Библиотека питониста | Python, Django, Flask

📅 Сегодня в 19:00 МСК — бесплатный вебинар с Марией Жаровой.

Тема: «Введение в ML: как спрогнозировать стоимость недвижимости».

🔹 Разберём задачу прогноза стоимости недвижимости.
🔹 Покажем пошагово, как собрать первую модель.
🔹 Получите готовые скрипты для старта.

Не зайдёшь — будешь ещё год делать вид, что понимаешь графики в чужих презентациях.

👉 Регистрируйтесь

🔥 Python новости: рост, кризисы и прощание с pytype

1️⃣ Свежий опрос разработчиков Python

Python Software Foundation (PSF) и JetBrains опубликовали крупнейший опрос (30k+ участников).

Главное:
— 72% используют Python в работе, популярность продолжает расти (+7% по Stack Overflow).
— Версии: 3.12 — лидер (35%), 3.13 пока только у 15%.
— Сферы: Data Science уверенно доминирует (анализ данных 48% + ML 41% + data engineering 31%).
— Фреймворки: FastAPI (38%) обогнал Django (35%) и Flask (34%).
— Инструменты: менеджер пакетов uv уже у 11% пользователей, VS Code усилил лидерство (48%), PyCharm просел (25%).
— Под угрозой поддержка инфраструктуры: PyPI, дистрибуции Python и разработка CPython.

2️⃣ Pytype уходит

Google объявил, что Python 3.12 станет последней поддерживаемой версией pytype.

Причины:
— Архитектура на байткоде мешает внедрять новые PEP’ы.
— Google переключает усилия на новые идеи и инструменты для типизации.
— Сообщество призывают использовать зрелые альтернативы (mypy, Pyright и др.).

Жаль этого добряка... Ведь Pytype прожил долгую жизнь (с 2012 года), подарил сообществу typeshed и десятилетний вклад в экосистему типизации.

🐸 Библиотека питониста

#свежак

🚀 Coffy — лёгкий local-first движок встроенной базы данных для Python

Он объединяет в себе NoSQL, SQL и Graph модели в одном интерфейсе — и всё это на чистом Python, без сервера. Отличный выбор для прототипирования, скриптов и локальных приложений.

Основные возможности:
— Локальное хранение (JSON или SQLite)
— In-memory режим (:memory: или None)
— Унифицированный интерфейс запросов
— CLI для работы прямо из терминала
— Поддержка логических и сравнительных операторов

Движки Coffy:
— coffy.graph → встроенная графовая БД (на базе NetworkX)
— coffy.nosql → документ-ориентированное хранилище с цепочными запросами
— coffy.sql → тонкая обёртка над SQLite

Установка:

pip install coffy

🔗 Документация и примеры

🐸 Библиотека питониста

#буст

🔧 Как сгенерировать QR-код с помощью Python

Все очень просто:

import qrcode

qr = qrcode.make("https://example.com")
qr.save("qr_code.png")

Такой подход удобно использовать для:
— ссылок и лендингов
— Wi-Fi-паролей
— визиток / контактных данных
— быстрых ссылок в своих приложениях

🐸 Библиотека питониста

#буст

☝️ Один мудрый тимлид дал двум своим разработчикам по «таланту» — мощной, но своенравной LLM.

Первый разработчик испугался её «галлюцинаций». Он запер модель в песочнице, не давая ей доступа к свежим данным. На вопросы модель отвечала красиво, но часто придумывала факты, то есть врала. Он просто «закопал» свой талант, боясь им пользоваться.

Второй же разработчик не побоялся. Он построил для своей LLM систему RAG — дал ей «лопату и карту», чтобы находить сокровища в базе знаний компании. Его AI-агент отвечал точно по делу, ссылаясь на реальные документы. Он заставил свой «талант» работать и приносить пользу.

Мощь LLM раскрывается не в ней самой, а в системах, которые вы строите вокруг неё.

Именно такие системы мы и будем строить на втором потоке нашего курса «AI-агенты для DS-специалистов». Мы не просто поговорим о RAG, а соберём полный пайплайн с оценкой качества, чтобы ваш агент не врал.

Представьте, что вы сможете начать изучать эту сложную и востребованную тему уже 15 сентября, а не ждать официального старта в октябре. У вас будет фора в 3 недели, чтобы спокойно разобраться в векторных базах и подходе «LLM as a Judge».

💸 Цена 49.000 ₽ действует последние 4 дня — до 24 августа.

👉 Начать строить RAG раньше других

⚡️ Jupyter Agent 2: код, графики и данные в реальном времени

Теперь агент может загружать данные, выполнять код и строить графики прямо в Jupyter быстрее, чем вы успеете прокрутить страницу!

Всё, что нужно — это написать промт.

Основные фишки:
✔️ Powered by Qwen3-Coder
✔️ Запускается на Cerebras
✔️ Исполняется в E2B
✔️ Можно загружать свои файлы

🔗 Ссылка на агента

🐸 Библиотека питониста

#буст

⚡️ Бесплатный вебинар — прогнозируем цены и не сходим с ума

21 августа в 19:00 МСК будет бесплатный вебинар с Марией Жаровой — экспертом в ML и Data Science.

Тема:

«Введение в машинное обучение: как спрогнозировать стоимость недвижимости».

Подробности рассказываю в гс выше — включай, чтобы не пропустить.

🚀 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

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

🫣 Хотите в Data Science, но боитесь высшей математики?

Хорошая новость: вам не нужно становиться математиком. Вам нужно освоить конкретные разделы, которые реально используются в работе и на собеседованиях.

Именно этому учат преподаватели ВМК МГУ на нашем курсе «Математика для Data Science».

Без лишней воды — только то, что нужно для:

✅ успешного поступления в ШАД Яндекса;
✅ прохождения собеседований уровня FAANG;
✅ глубокого понимания ML-алгоритмов.

Это самый прямой путь к математическому фундаменту, на котором строится вся карьера в Data Science.

👉 Начните строить свою карьеру уже сегодня

💼 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

🔥 Последняя неделя, чтобы забрать курс по AI-агентам по старой цене!

Пока вы тестируете Copilot, другие уже учатся строить AI-агентов, которые реально работают на бизнес. Хватит отставать!

Наш курс — это концентрат практики по LangChain и RAG. Улучшенная версия, доработанная по отзывам первого потока.

📆 Старт — 15 сентября.

💸 Цена 49 000 ₽ — только до 24 августа.

👉 Зафиксировать цену

🐸 Библиотека задач по Data Science

📱 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

😎 Вы просили — мы сделали. Самый долгожданный анонс этого лета!

Мы открываем набор на второй поток курса «AI-агенты для DS-специалистов»!

На курсе мы учим главному навыку 2025 года: не просто «болтать» с LLM, а строить из них рабочие системы с помощью Ollama, RAG, LangChain и crew.ai.

📆 Старт потока — 15 сентября.

💸 Цена 49 000 ₽ действует только в эти выходные — до 17 августа. С понедельника будет дороже.

👉 Занять место

😆

🐸 Библиотека питониста

#развлекалово

🧠 Выбор первого ML-проекта: чеклист против выгорания

Классика плохих решений в ML — выбрать слишком сложный проект: неделя ковыряния в коде, десятки крашей и никакого результата. Хотите дойти до финиша — начните с простого проекта, который реально можно довести до конца.

Мини-чеклист первого проекта:

1. Понятные данные — без «я нашёл датасет в даркнете, но он на суахили».

2. Измеримая метрика — «точность 92%», а не «ну вроде работает».

3. Объяснимый результат — чтобы не-техлид понял, почему модель ругается на спам.

Наш курс «ML для старта в Data Science» — старт от простого к сложному: теория → практика → проверка → проект в портфолио.

👉 Начать свой путь в Data Science

Оплатите курс по ML до 17 августа — курс по Python в подарок.

📅 Бесплатный вебинар с Марией Жаровой — 21 августа: как выбирать проекты, которые доводят до оффера, а не до психотерапевта.

💾 Сохрани, чтобы не потерять, когда будешь готов(а) начать

🔥 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