Почему все реже встречается __init__

В питоническом комьюнити некоторые призывают отказаться от пользовательских методов __init__ в контексте dataclasses.

До Python 3.7 разработчикам приходилось вручную определять этот метод для инициализации атрибутов экземпляра класса. Например, чтобы создать объект 2DCoordinate(x=1, y=2), необходимо было явно прописать метод __init__ с параметрами x и y. Альтернативы — фабричные функции и абстрактные классы, были менее удобны и приводили к усложнению кода.

С появлением «структур данных» необходимость в ручном определении __init__ для простых структур данных отпала:

from dataclasses import dataclass

@dataclass
class Person:
    name: str
    age: int

person = Person(name="Alice", age=30)
print(person)

Это не единственное решение: Создание объектов через фабричные методы позволяет (@classmethod) отделить логику инициализации от конструкции объекта.

Вот еще пример проблемы, вызванной пользовательским методом инициализации:

class FooBarWidget(FooWidget):
    def __init__(self):
        self.publisher = zmq.Context.instance().socket(zmq.PUSH)
        self._init()

    def _init(self):
        def worker_thread_start():
            FooWidget.__init__(self)
            self.run()

        worker_thread = Thread(target=worker_thread_start, daemon=True)
        worker_thread.start()

Атрибуты, инициализируемые в FooWidget.__init__, могут быть недоступны в основном потоке до завершения инициализации в дочернем потоке, что вызывает ошибки при обращении к ним.

#основы
@zen_of_python

​​Качество кода в эпоху LLM

Один из сеньоров сказал на одной конференции:

«Если разработчик не использует LLM для автоматизации рутины, то он просто тратит ресурсы своей компании»

Вот на таком прокрустовом ложе мы с вами оказались: c LLM база мгновенно забывается, без нее — пишешь / отлаживаешь медленнее.

ИИ-ассистенты:
— генерируют код по промту;
— предлагают автодополнение на основе контекста;
— подсказывают, как улучшить код.

Но они реактивные — не анализируют весь проект автоматически. ИИ не гарантирует соответствие стандартам проекта, превращая код в кашу.

Если вы уже не готовы отказаться от копайлотов вроде ChatGPT или Cursor, с качеством кода помогут несправедливо забытые:
— линтеры (pylint, flake8);
— тайпчекеры (mypy);
— security-сканеры (bandit);
— «покрыватели тестами» (coverage, pytest-cov);
— профилировщики (cProfile).

Вышеописанные инструменты:
— формализуют согласно стандарту PEP8;
— находят ошибки, неиспользуемые импорты, — «мертвый код», несоответствия типов (mypy);
— работают без контекста задачи — поэтому «беспристрастны»;

#инструмент #основы
@zen_of_python

pipask | pip, который не пропустит зловред

Дожили: через pypi.org можно слить свои креды / логопассы и дать возможность майнить крипту мошенникам. Пока админ плачет в сторонке вас еще миновала участь установить нечто злое, попробуйте вместо привычных менеджеров зависимостей pipask: он использует метаданные, чтобы оценить вероятность угрозы и подтягивает базу osv.dev (про уязвимости).

Ждем, когда PSF сшерлочат эту фичу.

Репозиторий проекта
#инструмент
@zen_of_python

​​orbital | Обработка датасета прямо из БД

Если вам довелось готовить собственные датасеты перед загрузкой в модель и запускать пайплайны scikit-learn, то повторять такое на каждом банче из БД на SQL вы точно не захотите. Этот инструмент как раз превращает типовые операции StandardScaler, OneHotImputer, SimpleImputer и многие другие.

Проект на GitHub
#инструмент
@zen_of_python

​​pytest-testmon | Крохотная автоматизация тестов

Счастлив тот питонист, чей работодатель имеет ресурс на тестирование своего кода. Эта библиотека позволяет автоматически покрывать тестами только затронутые изменениями участки кода, снимая с вас эту нагрузку.

Проект на pypi.org
#инструмент
@zen_of_python

Расскажите про свой опыт поиска работы

Мы сейчас проводим исследование — хотим разобраться, как айтишники ищут работу: на что обращаете внимание в вакансии, что для вас точно красный флаг, а что — зеленая простыня. Мы хотим из первых уст узнать про все боли, подводные камни и нюансы рекрутинга в ИТ в 2025 году, поэтому просим вашей помощи — пройдите опрос, который займет у вас около 15 минут.

Давайте поможем компаниям и специалистам эффективнее и быстрее находить друг друга.

Вопросы подписчиков

Zen of Python поддерживает новоприбывших (и не только) в особой рубрике. Как это работает:

— Спрашивайте что угодно (в комментариях под этим постом), связанное с Python. Здесь нет плохих вопросов!
— Сообщество вас поддержит. Самые интересные вопросы мы разберём в отдельном посте.

#вопросы_новичков
@zen_of_python

Раз вам зашел питонический фон для созвонов от ChatGPT, оцените, на что способен Midjourney, если не скупиться на слова в промте:

#кек
@zen_of_python

Вашему вниманию — Змеиный культ Некрополиса, типичная IT-команда разработки

#кек
@zen_of_python

​​Между гадалками и LLM для верстки сайтов есть нечто общее: обе оперируют узким проверенным словарем на ~1000 слов, чтобы выразить свои мысли и при этом попасть в "болевые точки" клиента.

#кек
@zen_of_python

​​Кто из вас сильный? Признавайтесь, надо мебель в соседнем классе перенести.

#кек
@zen_of_python
😎 — как мощны мои лапищи
🌚 — пишу с нейрокопайлотами

​​PyXL | Python + Bare Metal

Код можно интерпретировать непосредственно на железе без виртуальной машины (VM) и JIT-компиляции. Это положительно скажется на скорости.

Среди возможностей:
— собственный процессор, исполняющий байт-код Python напрямую, минуя традиционные интерпретаторы;

— высокая скорость отклика GPIO: В тестах на плате Arty-Z7-20 с FPGA Zynq-7000 PyXL демонстрирует время отклика GPIO в 480 наносекунд, что в 30 раз быстрее, чем у MicroPython на PyBoard;

На сайт проекта
#инструмент
@zen_of_python

Коллекция питонических роадмапов

Вашему вниманию дорожные карты из Py-мира с небезызвестного сайта roadmap.sh.

По технологиям:
— Python;
— SQL;

По специальностям:
— Data Engineer (потребуется VPN);
— Data Analyst;
— Data Scientist;

И даже Prompt Engineer, если вы хотите позабавиться или ужаснуться.

#основы
@zen_of_python

django-action-triggers | Вебхуки для всего отовсюду на Django

Библиотека позволяет инициировать всевозможные события на вашем Django-сайте по триггеру — апдейту базы данных. В отличие от т.н. сигналов, могут управляться динамически, без редеплоя.

Репозиторий проекта
@zen_of_python

В чем сила аннотаций типов

Type Hints — годный инструмент, ибо помогают находить ошибки типов ещё до запуска кода, но настоящая их сила в другом. С ними вы думаете о структуре данных, делая код менее ломким. Появились в Python 3.5 в 2015 году и прижились так хорошо. что даже IDE напоминают вам о них ворнингами.

Взгляните на функцию, что вычисляет скидку для списка товаров:

def calculate_discount(items, discount):
    return [item * (1 - discount) for item in items]

Всё работает, но не совсем понятно:

— Что именно items? Список? Кортеж? Генератор?
— Какой тип у discount?
— Что возвращает функция?

Код «самопроясняется», если добавить typing.List:

from typing import List

def calculate_discount(items: List[float], discount: float) -> List[float]:
    return [item * (1 - discount) for item in items]

Мы можем пойти дальше. Зачем ограничивать функцию только List[float], если она также могла бы принять кортеж, множество или генератор?

from collections.abc import Iterable

def calculate_discount(items: Iterable[float], discount: float) -> List[float]:
    return [item * (1 - discount) for item in items]

Теперь items — любая итерируемая структура: список, кортеж, генератор. Такой подход делает функцию более универсальной.

Это и есть главное преимущество Type Hints: они заставляют задуматься — а не слишком ли жёсткие ограничения я накладываю на входные данные? А не стоит ли сделать интерфейс функции более абстрактным?

Допустим, вы проектируете класс заказа. Если сначала использовали List для хранения товаров, то подумав о типах, вы можете заменить это на Set, чтобы избежать повторений. Или вместо хранения всех элементов в памяти начать использовать генератор для ленивой загрузки данных из базы.

Аннотации типов подталкивают вас к обобщённому проектированию, где функции и классы не зависят от конкретных реализаций.

Входы — как можно шире, выходы — как можно конкретнее.

#основы
@zen_of_python

​​Tail Calls в Python: грокаем

Внезапно банк Точка пояснил за «хвостовые вызовы» — механизме из подкапотного C, который значительно ускорил Python в релизах конца 2024 года. Статья не для новичков, но если прорветесь, сможете щеголять на собеседованиях.

#основы
@zen_of_python

​​Microsoft отказалась от поддержки Faster CPython — команда проекта уволена

Вот так просто: собрал команду, распустил команду... Если ты в Microsoft, конечно. IT-гигант поставил не на ту лошадь и запланировал ускорить язык за счет его основной реализации, но PSF опередили со своими Tail Calls.

👀 — я думал(-а), питонисты неуязвимые
🎃 — ожидаемое поведение корпораций

#факт
@zen_of_python

​​Ошибки, которые можно избежать в SQL: грабли начинающего аналитика

Если вы только начинаете работать с SQL, статья поможет избежать типичных ошибок (пропуски, доступы, производительность).

Там вы узнаете, почему важно проверять данные после объединения таблиц и как избежать потери строк при использовании JOIN.

#основы #sql
@zen_of_python