📅 Предложение по годовому циклу релизов Django

Django в этом году отметил 20-летие. За это время текущий график релизов доказал свою эффективность, но возникают вопросы:

☹️ Номера версий мало что говорят. Видя Django 2.2, сложно понять, когда он вышел и насколько устарел.
☹️ Версии выглядят как семантические (x.0), но на деле не содержат серьёзных изменений. Например, Django 6.0 почти не отличается от 5.2 LTS.

Проблемы текущего цикла:
— Поддержка старых LTS-версий затрудняет обновления Python и создаёт нагрузку на CI.
— Разработчикам сторонних пакетов приходится поддерживать старые версии дольше, чем хотелось бы.
— Большая часть пользователей долго остаётся на неподдерживаемых версиях.

Решение — годовой цикл релизов:
✔️ Один крупный релиз Django в год, вместо одного каждые 8 месяцев.
✔️ Использование календарного версионирования: первая цифра — год, вторая — номер релиза.
✔️ Пример: Django 2028.1 — первый релиз серии, 2028.2 — следующий.
✔️ Каждый релиз получает 1 год исправлений багов и 2 года безопасности, то есть каждая версия будет фактически LTS.
✔️ Поддержка только актуальных версий Python (или плюс последняя «жёлтая»), что снижает нагрузку на CI и синхронизирует EOL Django с EOL Python.

Преимущества:
— Прозрачный и предсказуемый график релизов.
— Облегчённое обновление для компаний и пользователей.
— Каждая версия получает долгосрочную поддержку и безопасность.
— Возможность смелых изменений API без потери стабильности, особенно с инструментом django-upgrade для автоматических обновлений кода.

📌 Итог:
Предлагается внедрить годовой цикл релизов начиная с Django 7.0, с предсказуемой поддержкой Python и LTS для каждого релиза. Это улучшит обновляемость, снизит нагрузку на разработчиков и повысит долю пользователей на поддерживаемых версиях.

Что думаете?

🐸 Библиотека питониста

#буст

🧠 10 ключевых структур данных, которые мы используем каждый день

— List — лента в Twitter
— Stack — undo/redo в текстовом редакторе
— Queue — очередь печати или событий в игре
— Hash table — кэширование данных
— Array — численные операции и линейная алгебра
— Heap — планирование задач
— Tree — структура HTML-документа или AI-решения
— Suffix tree — поиск подстрок в тексте
— Graph — социальные связи и поиск пути
— R-tree — поиск ближайших соседей
— Vertex buffer — передача данных на GPU для рендеринга

💡 Какие ещё важные структуры данных стоит добавить в этот список?

🐸 Библиотека питониста

#буст

🧠 Создаём граф знаний из документов с LLM

CocoIndex — инструмент для построения и обновления графов знаний в реальном времени.
Он использует LLM для извлечения связей между концептами в документах и автоматического построения графа:

➡️ Связи между субъектами и объектами — CocoIndex supports Incremental Processing
➡️ Упоминания сущностей в тексте — core/basics.mdx mentions CocoIndex and Incremental Processing

➡️ Подходит для динамических баз знаний, документации и исследовательских проектов.

📱 GitHub
🎞 Видео-туториал
➡️ Статья

🐸 Библиотека питониста

#буст

🔍 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