👉 Мифы и сказки вокруг производительности Python

🔎 Миф 1: «Python не медленный» (а то мы не знали)

Многие считают, что Python достаточно быстр, ведь это язык-«клей», где для тяжёлых вычислений используют GPU или вызывают C/C++/Rust-библиотеки. Но на самом деле, для множества задач Python всё же медленен.

🔎 Миф 2: «Если медленно, перепиши горячие участки на C/C++/Rust»

Это действительно часто помогает — оптимизировать 20% кода, где происходит 80% работы (принцип Парето). Однако Amdahl's law говорит, что ускорение одной части программы в итоге упирается в остальной код. После ускорения «горячих» мест, всё остальное начинает доминировать по времени исполнения.

🔎 Миф 3: «Python медленный, потому что он интерпретируемый»

Интерпретация даёт некоторое замедление, но гораздо больше времени уходит на выполнение динамической семантики Python: поиск типов, вызовы методов вроде __getattribute__(), упаковку и распаковку значений, выделение памяти и т.д. Это не зависит от того, интерпретируется код или компилируется.

🔎 Статическая типизация и JIT — помогают, но не решают всё

Python набирает популярность с аннотациями типов, но статическая типизация не проверяется во время выполнения. Например:

def add(x: int, y: int) -> int:
    return x + y

print(add('hello ', 'world'))  # type: ignore

Здесь добавление строк работает, но не соответствует типам. Значит, оптимизации на основе типов невозможны в чистом Python.

JIT-компиляторы (например, в PyPy) действительно могут ускорить Python, но они усложняют предсказуемость производительности и требуют понимания, как именно JIT оптимизирует код. Иногда оптимизации «ломаются» при изменении программы, даже если код кажется простым.

🔎 Абстракции в Python — не бесплатны

Рассмотрим простой алгоритм:

def algo(points: list[tuple[float, float]]):
    res = 0
    for x, y in points:
        res += x**2 * y + 10
    return res

Если вынести вычисление в отдельную функцию:

def fn(x, y):
    return x**2 * y + 10

def algo(points: list[tuple[float, float]]):
    res = 0
    for x, y in points:
        res += fn(x, y)
    return res

То производительность падает из-за накладных расходов на вызовы функций. Если вместо кортежей использовать @dataclass:

from dataclasses import dataclass

@dataclass
class Point:
    x: float
    y: float

def fn(p: Point):
    return p.x**2 * p.y + 10

def algo(points: list[Point]):
    res = 0
    for p in points:
        res += fn(p)
    return res

Скорость падает ещё больше, потому что добавляется обращение к атрибутам объектов и накладные расходы, связанные с объектной моделью.

🔎 Кэш и память — главный узкий профиль

Основная проблема Python — не вычисления, а память. Современные процессоры быстро выполняют операции, но доступ к памяти (особенно к ОЗУ) намного медленнее.

Python-программы часто имеют плохую кэш-локалити из-за разброса объектов в памяти:

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age

p = [Person('Alice', 16), Person('Bob', 21)]

В памяти объекты Person и их атрибуты могут быть разбросаны, что приводит к множеству переходов по указателям и к частым кеш-промахам.

Это проблема, которую невозможно решить только компиляцией или JIT, не изменяя семантику языка.

🔗 Если интересно, почему Python медленный, посмотрите подробный доклад: https://clc.to/YWmMIA

Библиотека питониста #буст

📱 Свежие релизы Python‑пакетов за последние 7 дней

👍 Важные обновления популярных библиотек
— pydantic-ai / pydantic-ai-slim / pydantic-evals / pydantic-graph 0.6.0 — развитие AI-интеграций на базе Pydantic.
— torch 2.8.0, torchvision 0.23.0, torchaudio 2.8.0 — крупное обновление PyTorch-стека.
— sagemaker 2.250.0 — новая версия фреймворка для ML на AWS.
— memray 1.18.0 — профайлер памяти для Python.
— locust 2.38.0 — нагрузочное тестирование.
— redis 6.3.0 — Python-клиент Redis.
— openai 1.99.0 — доступ к API OpenAI, включая GPT-5.
— hypothesis 6.137.0 — property-based тестирование.
— accelerate 1.10.0 — ускорение обучения моделей.
— sentence-transformers 5.1.0 — эмбеддинги и семантический поиск.
— deepdiff 8.6.0 — сравнение сложных Python-структур.


🔥 Опыт других
— Python: генераторные функции
— Как я заменил кучу флагов двумя словарями в Python
— 15 типичных ошибок начинающих автоматизаторов (и как их избежать)

Библиотека питониста #свежак

💼 Топ-вакансий для питонистов за неделю

Backend Python/Django —‍ от 3000 до 6000 $, удалёнка

Python Developer —‍ до 170 000 ₽, удалёнка

Odoo/Python разработчик —‍ до 200 000 ₽, удалёнка

Архитектор в AI проектах, удалёнка

Backend Lead (Python/Go), удалёнка

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

🐸 Библиотека питониста

🔎 Текстовая схожесть: от regex до нейросетей

В реальном мире строки редко совпадают «под копирку».
Например:

"aPpLe iPhone® 14 Pro Max"
"iphone 14 pro max"

Вопрос — чем сравнивать? Ответ зависит от того, что именно вы хотите поймать.

1️⃣ Regex — чистим шум по шаблону

Идеален как первый шаг: убрать мусор, стандартизировать формат.

import re
def clean(t):
    t = t.lower()
    t = re.sub(r"[®™©]", "", t)
    return re.sub(r"\s+", " ", t).strip()

clean("iPhone® 14 Pro Max")
# 'iphone 14 pro max'

✅ Приводит строки к общему виду
✖️ Не знает, что «наушники» и «headphones» — это одно и то же

2️⃣ difflib — встроенный baseline

Умеет считать похожесть на уровне символов. Отлично для быстрого «на коленке».

from difflib import SequenceMatcher
SequenceMatcher(None, "iphone 14 pro max", "i phone 14 pro max").ratio()
# 0.97

✅ Ловит пробелы и опечатки
✖️ Путается, если слова меняются местами

3️⃣ RapidFuzz — быстрый и умный fuzzy

Оптимизированный под скорость и адекватнее реагирует на перестановку слов.

from rapidfuzz import fuzz
fuzz.WRatio("apple iphone 14 pro max", "iphone 14 pro max apple")
# 95

✅ Справляется с разным порядком слов и лишними словами
✖️ Для него «wireless headphones» и «bluetooth earbuds» — разные вещи

4️⃣ Sentence Transformers — смысл > буквы

Нейросети, которые понимают значение, а не только текстовый паттерн.

from sentence_transformers import SentenceTransformer
from sklearn.metrics.pairwise import cosine_similarity

m = SentenceTransformer('all-MiniLM-L6-v2')
cosine_similarity(
    [m.encode("wireless headphones")],
    [m.encode("bluetooth earbuds")]
)[0][0]
# 0.75

✅ Понимает синонимы и концептуальную близость
✖️ Требует ресурсов, особенно на больших данных

➡️ Как выбирать:
— re → всегда первым шагом
— difflib → мелкие задачи без зависимостей
— RapidFuzz → продакшн, большие объёмы, сложные текстовые вариации
— Sentence Transformers → смысл важнее скорости, есть GPU

🐸 Библиотека питониста

#буст