💭 Холивар: f-строки vs .format() vs %

Python предлагает сразу три способа форматирования строк — и у каждого есть свои фанаты.

Разбираемся по фактам:

🔎 f-строки (Python 3.6+):

name = "Alice"
age = 30
print(f"{name} is {age} years old.")

✅ читаемо, лаконично
✅ быстрее при выполнении
🙅‍♂️ не работает в Python < 3.6
🙅‍♂️ неудобно при кавычках внутри строк

🔎 .format():

name = "Alice"
age = 30
print("{} is {} years old.".format(name, age))

✅ кросс-версионно (Python 2.7+ и 3.x)
✅ хорош для шаблонов и повторов
🙅‍♂️ длиннее, особенно с ключами
🙅‍♂️ легко запутаться с порядком аргументов

🔎 Cтарый стиль %:

name = "Alice"
age = 30
print("%s is %d years old." % (name, age))

✅ кратко для простых случаев
✅ работает даже в старом Python
🙅‍♂️ типобезопасность на минималках
🙅‍♂️ легко сломать, особенно при refactoring’е

Выбор зависит от контекста:
🔘 f-строки — выбор для современного Python-кода
🔘 .format() — для совместимости и шаблонов
🔘 % — для ностальгирующих и логов

А вы что используете чаще всего?

❤️ f-строки — будущее уже здесь
👍 .format() / % — стабильность и привычка

P.S. Инструкция, как оставить коммент

Библиотека питониста #междусобойчик

♻️ Garbage Collector в Python — как он реально работает

Python сам управляет памятью, но делает это не одним, а двумя способами одновременно:

1⃣ Подсчёт ссылок (Reference Counting)

Каждый объект в Python хранит число ссылок на себя:

import sys

a = []
print(sys.getrefcount(a))  # покажет количество ссылок на объект

📝 Когда ссылок становится 0 — объект немедленно удаляется, и память освобождается.
✅ Быстро и просто.

❗️ Проблема: не справляется с циклическими ссылками:

a = []
a.append(a)  # теперь объект содержит ссылку на себя

2⃣ Поколенческий сборщик мусора (Generational GC)

Чтобы находить такие циклы, Python использует модуль gc. Все объекты отслеживаются по «возрасту»:
📝 Поколение 0 — новые объекты
📝 Поколение 1 — выжили после первой сборки
📝 Поколение 2 — считаются «старожилами»

Чем старше объект, тем реже его проверяют, чтобы не тратить ресурсы:

import gc

gc.collect()            # вручную запустить сборку мусора
gc.get_count()          # сколько объектов в каждом поколении
gc.get_threshold()      # когда запускать сборку

✅ Почему это важно:
📝 GC работает фоном и почти незаметно, но может вызвать лаги, если не оптимизировать.
📝 Вы можете влиять на GC: отключать, настраивать пороги, анализировать поведение.
📝 В больших проектах с долгоживущими объектами важно знать, в каком поколении что живёт.

Библиотека питониста #буст

🖥 Бэкенд для ML-проектов: от архитектуры до подводных камней

Если вы работаете с машинным обучением в реальных продуктах, то знаете:
🔹 обучить модель — это только начало
🔹 внедрить её в стабильный продакшен — совсем другая задача

В статье разбираем:
➡️ как обрабатывать фичи в реальном времени
➡️ как версионировать данные и модели
➡️ как избежать рассинхрона между тренировкой и inference
➡️ что тормозит ML-системы в бою — и как это предсказуемо

📖 Читайте статью:
«Бэкенд под ML-проекты: особенности архитектуры и типичные узкие места»
→ https://proglib.io/sh/xCfXt2pH4j

Библиотека питониста #буст

🐍 Python 3.14.0 beta 2 уже доступен

Вышла вторая бета-версия Python 3.14. Это превью-версия, предназначенная для тестирования новых фич, подготовки экосистемы и сбора обратной связи.

Основные нововведения в 3.14:
✔️ PEP 649 — отложенное выполнение type hints
✔️ PEP 750 — t-строки (template strings) — как f-строки, но для кастомной обработки
✔️ PEP 784 — модуль compression.zstd с поддержкой алгоритма Zstandard
✔️ PEP 768 — интерфейс внешней отладки без накладных расходов
✔️ PEP 765 — запрет на return/break/continue из finally
✔️ PEP 758 — except и except* можно писать без скобок
✔️ Цветной вывод в unittest, argparse, json, calendar, PyREPL
✔️ Поддержка UUID v6–v8
✔️ Встроенный HMAC с проверенной реализацией
✔️ Новый тип интерпретатора с более высокой производительностью (пока эксперимент)
✔️ Новый CLI-инструмент для анализа работающих Python-процессов
✔️ pdb теперь поддерживает подключение к удалённым процессам

⚠️ Важно: это тестовая версия, не рекомендуется для продакшена. Но если вы — мейнтейнер библиотеки или инфраструктуры, сейчас отличное время, чтобы попробовать 3.14 и сообщить об ошибках до релиз-кандидатов.

📅 Следующий релиз — 3.14.0b3, запланирован на 17 июня 2025.

Библиотека питониста #свежак

Что выведет код?

👾 — 2 7
👍 — 1 5
🥰 — 1 7
⚡️ — 2 5

Библиотека задач по Python

🖥 Топ-вакансий для питонистов за неделю

Ведущий инженер по эксплуатации баз данных (DBA), гибрид (Москва)

Team Lead (Python) команды разработки —‍ от 350 000 до 450 000 ₽, удалёнка

ML/CV backend разработчик (python) —‍ от 300 000 до 380 000 ₽, удалёнка

AI / Prompt Engineer —‍ до 200 000 ₽, удалёнка

Python-разработчик —‍ до 570 000 ₽, удалёнка

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

Библиотека питониста

🤝 Как вызвать Python из C — гайд для ресерчеров и хардкорных разработчиков

Если вы пишете код на C и Python, рано или поздно возникнет задача: как вызывать Python из C? Особенно если вы работаете с AI-исследованиями, Tensorflow, или хотите встроить скрипты в уже существующий C-проект.

Вот краткое руководство:

1⃣ Подключить Python.h:

python3-config --includes

2⃣ Включить заголовочный файл в C:

В Cmain.c:

#include <Python.h>

3⃣ Скомпилировать:

gcc Cmain.c -I/usr/include/python3.8 -lpython3.8 -o Cmain.o

4⃣ Инициализировать интерпретатор:

setenv("PYTHONPATH", "./", 1);
Py_Initialize();
// ...
Py_Finalize();

5⃣ Импортировать модуль и вызывать функцию:

PyObject *module = PyImport_ImportModule("PythonFunctions");
PyObject *func = PyObject_GetAttrString(module, "PrintList");
PyObject_CallObject(func, args);

6⃣ Аргументы (списки, числа и пр.):
Создаём через PyList_New, PyLong_FromLong, PyTuple_Pack.

7⃣ Очистка памяти:
Не забываем про Py_XDECREF(...)

▶️ Подойдёт для:
📍Встраивания ML-логики в C
📍Быстрого прототипирования
📍Работы с TensorFlow C API

▶️ Полный гайд и файлы — в детальной статье: https://clc.to/ys3cjw

Библиотека питониста #буст

🔎 Команда дня: быстрый рецепт профилирования с cProfile и pstats

🔍 Профилирование — это способ найти узкие места в производительности кода.

Вы можете точно узнать, какие функции тормозят выполнение, где тратится больше всего времени, и какие вызовы стоит оптимизировать.

Python поставляется с двумя встроенными профайлерами:
🔴 cProfile — написан на C, работает быстрее и точнее,
🔴 profile — на Python, обычно медленнее.

✔️ Обычно выбираем cProfile для измерения производительности.

Как профилировать скрипт

1️⃣ Запустите скрипт с профилированием и сохраните результат в файл:

python -m cProfile -o profile my_script.py

2️⃣ Для анализа результатов используйте модуль pstats:

python -m pstats profile <<< $'sort cumtime\nstats 1000' | less

🔴 sort cumtime — сортируем функции по кумулятивному времени (время выполнения функции плюс все вызовы внутри неё)
🔴 stats 1000 — показываем первые 1000 строк статистики
🔴 less — удобный просмотр с прокруткой (нажмите q для выхода)

Полезные опции

✔️ Профилируйте модули через -m:

python -m cProfile -o profile -m module_name [args]

✔️ Для сравнения результатов до и после оптимизации используйте разные имена файлов:

python -m cProfile -o before.profile script.py
python -m cProfile -o after.profile script.py

Можно менять сортировку по другим метрикам:
🔴 time — время выполнения только самой функции
🔴 calls — количество вызовов функции (может помочь найти «горячие» участки)

Библиотека питониста #буст