👌 Что умеют множества (set) в Python

1️⃣ Множество ≠ список

fruits = {"apples", "strawberries", "pears", "apples"}
print(fruits)          # {'apples', 'pears', 'strawberries'}

🔢 Нет дубликатов.
🔢 Порядок не гарантирован.
🔢 Быстро добавлять / удалять / проверять наличие элемента.

2️⃣ «Словарь без значений»

Вместо словаря вида

colors = {"red": None, "green": None, "blue": None}

используйте множество:

colors = {"red", "green", "blue"}

Дубликаты исчезнут, а кода станет меньше.

3️⃣ Молниеносная проверка «есть ли элемент»

numbers = [int(n) for n in open("numbers.txt")]
numbers_set = set(numbers)           # создание множества

no_neighbors = [
    n for n in numbers
    if n-1 not in numbers_set and n+1 not in numbers_set
]

Преобразование списка в set резко ускорит поиск (O(1) вместо O(n)).

4️⃣ Сет‑арифметика одним символом

a = {1, 2, 3, 4}
b = {3, 4, 5, 6}

a | b   # объединение        → {1, 2, 3, 4, 5, 6}
a & b   # пересечение        → {3, 4}
a - b   # только в a         → {1, 2}
a ^ b   # в одном, но не в двух → {1, 2, 5, 6}

Когда нужно узнать общие или уникальные элементы двух коллекций — множества решают задачу одной строкой.

5️⃣ Конвертируем «на ходу»

Нужно сохранить порядок, но иногда делать быстрые проверки?

words = open("words.txt").read().split()
word_set = set(words)

anadromes = [w for w in words if w[::-1] in word_set]

Создаём set ради быстрых проверок, но сами данные храним в списке.

6️⃣ Мгновенная проверка дубликатов

nums = [1, 2, 3, 2]
has_dupes = len(nums) != len(set(nums))   # True

Одна строка — и вы знаете, есть ли повторения.

Когда выбирать set:
1. Убрать дубликаты, если порядок не важен.
2. Быстро проверить «есть ли элемент».
3. Сравнить коллекции с помощью | & - ^.
4. Проверить уникальность элементов списка.

Библиотека питониста #буст

🎥 Что посмотреть: DjangoCon Europe 2025

Работаете с Django? Тогда это must-watch.

Организаторы уже выложили видео с докладами — и там много интересного:
✅ архитектура, async, PostgreSQL, security, AI-интеграции, DX и многое другое.

🎙 Выступления — от core-разработчиков и крупных команд. Много живых кейсов, best practices и идей для прокачки проектов.

Все видео доступны по ссылке: https://clc.to/xEkXFQ

Библиотека питониста #буст

🐒 Monkey patching в Python: спасение или анти-паттерн

Monkey patching — это когда вы внедряетесь в чужой код прямо во время выполнения программы.

Например:
— переопределяете метод библиотеки без форка,
— меняете поведение фреймворка на лету,
— или «чините» баг, не дожидаясь pull request'а.

Когда это бывает полезно:
✅ Патчишь баг в библиотеке, который авторы будут чинить 3 месяца
✅ Легаси-проект: трогать архитектуру нельзя, а фичу сдать надо
✅ Хочешь изменить поведение без вмешательства в исходники

А в чём подвох:
❌ Читаемость кода: новый разработчик ничего не поймёт
❌ Ломает совместимость при апдейтах
❌ Трудно отлаживать и тестировать
❌ Можно выстрелить себе в ногу (и команде тоже)

🔥 Вот теперь холиварный момент

Monkey patching — это:
🔥 — Инструмент сильных, просто надо уметь
❤️ — Костыль, который нельзя нормализовать
😃 — Иногда — единственный способ сделать хорошо
👍 — Признак плохой архитектуры, точка

А вы использовали monkey patching в проде?
👇 Расскажите в комментах — чем закончилось и стоило ли оно того?

Библиотека питониста #междусобойчик

📱 Свежие релизы Python‑пакетов за последние 7 дней

Вот что появилось или обновилось за последние 7 дней в экосистеме Python:

📍 Релизы
✅ Django Bugfix Release 5.2.4 — исправлены баги


📦 Data, ML, AI, Agents
✅ sentence-transformers 5.0.0 — эмбеддинги, поиск и переранжирование
✅ PEFT 0.16.0 — эффективный файнтюнинг больших моделей
✅ wandb 0.21.0 — мониторинг экспериментов (Weights & Biases)
✅ CrewAI 0.140.0 — фреймворк для координации AI-агентов
✅ statsig-python-core 0.6.0 — SDK для A/B-тестов и экспериментов
✅ PaddlePaddle 3.1.0 — глубокое обучение с поддержкой распределённого обучения

🧩 Инфраструктура, парсинг, работа с файлами
✅ python-calamine 0.4.0 — Python-обёртка над Rust-библиотекой для чтения Excel/ODF
✅ pylance 0.31.0 — поддержка формата Lance в Python
✅ pillow-heif 1.0.0 — поддержка HEIF/HEIC изображений
✅ PyAV 15.0.0 — Python-интерфейс к библиотекам FFmpeg

🧪 Автоматизация, тестирование, Web, BLE
✅ SeleniumBase 4.40.0 — фреймворк для автотестов с поддержкой всех браузеров
✅ browser-use 0.4 — интерфейс сайтов для AI-агентов
✅ bleak 1.0.0 — BLE-клиент на Python, кроссплатформенный

🛠 Разработка серверов и аналитики
✅ fastmcp 2.10.0 — быстрый Python-способ построить MCP-сервер
✅ PostHog 6.0.0 — аналитика событий прямо из Python-приложений

Библиотека питониста #свежак

📎 Топ-вакансий для питонистов за неделю

Python Разработчик — от 250 000 до 280 000₽, удалёнка

SDET Python (KLDFS), удалёнка

Python-разработчик — до 1 800 $, удалёнка

Python разработчик — от 1500 до 3000 $, удалёнка

Senior Python Developer (Analytics) — от 300 000 до 400 000 ₽, удалёнка

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

Библиотека питониста

Шпаргалка: типизированные структуры данных в Python

Python поддерживает типизацию с помощью аннотаций, а также предоставляет удобные инструменты для описания структур — TypedDict и dataclasses.

🆖 Typed Dictionaries (Типизированные словари)

TypedDict похож на обычный словарь, но с подсказками типов для ключей и значений. Это помогает задать чёткие ожидания, какие ключи и значения должны быть в словаре.

Пример:

from typing import TypedDict

class Metrics(TypedDict):
    accuracy: float
    precision: float
    recall: float
    AUC: float | None  # необязательное поле

def evaluate_predictions(y_true: np.ndarray, y_pred: np.ndarray) -> Metrics:
    # Возвращаем словарь с метриками
    return Metrics(accuracy=0.66, precision=1.0, recall=0.5)

my_metrics = evaluate_predictions(y_true, y_pred)
print(my_metrics)  # {'accuracy': 0.66, 'precision': 1.0, 'recall': 0.5}

🆖 Dataclasses (Датаклассы)

Датаклассы упрощают создание классов с данными, автоматически генерируя методы вроде __init__. Можно сделать объекты неизменяемыми с frozen=True.

Пример:

from dataclasses import dataclass

@dataclass(frozen=True)
class ModelConfig:
    model_path: str
    data_path: str
    batch_size: int = 32
    learning_rate: float = 1e-3
    num_epochs: int = 10
    early_stopping: bool = False

config = ModelConfig(model_path="models/v1", data_path="data/train", batch_size=64)
print(config.batch_size)  # 64

🆖 Вложенные структуры

Типизированные словари и датаклассы можно вкладывать друг в друга, чтобы описать сложные структуры данных.

Пример:

from datetime import datetime

@dataclass
class ExperimentSummary:
    datetime: datetime
    model_config: ModelConfig
    metrics: Metrics

experiment = ExperimentSummary(datetime=datetime.now(), model_config=config, metrics=my_metrics)
print(experiment.model_config.batch_size)  # 64

Важные советы:
🔛 Не увлекайтесь глубокой вложенностью! Слишком сложные структуры затрудняют поддержку и понимание.
🔛 Используйте типы для самодокументирования кода. Они помогают избежать ошибок и ускоряют разработку.
🔛 Выбирайте TypedDict, если хотите словарь с проверкой структуры.
🔛 Используйте dataclasses, когда нужна полноценная структура с методами и возможностью наследования.

Библиотека питониста #буст