📱 Python новости за последние 7 дней

Python (FastAPI) vs Go: нагрузочный тест и анализ производительности
FastAPI снова сравнили с Go — цифры, графики, честный бенчмарк.

Мало кто знает, но в Python есть switch/case
Подробный гид по match/case: не только «красивый if», но и мощный инструмент для парсинга структур данных.

Как устроено управление памятью в Python и зачем нужны слабые ссылки
Разбор GC, reference counting и weakref. После прочтения становится чуть понятнее, почему «утечки» бывают даже в языке с автоматическим управлением памятью.

5 ключевых изменений в Python 3.14 глазами инженера
Хорошее напоминание, что Python медленно, но методично взрослеет, а не просто добавляет синтаксический сахар.

Классы в Python: от основ ООП до продвинутых концепций
Большой материал для тех, кто вроде бы знает классы, но до сих пор не уверен, когда нужен __slots__, а когда — композиция вместо наследования. Полезно перечитать.

Топ-5 фишек Python, которые вы, скорее всего, упустили
Отличный способ прокачать язык без изучения очередного фреймворка.

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#свежак

🧠 Бесконечная память для Python за 3 шага

Когда Python-приложение внезапно упирается в память — обычно всё заканчивается плохо. Но есть способ этого избежать.

Как это работает:
1️⃣ Помечаете нужные классы декоратором @db0.memo — поддерживаются обычные типы, коллекции и ссылки на другие объекты.
2️⃣ Ограничиваете использование RAM через db0.set_cache_size() — лимит применяется ко всем объектам вместе.
3️⃣ Создаёте сколько угодно объектов: когда память заканчивается, они автоматически выгружаются в хранилище (диск, NAS и т.д.).

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

❓ Почему Python внезапно считает глобальную переменную локальной

Наверняка вы ловили UnboundLocalError: переменная читалась нормально, ты добавил присваивание ниже в функции — и всё сломалось.

Коротко, что происходит на самом деле 👇

🔹 Python не выполняет код построчно

Перед запуском функция компилируется. На этом этапе Python решает, какие переменные локальные, а какие глобальные.

🔹 Одно присваивание = локальная переменная

Если внутри функции есть x = ..., то x считается локальной во всей функции, даже выше по коду.

X = 10

def f():
    print(X)  # 💥 UnboundLocalError
    X = 5

Python заранее решает: X — локальная → глобальную он даже не проверяет.

🔹 Это видно в байткоде

* LOAD_GLOBAL — поиск в глобальном словаре (медленно)
* LOAD_FAST_CHECK — доступ к слоту локальной переменной (очень быстро)

Если переменная помечена как локальная, используется LOAD_FAST_CHECK.
Слот пуст → UnboundLocalError.

Почему так сделано:
🏮 Производительность — локальные переменные лежат в массиве, а не в dict
🏮 Предсказуемость (lexical scoping) — область видимости понятна по коду
🏮 Безопасность — нельзя случайно изменить глобальное состояние

Если нужна именно глобальная:

def f():
    global X
    print(X)
    X = 5

UnboundLocalError — не баг и не «Python сошёл с ума», а следствие компиляции и оптимизаций.
Если ошибка указывает на строку чтения — ищи присваивание ниже в функции.

👉 Подробный разбор с dis и байткодом — по ссылке.

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

🐸 Библиотека питониста

#развлекалово

🎁 Топ постов 2025 года в нашем канале

В этом году мы делились самыми интересными материалами про Python: от секретов dataclasses и bytecode до эффективного многопоточного Python и лайфхаков с библиотеками PyPi.

📌 В подборке:

✳️ Структуры данных: ТОП-30 вопросов и ответов для собеседований в 2025 году

✳️ 10 способов работы с большими файлами в Python, о которых ты не знал

✳️ Подборка курсов на выходные, чтобы прокачать навыки

✳️ Как написать пасьянс на Python

✳️ 10 хакерских скриптов на Python

✳️ Собираем идеальный GUI на Python: 8 библиотек 2025 года

✳️ Где «выстрелит» твой стартап: 8 площадок для запуска и продвижения IT-проекта

🎄 Спасибо, что были с нами в этом году! Пусть 2026 принесёт ещё больше знаний, открытий и вдохновения!

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

💡 Полезные Python-библиотеки, о которых многие забывают

Мы часто тратим часы на задачи, которые решаются одной библиотечной функцией. PyPi полон таких «скрытых сокровищ», но многие разработчики их игнорируют.

Вот библиотеки, которые реально экономят время:

🔛 Pyperclip – автоматизация буфера обмена. Забудьте о ручном копировании.

🔛 FireDucks – Pandas, но в 3–8 раз быстрее. Просто поменяйте импорт!

🔛 Rich – красивые терминальные таблицы, прогресс-бары, цвета.

🔛 Textual – терминальные интерфейсы, похожие на приложения.

🔛 Glom – безопасная работа с вложенными JSON.

🔛 Box – доступ к словарям через точечную нотацию.

🔛 Typer – создание CLI через type hints (без argparse).

🔛 Pipe – Unix-пайплайны в Python.

🔛 AnyIO – асинхронность без сложностей.

🔛 Zict – умное кеширование (RAM + диск).

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

✔️ mprocs: запускайте все команды проекта сразу

Если у вас в проекте несколько долгоживущих процессов — веб-сервер, очередь задач, CSS-билдер и т.д. — запускать и следить за ними в разных терминалах становится утомительно.

mprocs решает эту проблему: это лёгкий менеджер процессов для разработчиков:

1️⃣ Создаёте mprocs.yaml в корне проекта и описываете команды:

procs:
  django: uv run manage.py runserver
  tailwind: npx @tailwindcss/cli -i input.css -o output.css -w
  huey: uv run huey_consumer.py my_app.huey -k process -w 4

2️⃣ Запускаете mprocs — и все процессы стартуют одновременно.
3️⃣ Вы получаете удобный TUI, где можно наблюдать за процессами.

Можно интегрировать с just для ещё более удобного управления:

procs:
  django: just runserver
  tailwind: just watch_css
  huey: just queue

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

🔢 Числа, которые должен знать каждый разработчик

Этот материал — компактная шпаргалка с практическими performance-цифрами.

✅ Таблицы, ключевые метрики и наглядные сравнения 👉 по ссылке.

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

➕ Python 3.15 на Windows может стать быстрее на ~15%

Хорошие новости для пользователей Python на Windows x86-64:

в Python 3.15 тестируется новый интерпретатор с tail-call dispatch, который даёт в среднем 15–20% ускорения.

CPython экспериментирует с третьим типом интерпретатора:
❌ switch-case
❌ computed goto
✅ tail-calling interpreter (каждый байткод — отдельная функция с обязательным tail-call)

Благодаря новым возможностям Visual Studio 2026 (MSVC 18) компилятор теперь гарантирует tail-call оптимизацию (`[[msvc::musttail]]`).

На Windows x86-64:
♾ +15–20% в среднем по pyperformance
♾ до +40% для небольших, долгоживущих скриптов
♾ ~14% ускорение для крупных pure-Python библиотек

1️⃣ Компилятору стало проще оптимизировать код

Раньше:
♾ один огромный eval loop (~12 000 строк)
♾ компилятор отказывался делать inlining

Теперь:
♾ логика разбита на функции
♾ inlining снова работает
♾ регистры используются эффективнее

🔗 Подробная новость

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

🦆 Daffy — валидация DataFrame прямо в коде

Ошибки в данных редко падают сразу. Чаще они «всплывают» дальше по пайплайну — когда уже поздно. Daffy решает это просто: валидирует входы и выходы функций через декораторы.

Без схем, без отдельного слоя валидации, без рефакторинга.

Пример:

from daffy import df_in, df_out

@df_in(columns=["price", "bedrooms", "location"])
@df_out(columns=["price_per_room", "price_category"])
def analyze_housing(houses_df):
    return analyzed_df

👉 Daffy падает сразу — на границе функции, с понятной ошибкой.

Установка:

pip install daffy

Работает с уже установленной DataFrame-библиотекой.
Поддержка Python 3.10–3.14.

Daffy — decorator-first подход:
✓ добавляется за 30 секунд
✓ не меняет архитектуру
✓ не требует инфраструктуры
✓ легко удалить, если не зашло

Идеален для функций, трансформаций и ML/ETL пайплайнов.

🔗 Ссылка на проект

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

🔐 Безопасность supply chain: как защитить зависимости в проектах

Сегодня pip install может означать установку бэкдора, даже если пакет выглядит легитимным.

За последний год:
➕ вредоносные обновления популярных библиотек
➕ typosquatting-пакеты с удалённым управлением
➕ фишинг аккаунтов мейнтейнеров и заражённые релизы

pip-audit — официальный инструмент PyPA для проверки зависимостей на известные уязвимости.

Что он делает:
— сканирует виртуальное окружение или requirements
— сверяется с официальной базой уязвимостей
— падает сразу, если найден риск

✔️ Лучший практический паттерн

Не только CI — запускать аудит прямо в unit-тестах.

Идея простая:
1. Добавить pip-audit в dev-зависимости
2. Написать тест, который:
— запускает pip-audit
— фейлит билд при проблемах

В итоге проверка выполняется:
— локально у разработчиков
— в CI
— в git hooks

➡️ Подробная статья по безопасным пакетам

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

это было так давно... 😁

🐸 Библиотека питониста

#развлекалово

🐳 Как выбрать Docker-образ для Python data-задач

Для сравнения были взяты три популярных Docker-образа для Python batch-нагрузок в финансах:
➡️ python:3.14-slim
➡️ intel/python
➡️ anaconda3

В большинстве реальных workloads разница в производительности не превышает 10%, поэтому лучший дефолт — python:3.14-slim (~150 MB).

Исключение — тяжёлая линейная алгебра:
🟡 на Intel CPU образы с MKL могут дать 1.1×–2× ускорение
🟡 на AMD CPU MKL часто работает хуже OpenBLAS

Быстрое правило:
➡️ AMD → всегда python:3.14-slim
➡️ Intel → MKL только если у вас реально BLAS-heavy код
➡️ Всё остальное → python:3.14-slim

👉 Почему так происходит — подробно разобрано в статье.

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

🔥 Top Python Libraries of 2025 — кратко и по делу

2025-й стал годом LLM и агентов, но Python — это гораздо больше.

В новом обзоре собрали библиотеки, которые реально повлияли на то, как мы пишем, деплоим и масштабируем системы сегодня.

➡️ Общего назначения

✳️ ty — сверхбыстрый type checker нового поколения
✳️ complexipy — измеряет сложность кода так, как её чувствует человек
✳️ Kreuzberg — извлечение данных из 50+ форматов
✳️ hrottled-py — rate limiting с 5 алгоритмами
✳️ httptap — HTTP waterfall прямо в терминале
✳️ fastapi-guard — безопасность FastAPI без боли
✳️ modshim — расширяй модули без monkey-patching
✳️ Spec Kit — спецификации → рабочий код
✳️ Skylos — dead code + уязвимости
✳️ FastOpenAPI — OpenAPI для любого фреймворка

➡️ AI / ML / Data

✳️ MCP Python SDK + FastMCP — стандарт интеграции LLM с инструментами
✳️ TOON — JSON, оптимизированный под токены
✳️ Deep Agents — агенты с планированием и памятью
✳️ smolagents — агенты, которые думают кодом
✳️ LlamaIndex Workflows — event-driven AI workflows
✳️ Batchata — дешёвые batch-запросы к LLM
✳️ MarkItDown — любые файлы → Markdown
✳️ Data Formulator — анализ данных через natural language
✳️ LangExtract — точное извлечение сущностей из текста
✳️ GeoAI — ML + геоданные без боли

👉 Детально, с примерами и разбором — в полной статье

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

➡️ Static Protocols в Python: поведение важнее наследования

Static Protocols — это способ описывать типы через поведение, а не через иерархию классов.

Вместо проверки isinstance или наследования от абстрактных базовых классов, мы говорим: если объект умеет делать нужное — он подходит.

➡️ Это особенно полезно в реальных проектах, где наследование быстро приводит к жёсткой связанности и сложным деревьям классов. Протоколы позволяют писать код, который остаётся гибким и при этом безопасным: статические анализаторы вроде mypy, pyright или ty проверяют совместимость ещё до запуска программы.

➡️ В отличие от обычного duck typing, static protocols работают на этапе разработки. IDE подсказывает ошибки в сигнатурах методов, автодополнение становится точнее, а несовместимые объекты отсекаются заранее. При этом код остаётся простым и не требует изменений существующих классов.

➡️ На практике это отлично ложится на ML-пайплайны, API и плагины. Например, разные модели могут реализовывать одно и то же поведение (`predict`, `predict_top_k`) без общего базового класса. Один разработчик пишет функциональный код, другой — объектно-ориентированный, а всё продолжает работать вместе.

➡️ Важно помнить, что static protocols не проверяются на runtime, если специально не включать @runtime_checkable. Их задача — помочь проектировать систему и ловить ошибки раньше, а не валидировать данные в продакшене.

👉 Подробно, с примерами и нюансами — в статье

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

⚡ Как менялась производительность Python с 3.6 по 3.14

Автор протестировал реальную продакшен-нагрузку на собственной библиотеке и сравнил:
✔️ версии Python 3.6 → 3.14
✔️ разные CPU: Apple M1, Apple M5, Ryzen, Xeon
✔️ CPython, JIT, PyPy и MyPyC

📈 Главные выводы

▶️ Самый большой прирост — между Python 3.7 и 3.11
После 3.11 ускорения почти нет

▶️ CPU всё ещё решает
M5 ≈ в 2 раза быстрее, чем M1 на той же версии Python

▶️ PyPy — безусловный лидер
Ускорение в 2–3 раза по сравнению с CPython

▶️ MyPyC даёт серьёзный буст
Компиляция в C заметно ускоряет CPU-bound код

▶️ JIT в 3.13–3.14 — аккуратный, но не революционный
Небольшие улучшения, без вау-эффекта

Основные тормоза:
▶️ огромное количество мелких функций
▶️ split / serialize / deserialize
▶️ накладные расходы вызовов и атрибутов

📕 Отличный материал для тех, кто оптимизирует не бенчмарки, а реальные системы.

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

🐍 Python typing в 2025 — уже не эксперимент, а норма

Вышли результаты Typed Python Survey 2025. Опросили 1 241 разработчика, и вывод довольно очевидный: типы в Python прижились — нравится это кому-то или нет.

👉 Что по цифрам

— 86% используют type hints регулярно
— Причём почти независимо от опыта
— Самые активные — разработчики с 5–10 годами Python

Интересно, что у самых сеньоров (10+ лет) типы используют чуть реже — видимо, сказывается legacy и привычка писать «по-старому».

👉 Почему typing зашёл

Разработчики любят его не за «строгую типизацию», а за практичные вещи:
— код становится понятнее без комментариев
— IDE начинает реально помогать, а не мешать
— меньше сюрпризов при рефакторинге
— можно внедрять постепенно, без переписывания проекта

Многие отдельно отмечают Protocol, generics и то, как типы работают с FastAPI / Pydantic.

👉 Но проблем хватает

И тут всё довольно ожидаемо:
— типы в сторонних библиотеках часто сломаны или отсутствуют
— generics, TypeVar, декораторы — боль и тьма
— mypy, pyright и компания ведут себя по-разному
— иногда typing делает код слишком многословным
— legacy и динамический Python типизировать всё ещё тяжело

👉 Чего хотят разработчики

Много запросов «смотреть в сторону TypeScript»:
— intersection types (`&`)
— Pick, Omit, conditional types
— нормальные enum / ADT (`Result`, `Option`)
— опциональные runtime-проверки типов
— один быстрый и официальный type checker

👉 Инструменты

— Mypy всё ещё №1, но его доля падает
— активно растут новые Rust-чекеры
— VS Code лидирует, затем PyCharm
— и да, LLM уже часть процесса: люди реально просят ChatGPT объяснить typing

🖥 Ссылка на опрос

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст