Ghostly Python

❓ Вопрос с собеса Зачем нужен __slots__ в Python и какие у него подводные камни? Пример🔽

    
        class Point:
    __slots__ = ("x", "y")  # фиксируем набор атрибутов

    def __init__(self, x, y):
        self.x, self.y = x, y

p = Point(1, 2)
print(hasattr(p, "__dict__"))  # ➔ False (нет словаря экземпляра)
p.z = 3  # ➔ AttributeError: 'Point' object has no attribute 'z'{}
    

Ответ🔽

__slots__ отключает создание __dict__ у экземпляров и фиксирует набор допустимых атрибутов. Это сокращает память (особенно важно для миллионов объектов) и может ускорять доступ к полям. Обратная сторона — нельзя динамически добавлять новые атрибуты, а некоторые механики требуют дополнительных слотов. 🟢 Запомнить: Используйте __slots__, когда класс создаёт много экземпляров с стабильным набором полей. Для поддержки weakref добавьте '__weakref__' в __slots__. В иерархиях все классы должны быть «кооперативны»: у подклассов тоже задавайте __slots__ (или потеряете выгоды/совместимость). В dataclasses пишите @dataclass(slots=True) (Python 3.10+) вместо ручного __slots__. Если нужен словарь атрибутов, добавьте '__dict__' в __slots__ — но тогда теряете экономию памяти.

🐍 Ghostly Python | #собес

👩‍💻 Самый быстрый способ читать Excel в Python В статье результаты тестирования pandas, openpyxl, Tablib, DuckDB, LibreOffice и даже связки с Rust. Кто справился лучше всех и как за 4 секунды Python «проглотил» полмиллиона строк. ➡️ Ссылка на статью 🐍 Ghostly Python | #статьи

🐍 Ghostly Python | #мемы

🖼️ Библиотека: glom glom — декларативная библиотека для извлечения и трансформации вложенных структур данных (dict/list/tuple). Позволяет описывать «что достать и как преобразовать» короткой спецификацией вместо ручных циклов и if. ℹ️ Основные возможности:

🟢 Доступ к глубоко вложенным полям без try/except 🟢 Маппинг и агрегирование списков одной строкой 🟢 Значения по умолчанию и безопасные обходы отсутствующих ключей 🟢 Композиция спецификаций для сложных преобразований

⚙️ Пример использования:

    
        from glom import glom, T

data = {
    "user": {"name": "Alice", "age": 30, "emails": ["a@x.io", "b@y.io"]},
    "orders": [{"id": 1, "total": 99.9}, {"id": 2, "total": 15.0}]
}

spec = {
    "username": T["user"]["name"],
    "primary_email": T["user"]["emails"][0],
    "order_ids": (T["orders"], [T["id"]]),
    "sum_total": (T["orders"], sum, [T["total"]]),  # суммируем totals
}

print(glom(data, spec))
# ➔ {'username': 'Alice', 'primary_email': 'a@x.io', 'order_ids': [1, 2], 'sum_total': 114.9}

# Безопасный доступ с дефолтом:
print(glom(data, "user.phone", default="no phone"))  # ➔ 'no phone'{}
    

✔️ Установка:

    
        pip install glom{}
    

➡️ Ссылка на документацию 🐍 Ghostly Python | #библиотеки

📱 Python Developer — мастхев для любого питониста Канал Team Lead'a, где публикуются полезные советы и практики для Python-разработчиков: 780 ГБ — Боты на Python 511 ГБ — Проекты на Python 23 ГБ — Cтатьи Python 958 ГБ — Видеокурсы Python 12 ГБ — Вопросы с собесов 30 ГБ — Задачи с собесов 124 ГБ — SQL & Python 98 ГБ — Docker & Python 197 ГБ — Linux & Python 201 ГБ — Алгоритмы & Python 335 ГБ — Фреймворк Django 408 ГБ — Книги по Python 👉🏻 Подписывайся и прокачивай свои навыки

👩‍💻 Контейнерная стеганография: Прячем гигабайты в DOCX, PDF и еще десятке форматов Я расширил ChameleonLab: от картинок к документам. Разбираю стеганографию в DOCX/PDF, риски, методики и защиту; покажу демо и грабли. Да, ваши отчёты тоже могут шептать. ➡️ Ссылка на статью 🐍 Ghostly Python | #статьи

➡️ Python Tutor — визуализатор выполнения Python-кода в браузере Python Tutor позволяет пошагово видеть, как исполняется ваш код: значения переменных, стек вызовов, переходы по строкам. Полезен для обучения, отладки рекурсий, понимания областей видимости и работы списков/словарей.

Примечательно, что сервис поддерживает пошаривание сессий и встроенные “сценарии” с примерами — удобно разбирать код с командой или наставником прямо по ссылке.

⛓️ Ссылка на ресурс 🐍 Ghostly Python | #ресурсы

🐍 Ghostly Python | #мемы

📱 Фишка: functools.cached_property — ленивое свойство с кэшированием cached_property превращает метод в свойство, которое вычисляется один раз при первом доступе и кэшируется в экземпляре. Полезно для дорогих вычислений и ленивой инициализации

    
        from functools import cached_property
import time

class Report:
def init(self, user_id):
self.user_id = user_id

@cached_property
def stats(self):
    print("Вычисляю...")  # выполнится только при первом доступе
    time.sleep(1)
    return {"orders": 42, "spent": 199.99}


r = Report(123)
print(r.stats) # первый доступ — расчёт и кэширование
print(r.stats) # последующие — мгновенно из кэша
del r.dict["stats"] # инвалидация кэша
print(r.stats) # пересчёт после инвалидации{}
    

📌 Как это работает? 🟢 @cached_property сохраняет результат в instance.__dict__ под именем свойства. 🟢 Для обновления данных удалите кэш: del obj.__dict__["attr"] — значение пересчитается при следующем доступе. 🟢 Идеально для «ленивых» параметров: конфигов, аггрегатов из БД/API, тяжёлых вычислений 🐍 Ghostly Python | #фишки

👩‍💻 Напердолил целую игру Покажу, как я собрал TANKOLINI NAPIERDOLKI: монохром, канвас и пиксели, тетрис-вайб и редактор карт; мультиплеер на Python, карты в PostgreSQL, комнаты в Redis. Мемы прилагаются. ➡️ Ссылка на статью 🐍 Ghostly Python | #статьи