🔥 metap — новый слой для метапрограммирования в Python

Вышел metap, простой и мощный инструмент для метапрограммирования, давно востребованный Python-разработчиками.

Что умеет metap:
✅ Автоматизация повторяющихся шаблонов кода
✅ Генерация функций и структур «на лету»
✅ Глубокая инспекция и модификация объектов программы

С помощью metap можно писать меньше повторяющегося кода и больше сосредотачиваться на логике.

👉 Полное руководство, примеры и документация уже доступны: https://clc.to/ZOYW7g

🐸 Библиотека питониста

#буст

😆

🐸 Библиотека питониста

#развлекалово

📱 Новости и релизы Python‑пакетов за последние 7 дней

🔥 Важные обновления популярных пакетов
— modin 0.35.0 — drop-in замена для Pandas, ускоряет обработку данных без изменения кода.
— django-allauth 65.11.0 — свежий релиз библиотеки для авторизации и социальных логинов.
— semgrep 1.132.0 — статический анализатор кода с фокусом на безопасность.
— virtualenv 20.34.0 — обновление инструмента для создания изолированных окружений.
— pandera 0.26.0 — удобная валидация датафреймов и таблиц.
— dvc 3.62.0 — управление данными и экспериментами в ML-проекте.

📰 Новости
— Microsoft представила собственный Python-драйвер для MS SQL — по бенчмаркам он быстрее pyodbc.
— Excel научился анализировать изображения через Python — прямо в ячейках можно вызывать Python-код и извлекать объекты с картинок.
— Minimal PDF Compress 1.6 — лёгкий GUI для Ghostscript (Windows), сжимает PDF без сторонних сервисов.
— TIOBE (август 2025): Python снова растёт, …а Perl неожиданно тоже.

✍️ Статьи недели
— От консоли к GUI: сапёр на Python.
— Как написать bzip2-архиватор на Python (разбор BWT).
— Асинхронные тесты для UI и API на Python: проблемы и выводы.
— Python Generators: методы send, throw, close.
— XTools-py: универсальные утилиты для разработчика.
— TY: ультра-быстрый type-checker.

🐸 Библиотека питониста

#свежак

🐸 Библиотека задач по Data Science

💼 Топ-вакансий для питонистов за неделю

Team Lead Python, удалёнка

Fullstack developer (python), удалёнка

Senior Backend developer (Python), удалёнка

Senior/Team Lead Backend Engineer, удалёнка

Разработчик Python AI — до 200 000 ₽, удалёнка

Senior Python Backend Engineer — от 5 000 до 8 000 $, удалёнка

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

🐸 Библиотека питониста

Как избавиться от deepcopy и ускорить код в несколько раз

copy.deepcopy() удобно использовать, когда нужно получить полностью независимую копию сложного объекта.

Но за удобство приходится платить: функция обходит всю структуру объекта, вызывает __deepcopy__, следит за циклическими ссылками и выделяет память под каждый элемент графа.

🤔 На практике это легко превращается в проблему. Пример из жизни — копирование состояния агента (≈1000 объектов) занимало 25% времени работы программы.

➡️ Почему deepcopy медленный
— обходит всю вложенную структуру
— вызывает Python-уровневый код (__deepcopy__)
— использует memo-словарь для учёта общих ссылок
— аллоцирует память под каждый объект

В простом бенчмарке:

shallow copy   → 1x  
deepcopy       → ~660x медленнее  
pickle / json  → ~100–500x медленнее

➡️ Как избежать deepcopy (без ломки логики)

1️⃣ Используйте shallow copy или пересоздание объекта

Если нужно изменить только один атрибут — проще создать новый экземпляр, передав поля явно, чем делать deepcopy + модификацию:

# вместо
m2 = deepcopy(m1); m2.bar = 5

# лучше
m2 = Model(bar=5, foo=m1.foo, ...)

2️⃣ Копируйте только то, что реально нужно менять

В Pydantic-AI ушли от:

messages = deepcopy(self._state.message_history)

к:

messages = list(self._state.message_history)
last = deepcopy(messages[-1])
messages[-1] = last

→ в итоге 180× быстрее

3️⃣ Не копируйте неизменяемые структуры

Строки, числа, кортежи — и так безопасны. Не создавайте дубликаты ради дубликатов.

4️⃣ Используйте copy-on-write или diff-подход

Вместо полной копии состояния — сохраните разницу (diff) или применяйте изменения лениво — только при первом реальном изменении.

5️⃣ Сериализация как альтернатива

Иногда быстрее склонировать структуру через json.dumps/loads или pickle. Но подходит только для чистых данных (без сокетов, файлов и т.п.)

6️⃣ Используйте встроенные copy-механики

— NumPy: arr.copy() — копирует чистый буфер памяти
— pandas: .copy() / .loc[:] — быстрее, чем deepcopy DataFrame

➡️ В двух словах:
— deepcopy — мощь → но крайне дорогая
— Используйте deepcopy только если реально нужен полный независимый клон
— Во всех остальных случаях: поверхностная копия + модификация → намного быстрее

🐸 Библиотека питониста

#буст

🚀 pyx — новый Python-native package registry от создателей Ruff и uv

Astral (команда, подарившая миру Ruff и uv) запускает pyx — пакетный реестр, созданный специально для Python.

Это не просто альтернатива PyPI. pyx — это ускоренный, безопасный и GPU-aware backend для uv, который:
➡️ оптимизирует установку даже тяжёлых библиотек (PyTorch, CUDA, FlashAttention и т.д.),
➡️ кеширует сборки между разработчиками (никто больше не пересобирает одно и то же на каждой машине),
➡️ защищает от внезапных падений из-за «сломавшегося» setuptools или зависимостей,
➡️ поддерживает приватные пакеты и удобную авторизацию.

💡 uv + pyx = ощущение того же wow, которое вы испытали, перейдя на uv в первый раз.

И самое интересное → это первый шаг в сторону Python-облака от Astral: единой платформы, которая будет ускорять и упрощать весь Python-пайплайн, а не только клиентские инструменты.

При этом всё, к чему вы привыкли (Ruff, uv, ty и др.) останется бесплатным и open-source.

📣 Сейчас pyx открыт только для ранних партнёров (Ramp, Intercom, fal), но можно записаться в waitlist.

🚩 Подробности

🐸 Библиотека питониста

#буст