😳 Грейдинг умер, ИИ захватил собесы: 5 трендов IT-найма 2025

Помнишь времена, когда можно было сменить работу и сразу получать на 50% больше?

😢 Забудь.

В 2025-м правила игры кардинально изменились — компании боятся ChatGPT на собеседованиях, а поиск работы через LinkedIn стал почти бесполезен.

Разбираем 5 трендов, которые перевернули IT-найм с ног на голову.

🔗 Ссылка на статью

🐸 Библиотека питониста

#буст

🙂

🐸 Библиотека питониста

#развлекалово

🌀 Заблуждения программистов: где логика даёт сбой

В разработке есть особый класс ошибок — falsehoods: заблуждения, в которые программисты верят, но которые на практике оказываются ложными.

Обычно это звучит логично. Например:

Email всегда содержит ровно один символ @.

И многие пишут валидацию именно так. Но на деле email может содержать несколько @. Ваш код внезапно «ломается» в реальных условиях.

Таких примеров десятки. Все эти предположения — falsehoods, которые делают софт хрупким.

📚 Существуют целые подборки таких «ложных убеждений». Они помогают расширить взгляд и писать более надёжный код, учитывающий реальные данные и сценарии.

👉 Если хотите стать сильнее как инженер — изучите список falsehoods и держите их в голове.

🐸 Библиотека питониста

#междусобойчик

📱 Новости и релизы Python‑пакетов за последние 7 дней

📢 Новости
— PyPIStats.org теперь под управлением PSF — сервис статистики PyPI официально перешёл под крыло Python Software Foundation.
— «Python: The Documentary» — свежий фильм о том, как создавался и развивался язык.

📦 Свежие релизы пакетов
— protovalidate 0.15.0 — валидация Protocol Buffers для Python.
— onnx 1.19.0 — Open Neural Network Exchange.
— cron-descriptor 2.0.x — перевод cron-выражений в человекочитаемый формат.
— rpaframework 31.0.0 — набор инструментов для RPA.
— litellm 1.76.0 — удобный доступ к API разных LLM-провайдеров.
— onnxscript 0.4.0 — написание функций и моделей ONNX на Python.

📝 Статьи и материалы
— Ожившие фото: стеганографический аудиоплеер на Python + PyQt6.
— Оптимизация Django под высокие нагрузки: кэш, SIMD и настройка GC.
— Полезные конструкции Python для работы с данными.
— Скрытая грамматика Python: почему len() — это полисемия.
— PEP 723 + uv: однофайловые скрипты с зависимостями.
— Универсальный парсинг сайтов: requests vs headless, токены, куки, прокси и ротация IP.
— Иконки прямо в коде: как мы избавились от assets при портировании приложения.

📚 Книги
— Паттерны разработки на Python: TDD, DDD и событийно-ориентированная архитектура.
— Мощный Python: паттерны и стратегии современного программирования.

🐸 Библиотека питониста

#свежак

🐸 Библиотека задач по Data Science

🐍 Рабочий лайфхак: начинаем использовать pytest с parametrize

Тестирование функций может быть утомительным и однообразным. В pytest есть супер-фича parametrize, которая позволяет запускать один тест с множеством входных данных — без дублирования кода.

Например, есть функция add_nums():

def add_nums(nums):
    return sum(nums)

Вместо того чтобы писать три почти одинаковых теста:

def test_123():
    assert add_nums([1, 2, 3]) == 6

def test_negatives():
    assert add_nums([1, 2, -3]) == 0

def test_empty():
    assert add_nums([]) == 0

Можно использовать parametrize:

import pytest

@pytest.mark.parametrize(
    "nums, expected_total",
    [
        ([1, 2, 3], 6),
        ([1, 2, -3], 0),
        ([], 0),
    ]
)
def test_add_nums(nums, expected_total):
    assert add_nums(nums) == expected_total

Как это работает:
✅ Декоратор @pytest.mark.parametrize говорит pytest, какие аргументы подставлять.
✅ Каждый набор данных из списка превращается в отдельный тест.
✅ Добавить новый случай — просто добавить ещё одну строку в список.

Результат: меньше дублирования, больше читаемости, легко расширять тесты.

🐸 Библиотека питониста

#буст

🐍 Как ускорить Python в больших проектах: lazy imports в действии

Когда весь код живёт в одном монорепозитории и модули доступны отовсюду, количество импортов быстро превращается в тысячи.

Что начинает происходить со временем:
— скрипты стартуют по 30–40 секунд
— Jupyter-ноутбуки грузятся 10–15 минут
— распределённые jobs тратят больше времени на import, чем на сами вычисления

💡 Решение → Lazy imports
Модуль не загружается при import’е, а подменяется объектом LazyImport.

Настоящий импорт происходит только тогда, когда имя реально используется в коде:

from foo import bar

# globals() now contains {"bar": LazyImport("foo", "bar")}.
# the foo module has not yet been resolved or evaluated

qux = bar()

# in the evaluation of the above statement, bar is retrieved
# from the globals() dict, causing foo to be imported and bar
# to be reassigned to foo.bar

Что это даёт:
👌 мгновенный старт CLI-утилит
👌 быстрый запуск Jupyter даже с «тяжёлыми» внутренними библиотеками
👌 распределённые задачи не тратят время на лишние зависимости

→ Это не библиотека — это патч интерпретатора (форк CPython), но эффект огромный.

🔗 Полная статья (советуем сохранить)

🐸 Библиотека питониста

#буст

Гайд: где хостить Python-приложение

Вы написали веб-приложение на Django, Flask или FastAPI, но оно так и лежит на GitHub? Без продакшена код — это просто хобби.

Вот где Python-разработчики чаще всего размещают свои проекты:
✅ Heroku — классика, простой деплой, но дорого для серьёзных нагрузок.
✅ Fly.io — современная альтернатива Heroku, хорош для быстрых запусков.
✅ AWS ECS / Fargate — контейнеры, масштабируемость, но сложнее в настройке.
✅ DigitalOcean App Platform — баланс простоты и цены.
✅ Render — минимализм и понятный UX.
✅ Vercel / Netlify — больше про фронтенд, но FastAPI можно прикрутить.

В гайде сравниваются:
— Developer Experience
— Масштабируемость
— Производительность
— Стоимость

👉 Гайд для тех, кто выбирает, где запускать своё Python-приложение в 2025.

🐸 Библиотека питониста

#буст

✍️ Михаил Шуфутинский печатает

🌀 Что такое прыжок веры и зачем он нужен

Когда мы пишем рекурсивные функции, нас учат делать «прыжок веры» — доверять, что вызов функции с меньшим аргументом сработает правильно.

👉 Вместо того чтобы держать в голове всю цепочку вызовов, мы опираемся на результат подзадачи и сосредотачиваемся только на текущем шаге.

Пример — факториал:

def factorial(n):
    if n == 0:
        return 1
    # leap of faith: верим, что factorial(n-1) работает правильно
    return n * factorial(n - 1)

print(factorial(5))  # 120

Здесь мы не проверяем вручную все вызовы factorial(n-1). Мы просто верим, что они дадут верный результат, и используем его.

Пять правил для «прыжка веры»:
1️⃣ Определите типы параметров и возвращаемого значения.
2️⃣ Сначала реализуйте базовый случай.
3️⃣ Сделайте «прыжок веры» — предположите, что рекурсивный вызов магически возвращает правильный результат, и напишите рекурсивный случай.
4️⃣ Ограничение 1: аргумент рекурсивного вызова не может быть исходным аргументом.
5️⃣ Ограничение 2: аргумент рекурсивного вызова всегда должен приближаться к базовому случаю.

Следуя этим правилам, рекурсия становится инструментом, которому можно доверять, а не головоломкой.

🔗 Полная статья о том, как писать рекурсивные функции эффективно.

🐸 Библиотека питониста

#буст