами и файловой системой
🐍 Часть 16: Регулярные выражения
🐍 Часть 17: Основы скрапинга и парсинга
🐍 Часть 18: Основы ООП – инкапсуляция и наследование
🐍 Часть 19: Основы ООП – абстракция и полиморфизм
🐍 Часть 20: Графический интерфейс на Tkinter
🐍 Часть 21: Основы разработки игр на Pygame
🐍 Часть 22: Основы работы с SQLite
🐍 Часть 23: Основы веб-разработки на Flask
🐍 Часть 24: Основы работы с NumPy
🐍 Часть 25: Основы анализа данных с Pandas

🐍 Новости недели

▪️ Brushshe 1.2.0 — обновление растрового графического редактора на Python для Windows 10/11.

▪️ Мартовский релиз VS Code — обновления для Python, Pylance и Jupyter.

▪️ Критические патчи безопасности Django — исправления уязвимостей в версиях 5.1.7, 5.0.13 и 4.2.20.

▪️ My 2025 uv-based Python Project Layout — разбор оптимальной структуры FastAPI-проекта с uv.

▪️ Design of Everyday APIs — как создавать удобные и интуитивно понятные API в Python.

▪️ Flask-SQLAlchemy — введение в расширение для управления базами данных во Flask.

▪️ Pydoll — новая библиотека для автоматизации браузера Chromium без WebDriver.

▪️ Релиз Python-oracledb 3.0 — поддержка DataFrame, Oracle AQ и SPARSE векторов.

Что вам показалось самым интересным? Или, может, мы что-то упустили? Делитесь в комментариях!

Библиотека питониста #свежак

😱 Обманули с производительностью интерпретатора Python 3.14?

В прошлом месяце команда CPython представила новый интерпретатор с оптимизацией хвостовых вызовов (tail calls), который обещал улучшение производительности на 10-15%.

Однако, как выяснилось, это улучшение было связано с ошибкой в бенчмарках, вызванной регрессией в LLVM 19. При корректных настройках прирост производительности снизился до 1-5%.

Автор статьи проводил тщательные тесты и анализ, чтобы понять причины таких результатов. Несмотря на это, он всё еще считает новый интерпретатор хорошей разработкой, хотя и с меньшим улучшением производительности, чем ожидалось.

Библиотека питониста #свежак

How to: как создать самоссылочную связь через внешний ключ?

Представьте, что вы создаете систему управления сотрудниками в Django. Вам нужно хранить информацию о сотрудниках, и вдруг вы понимаете, что у них есть отношения между собой. Например, у каждого сотрудника есть свой «линейный менеджер» и могут быть «подчиненные».

👨‍💻 Решение: используйте самоссылочный внешний ключ.

Как это работает:
• Моделируем связь с «линейным менеджером» как внешний ключ, указывая на самого себя (используем self).
• Используем поле line_manager, чтобы задать связь «многие к одному» (снизу вверх).
• Обратную связь можно легко получить с помощью поля direct_reports, которое позволяет найти всех сотрудников, которых управляет данный сотрудник.

👍 Это решение идеально подходит для простых и неограниченно длинных иерархий, как, например, отношения между менеджерами и подчиненными.
👎 Самоссылочные связи могут быть проблемой, если отношения более сложные или имеют заранее заданные уровни.

Библиотека питониста #буст

📝 Структуры данных: ТОП-30 вопросов и ответов для собеседований в 2025 году

Техническое собеседование на позицию разработчика, дата-сайентиста и ML-инженера часто включает вопросы по структурам данных и связанным с ними алгоритмами.

В нашей статье мы рассмотрим базовые и продвинутые темы, разберем типичные задачи и обсудим оптимальные способы их решения.

📄 Прочитайте статью и укрепите свои знания — https://proglib.io/sh/1uYAygzIxr

Библиотека питониста

Команда дня: сравнение объектов с помощью __eq__

В Python, когда вы используете оператор == для сравнения объектов, по умолчанию проверяется, ссылаются ли объекты на один и тот же экземпляр в памяти. Однако, если вы хотите настроить, как должны сравниваться объекты вашего класса, вам нужно переопределить метод ‘__eq__’.

❌ Поведение по умолчанию:

Без переопределения ‘__eq__’, Python сравнивает объекты на основе их ссылок в памяти. То есть, два объекта будут считаться равными только в том случае, если они являются одним и тем же объектом.

Пример:

class MyClass:
    def __init__(self, value):
        self.value = value

a, b = MyClass(1), MyClass(1)
print(a == b)  # False

Здесь, несмотря на то, что у объектов a и b одинаковые значения атрибутов, они считаются неравными, так как это разные экземпляры класса.


✅ С методом ‘__eq__’ (пользовательское сравнение):

Чтобы изменить поведение сравнения объектов, вы можете переопределить метод ‘__eq__’ в вашем классе. Этот метод будет определять, что именно считать равенством для объектов вашего класса.

Пример:

class MyClass:
    def __init__(self, value):
        self.value = value
        
    def __eq__(self, other):
        if isinstance(other, MyClass):
            return self.value == other.value
        return False

a, b = MyClass(1), MyClass(1)
print(a == b)  # True

В этом примере мы определяем, что объекты считаются равными, если их атрибуты value одинаковы. Теперь вывод будет True, так как у a и b одинаковые значения.

Библиотека питониста #буст

Библиотека питониста #развлекалово

Чек-лист: 5 приемов ускорения Python

👍 JIT-компиляция с Numba:
Numba — это JIT-компилятор, который переводит код Python в быстрый машинный код. Добавив декоратор @jit, вы можете ускорить вычисления в циклах и операциях с массивами.

Пример:

from numba import jit
import numpy as np
import time

@jit(nopython=True)
def sum_squares(arr):
    total = 0
    for i in range(arr.shape[0]):
        total += arr[i] * arr[i]
    return total

data = np.arange(1000000)
start = time.time()
result = sum_squares(data)
end = time.time()
print("Numba JIT:", result, "Time:", end - start)

Результат: прирост производительности до 10-30 раз.

👍 Многозадачность:
Python ограничивает многозадачность из-за GIL, но для вычислительно сложных задач можно использовать многопроцессорность, чтобы обойти это ограничение.

Пример:

import multiprocessing as mp

def process_image(image):
    return image ** 2

if __name__ == '__main__':
    images = range(20)
    with mp.Pool(mp.cpu_count()) as pool:
        results = pool.map(process_image, images)
    print(results)

👍 Cython и PyPy:
Cython компилирует Python в C, что ускоряет выполнение кода. PyPy — это JIT-компилятор, который улучшает производительность без изменения кода.

Пример: С использованием Cython можно ускорить код, написав его в файле .pyx, а с PyPy просто сменив интерпретатор.

👍 Правильные структуры данных:
Используйте более эффективные структуры данных, такие как массивы NumPy, вместо списков Python для числовых вычислений. Это ускоряет выполнение и экономит память.

Пример:

import numpy as np
data = np.arange(1000000)
result = data * 2

Векторизация операций с NumPy может быть в 50 раз быстрее.

👍 Инструменты профилирования:
Профилирование помогает понять, какие части кода нуждаются в оптимизации. Используйте cProfile и line_profiler для анализа производительности.

Пример:

import cProfile

def heavy_computation():
    return sum([i * i for i in range(1000000)])

cProfile.run('heavy_computation()')

Это поможет найти узкие места и ускорить работу.

Библиотека питониста #буст

🔥 Делимся Python-репозиториями

Давайте обсудим самые интересные и полезные Python-репозитории!

✔️ Какие репозитории вы используете чаще всего?
✔️ Какие проекты вас впечатлили, но пока не получили широкой известности?
✔️ Какой Python-репозиторий можно поковырять для удовольствия?

Библиотека питониста #междусобойчик