🐍 Укус питона 🐍

🔥 Mutable vs Immutable в Python

В Python все данные — это объекты, и они делятся на изменяемые (mutable) и неизменяемые (immutable).

🔹 Неизменяемые (immutable): нельзя изменить после создания
✅ int, float, str, tuple, frozenset

x = "hello"
x += " world"  # Создается новый объект, а не изменяется старый

🔹 Изменяемые (mutable): можно изменять без создания нового объекта
✅ list, dict, set, bytearray

lst = [1, 2, 3]
lst.append(4)  # Список изменяется в той же области памяти

⚠️ Важный нюанс

Передача изменяемых объектов в функцию может привести к неожиданным изменениям:

def modify_list(lst):
    lst.append(99)  # Изменяет оригинальный список!

my_list = [1, 2, 3]
modify_list(my_list)
print(my_list)  # [1, 2, 3, 99]

✅ Вывод:

• Используйте tuple, если данные не должны изменяться.
• Будьте осторожны с изменяемыми объектами при передаче в функции.
• Если нужно копирование, используйте .copy() или deepcopy().

⚙️ Отладка с sys._getframe в Python

Сегодня в коротком формате разберемся с тем, что же творится внутри CPython, когда функции вызывают друг друга: sys._getframe, f_back, f_globals, f_locals, а также создадим свои декораторы.

#Полезное

🖥 Друзья, если вы только начинаете осваивать Python или уже перешли к фреймворкам и сложным библиотекам, вам помогут авторские материалы многолетнего разработчика и преподавателя Python Дмитрия Читалова.

Уже размещены:
✅Основы Python
✅Продвинутый Python
✅Алгоритмы и структуры данных

❗️Сейчас еженедельно выкладываются уроки по Архитектуре и паттернам проектирования

Подписаться можно здесь.

🐍 GIL в Python: как это влияет на многопоточность

Global Interpreter Lock (GIL) — это механизм в CPython, который ограничивает выполнение Python-кода одним потоком за раз, даже на многопроцессорных системах.

🔹 Зачем нужен GIL?

Он предотвращает проблемы с управлением памятью и упрощает работу интерпретатора. Однако из-за него многопоточные программы не могут эффективно использовать несколько ядер процессора.

🔹 Когда GIL мешает?

• В CPU-интенсивных задачах (например, обработка данных, вычисления) многопоточность не дает прироста производительности.

• В I/O-интенсивных задачах (сетевые запросы, работа с файлами) GIL почти не влияет, так как потоки могут освобождать блокировку во время ожидания операций ввода-вывода.

✅ Решение:

Если нужна настоящая параллельность, используйте многопроцессорность (multiprocessing), которая запускает отдельные процессы без GIL, или попробуйте альтернативные реализации Python, такие как Jython или PyPy.

Зачем нужно ключевое слово yield в Python?

yield используется для создания генераторов, которые возвращают данные по мере запроса, вместо хранения всего результата в памяти.

Пример:

def count_up_to(n):
    count = 1
    while count <= n:
        yield count  # Возвращает значение и приостанавливает выполнение
        count += 1

for num in count_up_to(5):
    print(num)

yield позволяет приостанавливать и возобновлять выполнение функции, экономя память и упрощая работу с потоками данных.

⚡️ Как работает super() в Python?

super() позволяет вызывать методы родительского класса, обеспечивая правильное наследование и расширение функционала.

✅ Пример:

class Parent:
    def greet(self):
        return "Hello from Parent"

class Child(Parent):
    def greet(self):
        return super().greet() + " and Child"

obj = Child()
print(obj.greet())  # "Hello from Parent and Child"

super() особенно полезен при множественном наследовании, так как помогает вызывать методы родительских классов без явного указания их имен.

Что такое дескрипторы в Python и зачем они нужны?

Дескриптор — это объект, который управляет доступом к атрибутам класса через методы get, set и delete. Они позволяют гибко контролировать поведение атрибутов.

✅ Пример:

class Descriptor:
    def init(self, value=None):
        self.value = value

    def get(self, instance, owner):
        print("Getting value")
        return self.value

    def set(self, instance, value):
        print("Setting value")
        self.value = value

class MyClass:
    attr = Descriptor()

obj = MyClass()
obj.attr = 42  # Setting value
print(obj.attr)  # Getting value → 42

Дескрипторы используются в свойствах (property), ORM, логировании доступа и валидации данных. Они помогают гибко управлять состоянием объектов и позволяют писать более чистый код.

⚙️ Как работает metaclass в Python?

В Python метаклассы управляют созданием классов, так же как классы управляют созданием объектов. Они позволяют автоматизировать и настраивать процесс создания классов.

✅ Пример:

class Meta(type):
    def new(cls, name, bases, dct):
        dct["custom_attr"] = 42
        return super().new(cls, name, bases, dct)

class MyClass(metaclass=Meta):
    pass

print(MyClass.custom_attr)  # 42

Метаклассы позволяют добавлять атрибуты, проверять код, изменять поведение классов перед их созданием.

Это мощный инструмент, но его стоит использовать только при необходимости, например, в ORM, фреймворках и API.

🔍 Как работает staticmethod vs classmethod в Python?

В Python есть два специальных декоратора для методов класса: @staticmethod и @classmethod. Они позволяют работать без создания экземпляра, но имеют ключевые различия.

✅ Пример:

class Example:
    class_attr = "Hello"

    @staticmethod
    def static_method():
        return "I'm a static method"

    @classmethod
    def class_method(cls):
        return f"Class method: {cls.class_attr}"

print(Example.static_method())  # I'm a static method
print(Example.class_method())   # Class method: Hello

@staticmethod ведёт себя как обычная функция внутри класса, не имея доступа к атрибутам класса или экземпляра. @classmethod, наоборот, получает ссылку на класс (cls) и может изменять его атрибуты.

Используйте @staticmethod для независимых функций, а @classmethod, когда нужно работать с самим классом.

❓ Что делает метод new в Python и когда его использовать?

Метод new отвечает за создание нового экземпляра класса перед его инициализацией в init. Он используется в случаях, когда нужно контролировать процесс создания объекта, например, в синглтонах или при наследовании от неизменяемых типов (int, str, tuple).

✅ Пример использования:

class Singleton:
    _instance = None

    def new(cls, *args, **kwargs):
        if cls._instance is None:
            cls._instance = super().new(cls)
        return cls._instance

obj1 = Singleton()
obj2 = Singleton()

print(obj1 is obj2)  # True (оба объекта — одна и та же ссылка)

В отличие от init, new контролирует сам процесс создания объекта. Полезен для ограничения числа экземпляров и работы с неизменяемыми классами.