🔎 Обновления Python-библиотек за последнюю неделю

За последние 7 дней в экосистеме Python вышло множество заметных обновлений. Вот самые интересные из них — с краткими пояснениями, зачем они могут быть вам полезны:

🚩 webdataset 1.0.2 — библиотека для работы с большими датасетами, особенно удобна для глубокого обучения. Позволяет стримить данные прямо с диска или из облака.

🚩 Kaleido 1.0.0 — инструмент для генерации статических изображений из интерактивных графиков Plotly. Удобен для сохранения визуализаций.

🚩 Outlines 1.0.0 — новая библиотека для структурированной генерации текста с LLM (language model). Упрощает работу с шаблонами, форматами и API OpenAI.

🚩 Valkey GLIDE 2.0.0 — форк Redis (Valkey) с улучшенной интеграцией и функциональностью. Используется для высокопроизводительного кеширования и обмена сообщениями.

🚩 Streamlit 1.46.0 — любимый многими фреймворк для создания дашбордов и ML-интерфейсов в несколько строк кода. Теперь ещё стабильнее и быстрее.

🚩 oauthlib 0.3.0 — обновление популярной библиотеки для OAuth2-авторизации. Безопасная аутентификация через сторонние сервисы (Google, GitHub и др.).

🚩 labelbox 7.0.0 — SDK для работы с платформой Labelbox (аннотация данных). Ускоряет цикл разметки данных в ML-проектах.

🚩 django-redis 6.0.0 — интеграция Redis с Django. Улучшенная производительность кеша, поддержка Valkey и новых бэкендов.

🚩 ruff 0.12.0 — супербыстрый линтер для Python. Заменяет pylint, flake8 и black одновременно — и делает это мгновенно.

🚩 opensearch-py 3.0.0 — клиент для OpenSearch (форка Elasticsearch от Amazon). Используется в проектах, где важен быстрый и масштабируемый поиск.

🚩 bayesian-optimization 3.0.0 — мощный инструмент для автоматического подбора гиперпараметров моделей или любых дорогостоящих функций.

🚩 tcod 19.0.0 — библиотека для создания рогаликов и консольных игр на Python. Старая, но всё ещё живая!

🚩 pyzmq 27.0.0 — обновление интерфейса к ZeroMQ — библиотеке для обмена сообщениями между процессами и приложениями.

Библиотека питониста #свежак

🖥 Топ-вакансий для питонистов за неделю

Python разработчик —‍ от 100 000 ₽, удалёнка

Python-разработчик —‍ от 195 000 до 250 000 ₽, удалёнка

Django Backend Developer —‍ от 250 000 до 330 000 ₽, гибрид (Санкт-Петербург)

Программист-разработчик Python —‍ от 200 000 ₽, офис (Москва)

Team Lead Python (E-commerce), офис (Москва)


➡️ Еще больше топовых вакансий — в нашем канале Python jobs

Библиотека питониста

📱 Python теперь может вызывать Mojo-код

⚡ Что такое Mojo

Mojo — компилируемый язык с синтаксисом Python и скоростью C. Создан для ML, численных вычислений и высокопроизводительного кода.

Теперь Python умеет напрямую вызывать Mojo-функции — и это меняет игру.

⚡ Как это работает

1. Установка:

uv pip install modular --index-url https://dl.modular.com/public/nightly/python/simple/

2. Mojo-функция:

fn factorial(py_obj: PythonObject) raises -> PythonObject:
    var n = Int(py_obj)
    var result = 1
    for i in range(1, n + 1):
        result *= i
    return result

3. Вызов из Python:

import mojo_module
print(mojo_module.factorial(10))

⚡ Производительность

На factorial(10) разница небольшая.
Но при подсчёте простых чисел до 20 000:
— Python: \~0.45 сек
— NumPy: \~0.26 сек
— Mojo: \~0.01 сек (!)

✅ Mojo оказался в десятки раз быстрее, даже с простой реализацией.

⚡ Недочёты

При больших числах (factorial(100)) возможны переполнения — тип Int ограничен. Также Mojo всё ещё в стадии активной разработки.

⚡ Вывод

➡️ Mojo уже ускоряет Python-код и отлично подходит для тяжёлых вычислений.
➡️ Он проще, чем Rust, и быстрее, чем Python — особенно на численных задачах.
➡️ Пока это не продакшн-решение, но потенциал огромный.

🔗 Больше деталей по ссылке: https://clc.to/4WM6Hw

Библиотека питониста #буст

📝 Немного инсайтов из третьего модуля курса

Сейчас большинство представлений об ИИ ограничиваются одним агентом — моделькой, которая что-то предсказывает, генерирует или классифицирует.

Но реальный прорыв начинается, когда этих агентов становится несколько.
Когда они начинают взаимодействовать друг с другом.
Когда появляется координация, распределение ролей, память, планирование — всё это и есть мультиагентные системы (MAS).

➡️ Пока кто-то думает, что это звучит как научная фантастика, индустрия уже переходит к новым уровням сложности:
— Microsoft делает язык DroidSpeak для общения между LLM
— Open Source-фреймворки вроде LangChain, AutoGen, CrewAI, LangGraph — бурно развиваются
— компании, включая МТС, уже применяют MAS в боевых задачах

🎓 На курсе мы подходим к этому практично:
🔵 разбираем, как устроены MAS
🔵 пишем агентов с нуля
🔵 учимся выстраивать взаимодействие: конкуренцию, кооперацию, планирование

Именно на третьем уроке вы впервые собираете не просто «умного бота», а живую систему из агентов, которая работает вместе — как команда.

Причём по-настоящему: врач, SQL-аналитик, travel-планировщик, Python-генератор, поисковик.

🙂 Если хочется не просто использовать ИИ, а проектировать системы, которые думают, планируют и сотрудничают → тогда забирайте курс по ИИ-агентам

⭐ Python без GIL: эпоха настоящего многопоточного исполнения

GIL — удобное решение для безопасности, но стало тормозом.
— Guido van Rossum

✳️ Что такое GIL

GIL (Global Interpreter Lock) — глобальная блокировка интерпретатора Python. Она не даёт выполнять Python-байткод более чем одному потоку одновременно.

Это решение появилось ещё в 90-х, когда одноядерные процессоры были нормой. Сейчас же — реальность многопоточная. А GIL мешает полностью использовать многозадачность на уровне CPU.

✳️ Почему GIL — проблема

Из-за GIL Python-программы не могут полноценно использовать многопоточность в CPU-bound задачах. Вместо этого:
— мы используем multiprocessing, создавая отдельные процессы (дорого)
— мы прибегаем к C-библиотекам: NumPy, Cython, PyTorch, чтобы обойти ограничения

Но всё это — костыли. И комьюнити давно мечтает избавиться от GIL.

✳️ PEP 703: решение пришло

PEP 703 предлагает сделать GIL опциональным.

Вместо полного отказа от GIL — аккуратный переход:

1. Python 3.13 (вышел в 2024) — можно собрать без GIL (--disable-gil)
2. 2026–2027 — возможность переключения GIL в рантайме
3. 2028+ — по умолчанию Python будет без GIL

✳️ Как попробовать Python без GIL прямо сейчас (Mac)

1. Скачайте установщик Python 3.13 с офсайта
2. На этапе установки выберите Free-threaded Python (experimental)
3. После установки появятся два интерпретатора:
— python3.13 — обычный
— python3.13t — Python без GIL

Проверьте:

import sysconfig
print(sysconfig.get_config_var("Py_GIL_DISABLED"))
# True для python3.13t

✳️ Проверка в бою: ускорится ли код

Пример CPU-bound задачи с потоками:

import threading, time

def cpu_task(n):
    s = 0
    for i in range(n): s += i*i

N = 100_000_000

def run():
    threads = [threading.Thread(target=cpu_task, args=(N,)) for _ in range(4)]
    start = time.time()
    for t in threads: t.start()
    for t in threads: t.join()
    print(f'{time.time() - start:.2f} сек')

run()

— Python 3.13: ~13.5 сек
— Python 3.13t (без GIL): ~3.7 сек

✔️ Разница очевидна. Многопоточность наконец-то работает по-настоящему.

Библиотека питониста #буст

🪲 Промт дня: отлаживаем сложный Python-код и находим баг

Ваш код падает или даёт странный результат?

Сложный пайплайн, цепочка функций, куча вложенностей — непонятно, где именно всё ломается?

Попросите ChatGPT:

Вот мой Python-код. Помоги понять:
– Где может быть логическая ошибка или утечка
– Как упростить дебаг: добавить логгеры, трассировку, breakpoints
– Как использовать pdb, breakpoint(), icecream или rich
– Как логировать шаги пайплайна так, чтобы не утонуть в логе
– Как изолировать и проверить проблемный блок
– Какие edge-кейсы я, возможно, упустил
– Как ловить исключения правильно и писать meaningful ошибки

✅ Отлично работает при отладке ETL, API-обработчиков, ML-инференса, CLI-скриптов.

Библиотека питониста #буст

👓 Отслеживаем, какие ключи словаря в Python вы не использовали

Иногда полезно знать, какие поля данных вы вообще не задействовали — например, чтобы убедиться, что все данные из базы реально применяются в отчёте или покрыты тестами.

Представьте, что у вас SQL-запрос вида:

SELECT fieldX, fieldY, fieldZ FROM ...

Но в итоговом CSV-экспорте вы используете только fieldX и fieldY. Как понять, что fieldZ остался неиспользованным?

✅ Класс TrackingDict

class TrackingDict(dict):
    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        self._accessed_keys = set()

    def __getitem__(self, key):
        self._accessed_keys.add(key)
        return super().__getitem__(key)

    @property
    def accessed_keys(self):
        return self._accessed_keys

    @property
    def never_accessed_keys(self):
        return set(self.keys()) - self._accessed_keys

Пример использования:

user = {
    "name": "John Doe",
    "age": 30,
    "email": "[email protected]",
}
user = TrackingDict(user)

assert user["name"] == "John Doe"

print("Использованные ключи:", user.accessed_keys)
print("Неиспользованные ключи:", user.never_accessed_keys)

Выведет:

Использованные ключи: {'name'}
Неиспользованные ключи: {'email', 'age'}

✅ Зачем это нужно

— Убедиться, что все важные данные действительно используются в отчётах.
— Проверить покрытие тестами — например, в pytest:

assert not user.never_accessed_keys, f"Вы не проверили {user.never_accessed_keys}"

✅ Типизированная версия:

from typing import TypeVar, Any

K = TypeVar('K')
V = TypeVar('V')

class TrackingDict(dict[K, V]):
    """
    Словарь с отслеживанием использованных ключей.
    """

    def __init__(self, *args: Any, **kwargs: Any) -> None:
        super().__init__(*args, **kwargs)
        self._accessed_keys: set[K] = set()

    def __getitem__(self, key: K) -> V:
        self._accessed_keys.add(key)
        return super().__getitem__(key)

    @property
    def accessed_keys(self) -> set[K]:
        return self._accessed_keys

    @property
    def never_accessed_keys(self) -> set[K]:
        return set(self.keys()) - self._accessed_keys

Библиотека питониста #буст

🔄 Breaking Changes в Python: как сделать их менее болезненными

На саммите Python Language Summit 2025 инженеры из Meta* поделились опытом массового деплоя Python-кода в прод и тем, как breaking changes усложняют жизнь разработчикам.

▶️ Суть проблемы

Breaking changes — это изменения в языке или стандартной библиотеке, которые ломают совместимость. Они неизбежны, но можно и нужно сделать их предсказуемыми и управляемыми.

▶️ Классификация breaking changes по «болезненности»

1️⃣ Легко находимые
— Можно найти через AST, grep, линтеры
— Примеры: удалённые функции, изменённые аргументы

2️⃣ Находятся при сборке/импорте
— Ошибки видны сразу при запуске или импорте
— Например: изменения в dataclasses в 3.12

3️⃣ Проявляются только во время исполнения
— Ошибки зависят от типа/значения
— Самые опасные: ловятся только тестами или в проде

▶️ Что можно улучшить

— Создать таксономию изменений по степени влияния
— Публиковать понятные гайды миграции, включая альтернативы и отличия API
— Сохранять документацию удалённых модулей
— Поддерживать тестирование на pre-release-версиях Python
— Разработать автоматические фиксаторы (например, с использованием Ruff)

▶️ Что обсуждали в комьюнити

— typing-extensions ломал pydantic: предлагали автоматические тесты зависимых проектов
— Успешный опыт pre-release CI у научного Python
— Идея: «экосистемные тесты» по dependency graph — проверять библиотеки заранее

💬 Вопрос на последок:

Что важнее: эволюция языка или стабильность экосистемы?

Напишите в комментарии или выберите реакцию:
🔥 — Лучше ломать, но двигаться вперёд
❤️ — Нет, стабильность важнее новых фич
👍 — Зависит от масштаба проекта

💥 Понравился пост? С ваc буст, а с нас больше топового контента!

Библиотека питониста #междусобойчик

* признанной экстремистской на территории Российской Федерации

🚀 От конкурсов к коду: как алгоритмическое мышление ускоряет приложения

Часто смена одного неудачного алгоритма кардинально меняет ситуацию: запросы начинают выполняться за миллисекунды, а жалобы пользователей исчезают.

🏆 Такие решения обычно находят разработчики с опытом спортивного программирования. В этом посте — почему их мышление так ценно для реальной разработки.

✅ Хотите узнать, как улучшить производительность приложений?

Читайте дальше: https://proglib.io/sh/BZ6EzqDbaW

Библиотека питониста #буст

🧩 Задача: неожиданный результат с изменением словаря

Что выведет следующий код?

def update_dict(d, key, value):
    d[key] = value
    return d

my_dict = {'a': 1, 'b': 2}
print(update_dict(my_dict, 'c', 3))
print(update_dict(my_dict, 'd', 4))
print(my_dict)

❓ Вопросы:
1. Какой будет вывод каждой из трёх строк?
2. Почему my_dict меняется после вызова функции?
3. Как изменить функцию, чтобы оригинальный словарь не менялся, а возвращалась новая копия с обновлённым значением?

Подвох:
Словари — изменяемые объекты, передаются по ссылке, поэтому любые изменения внутри функции влияют на оригинал.

Решение:

def update_dict(d, key, value):
    new_dict = d.copy()
    new_dict[key] = value
    return new_dict

Что проверяет задача:
✅ Понимание изменяемых объектов и передачи по ссылке в Python
✅ Умение создавать копии объектов для избежания побочных эффектов
✅ Навыки работы с функциями и аргументами

Библиотека питониста #междусобойчик

🐍 Свежие релизы Python‑пакетов за последние 7 дней

✅ Gymnasium 1.2.0 — новая версия «переименованного» Gym: единое API для RL‑задач и обширный набор окружений

✅ LangGraph 0.5.0 — фреймворк для построения stateful‑приложений с несколькими LLM‑акторами

✅ aioboto3 15.0.0 — асинхронная обёртка над boto3 для AWS

✅ lxml 6.0.0 — мощная обработка XML на базе libxml2/libxslt + ElementTree

✅ transformers 4.53.0 — SOTA‑модели для JAX, PyTorch и TensorFlow

✅ mcp 1.10.0 — SDK для Model Context Protocol

✅ chdb 3.4.0 — in‑process OLAP‑движок на ClickHouse

✅ Diffusers 0.34.0 — диффузионные модели в PyTorch и JAX

✅ junitparser 4.0.0 — манипуляция XML‑отчётами JUnit/xUnit

✅ Pybtex 0.25.0 — процессор BibTeX‑совместимых библиографий

✅ Instructor 1.9.0 — структурированный вывод из LLM

✅ Robyn 0.70.0 — супершустрый async‑фреймворк на Rust‑рантайме

Библиотека питониста #свежак