Python Ready | Программирование

📂 Напоминалка по структурам данных Python! Например, список поддерживает индексацию, изменяемый и хранит дубликаты, а множество хранит только уникальные элементы и не имеет порядка. На картинке — краткая сводка по основным типам данных с их свойствами: порядок, изменяемость, дубликаты и индексация. Сохрани, чтобы не забыть! 👉 Python Ready | #ресурс

Если Python-процесс падает без трейсбека, без ошибок, просто вылетает — это испытание для отладки. Включайте faulthandler - встроенный модуль, который показывает стек при любом сегфолте или ошибке на уровне интерпретатора. Используйте флаг прямо при запуске:

    
        python -X faulthandler script.py{}
    

Теперь даже если код упадёт «в никуда», будет видно, где именно это произошло. Можно включить прямо из кода:

    
        import faulthandler
faulthandler.enable(){}
    

Или направить вывод в файл, чтобы не потерять логи:

    
        faulthandler.dump_traceback_later(10, repeat=True){}
    

🔥 faulthandler показывает точный стек даже при бесконечной рекурсии или неожиданных падениях в потоках. 👉 Python Ready | #совет

Появился удобный AI-инструмент для подготовки к найму и прохождения собеседований - Sobes Copilot. Это ассистент, который помогает прямо во время интервью: слушает диалог, распознаёт речь в реальном времени и подсказывает, как лучше ответить. Работает в Zoom, Google Meet, Teams, VK Calls и других платформах, и не виден при демонстрации экрана. Что есть в Sobes Copilot: • Подсказки в реальном времени во время собеседований • Пост-анализ интервью - сервис разбирает прошедший созвон, выделяет сильные и слабые места, удачные формулировки и зоны роста • Генератор и улучшение резюме - помогает собрать сильное резюме под конкретную вакансию • Мок-собеседования (и System Design) - тренировки с ИИ, приближённые к реальным интервью • Авто-отклики на HH - автоматизируют массовую подачу на вакансии по заданным фильтрам Если хочешь проходить собеседования спокойнее, увереннее и системнее - посмотри, что умеет Sobes Copilot.

Разбираем, как работать с файлами построчно с контролем памяти и производительности! Многие до сих пор читают файлы целиком через read(), а потом удивляются, почему на больших логах или выгрузках начинает расти память и всё работает тяжелее. На маленьких файлах это обычно не проблема:

    
        with open("data.txt", encoding="utf-8") as f:
    data = f.read()

print(len(data))
{}
    

Если файл небольшой и нужен полностью — нормально. Но когда речь идёт о логах, дампах или просто крупных текстовых файлах, такой подход быстро перестаёт быть удобным. read() сразу тянет всё содержимое в память, и это не всегда оправдано. В большинстве практических задач с текстовыми файлами удобнее читать их построчно:

    
        with open("data.txt", encoding="utf-8") as f:
    for line in f:
        print(line.rstrip("\n"))
{}
    

Так проще контролировать память, и на больших объёмах это ведёт себя предсказуемее. Например, если нужно просто отфильтровать строки:

    
        with open("data.txt", encoding="utf-8") as f:
    for line in f:
        if "ERROR" in line:
            print(line.rstrip("\n"))
{}
    

Или посчитать количество совпадений:

    
        error_count = 0

with open("data.txt", encoding="utf-8") as f:
    for line in f:
        if "ERROR" in line:
            error_count += 1

print(error_count)
{}
    

На больших файлах такие вещи уже имеют значение. Даже небольшая лишняя работа внутри цикла потом умножается на весь объём данных. Если формат не очень подходит под построчное чтение или нужен более жёсткий контроль, удобнее читать чанками:

    
        def read_chunks(file, size=1024 * 1024):
    while True:
        chunk = file.read(size)
        if not chunk:
            break
        yield chunk
{}
    

Использование:

    
        with open("data.txt", encoding="utf-8") as f:
    for chunk in read_chunks(f):
        print(len(chunk))
{}
    

Для бинарных файлов — то же самое, только в rb:

    
        with open("data.bin", "rb") as f:
    for chunk in read_chunks(f):
        process(chunk)
{}
    

Также настраивают буферизацию:

    
        with open("data.txt", encoding="utf-8", buffering=1024 * 1024) as f:
    for line in f:
        pass
{}
    

Иногда это даёт прирост, иногда почти ничего не меняет — зависит от среды, диска и нагрузки. Такие вещи лучше проверять замерами. Ещё один вариант — mmap:

    
        import mmap

with open("data.txt", "rb") as f:
    with mmap.mmap(f.fileno(), 0, access=mmap.ACCESS_READ) as mm:
        for line in iter(mm.readline, b""):
            print(line.decode("utf-8").rstrip("\n"))
{}
    

В каких-то сценариях он удобен (например, для поиска или случайного доступа), в каких-то — не даёт выигрыша и только усложняет код. И да, файл руками закрывать не нужно:

    
        with open("data.txt", encoding="utf-8") as f:
    ...
{}
    

with сам всё корректно закроет. 🔥 read() — когда файл небольшой и нужен целиком, чтение по строкам — основной рабочий вариант для больших текстовых файлов, чанки — когда нужен контроль памяти или формат не построчный, mmap — точечный инструмент под конкретные задачи. 👉 Python Ready | #практика

Собрал чат-бота за вечер → заработал 9 000₽. Так и работают специалисты по чат-ботам: открыл шаблон → собрал бота как конструктор → получил деньги. Работы — на 2–3 часа. Оплата — 9–15 000₽ за сборку. Никакого программирования и долгих задач. Если умеешь открыть ворд или запустить косынку — справишься. А спрос сейчас бешеный: более 10 000 предпринимателей в месяц ищут тех, кто делает ботов и авторассылки. Это одна из самых простых и пустых ниш в онлайне — бери и зарабатывай. И главное: Собрать первого бота без опыта и получить клиента — проще, чем кажется. Все инструкции лежат здесь: 👉 @other_digital_bot Кто готов кликать мышкой и брать заказы — тот спокойно накопит на отдых, машину, квартиру и любые хотелки. Пробуй: @other_digital_bot

🐱 OpenNET Python — классическое руководство по Python на русском! Это раздел портала OpenNET, где собраны переводы и обучающие материалы: от введения и синтаксиса до списков и модулей. Материал построен последовательно и охватывает базовые концепции языка с примерами и пояснениями. Руководство подойдёт для формирования фундаментального понимания языка, а также для системного изучения его ключевых возможностей. 📌 Оставляю ссылочку: opennet.ru 👉 Python Ready | #сайт

Знаете, что Python умеет делать скользящее окно без ручного удаления элементов? Обычно для таких задач используют список и вручную следят за размером, удаляя старые элементы:

    
        data.append(x)
if len(data) > 3: data.pop(0){}
    

deque с maxlen делает это автоматически, при добавлении нового элемента старый удаляется без лишнего кода:

    
        deque(maxlen=3){}
    

Это работает за O(1) и без перераспределения памяти, в отличие от списка с pop(0):

    
        d.append(x){}
    

Подходит для логов, метрик, ограничения частоты запросов, скользящего среднего, потоковой обработки и любых задач со скользящими данными:

    
        list(d){}
    

🔥 deque(maxlen) — простой способ реализовать буфер фиксированного размера. 👉 Python Ready | #совет

Вау! Тут Яндекс запускает студкемп по созданию промышленных роботов! Будет двухнедельный очный интенсив в Екатеринбурге с настоящими устройствами и задачами из реальной практики. За это время узнаете от экспертов Яндекса: — Про принципы работы систем управления роботами и алгоритмы движения — Навигацию и построение карт в реальном времени (SLAM) — Работу с сенсорными данными: сбор, обработка и калибровка — Цифровые двойники: что это и где применяется — Vision-Language-Action модели и их роль в современной робототехнике 📍 Екатеринбург, УрФУ 🗓 29 июня — 10 июля ✈️ Проезд и жильё Яндекс берёт на себя Успей зарегистрироваться на студкемп до 3 мая Реклама. ООО "ЯНДЕКС". ИНН 7736207543.

Масштабирование признаков через MinMaxScaler! В табличных данных признаки часто имеют разный масштаб. Например: возраст — десятки, доход — тысячи, количество действий — единицы. Такое встречается почти всегда. Для алгоритмов, чувствительных к масштабу, это может влиять на результат: признак с большим диапазоном начинает перетягивать модель. Чтобы этого избежать, признаки приводят к одному масштабу. Один из простых способов — Min-Max scaling: значения линейно преобразуются в диапазон [0, 1] на основе обучающих данных. Установка библиотек:

    
        pip install pandas scikit-learn
{}
    

Ничего необычного — стандартный стек для работы с табличными данными. Импорт модулей:

    
        import pandas as pd
from sklearn.preprocessing import MinMaxScaler
{}
    

Соберём простой датасет:

    
        data = pd.DataFrame({
    "age": [20, 30, 40, 50],
    "salary": [20000, 50000, 80000, 120000]
})
{}
    

Здесь специально взяты признаки с разным масштабом, чтобы было видно эффект. Создаём scaler:

    
        scaler = MinMaxScaler()
{}
    

На этом этапе он ещё ничего не знает о данных — просто объект с параметрами. Применяем к обучающим данным:

    
        scaled = scaler.fit_transform(data)
{}
    

Здесь происходит и обучение (запоминаются min/max), и трансформация. На выходе — обычный numpy-массив со значениями в диапазоне [0, 1]. Вернём обратно в DataFrame:

    
        result = pd.DataFrame(scaled, columns=data.columns)
print(result)
{}
    

Так удобнее смотреть и дебажить. Минимумы станут 0, максимумы — 1, остальные значения распределятся между ними. Применение к новым данным:

    
        new_data = pd.DataFrame({
    "age": [35],
    "salary": [60000]
})

new_scaled = scaler.transform(new_data)
print(new_scaled)
{}
    

Важно, что используется тот же scaler, обученный на train-данных — это принципиально. Если новое значение выйдет за обучающий диапазон, результат может быть меньше 0 или больше 1, и это нормально. 🔥 Метод чувствителен к выбросам (они сжимают остальные значения), зато хорошо работает в моделях, где важны расстояния или масштаб коэффициентов. 👉 Python Ready | #ml

⚡️ Большие продукты начинаются с сильных людей в правильной среде В 01.tech это знают и сейчас собирают команду

Холдинг с платформенными решениями для entertainment. Масштабные проекты, гибкий формат работы, среда где экспертиза ценится и растёт

1️⃣ Business Development Manager Строить партнёрства на уровне C-level, привлекать новых партнеров на запуск White Label платформы и влиять на рост B2B-направления 1️⃣ Senior-/ Project Manager Вести проекты на всех этапах от запуска до результата, прогнозировать риски и решать нестандартные кейсы 1️⃣ Product Manager Вести продукт на in-house решении от идеи до запуска и развития, находить точки роста через метрики и гипотезы 1️⃣ Product Designer Влиять на визуальный язык продукта, делать интерфейсы, задающие тренды в индустрии и в бигтехе 1️⃣ Team Lead Product Designer Формировать стратегию и планы развития стрима, быть центром дизайн-экспертизы и принимать ключевые дизайн-решения 01.tech продолжает масштабироваться, и вместе с этим открываются новые роли Следи за актуальными вакансиями в канале 01 team 🤳