PytStart | Программирование на Python

🖥 Как работает zip() в Python: синхронный перебор 🧵 zip() объединяет несколько итерируемых объектов в кортежи по элементам. 🔧 Пример:

    
        names = ["Alice", "Bob", "Charlie"]
scores = [85, 92, 78]

for name, score in zip(names, scores):
    print(f"{name}: {score}"){}
    

📌 Вывод:

    
        Alice: 85  
Bob: 92  
Charlie: 78{}
    

❗️ Что важно знать - zip останавливается по самому короткому из входов. - Можно “распаковать” с помощью zip(*iterables).

    
        pairs = [("a", 1), ("b", 2)]
letters, numbers = zip(*pairs)
print(letters)  # ('a', 'b'){}
    

🗣 Используется в парном переборе, обработке CSV, генерации пар "ключ-значение", и везде, где нужно синхронизировать данные.

🎭 Decorators в Python: меняем поведение функции без переписывания Ты написал:

    
        def greet(name):
    print(f"Привет, {name}!"){}
    

А потом захотел добавить логирование, проверку ошибок или права доступа. Переписывать код не хочется. 👩‍💻 Python тебе ничего не скажет. Но выход есть — декораторы. Это «обёртки» вокруг функций, которые добавляют новое поведение. 📦 Пример: простое логирование

    
        def log_decorator(func):
    def wrapper(*args, **kwargs):
        print(f"Вызов {func.__name__}")
        return func(*args, **kwargs)
    return wrapper

@log_decorator
def greet(name):
    print(f"Привет, {name}!")

greet("Анна"){}
    

➡️ Функция greet осталась чистой, логика вынесена наружу. 🔑 Декораторы с параметрами

    
        def repeat(times):
    def decorator(func):
        def wrapper(*args, **kwargs):
            for _ in range(times):
                func(*args, **kwargs)
        return wrapper
    return decorator

@repeat(3)
def hello():
    print("👋 Привет")

hello(){}
    

➡️ Теперь hello() вызывается 3 раза подряд. ⚠️ Без functools.wraps теряется имя функции

    
        from functools import wraps

def safe(func):
    @wraps(func)
    def wrapper(*args, **kwargs):
        try:
            return func(*args, **kwargs)
        except Exception as e:
            print("Ошибка:", e)
    return wrapper

@safe
def divide(a, b):
    return a / b{}
    

➡️ @wraps сохраняет имя и docstring, иначе функция станет просто wrapper. 🧪 Практика: где декораторы реально нужны 👍 Проверка прав

    
        def require_admin(func):
    def wrapper(user, *args, **kwargs):
        if not user.get("is_admin"):
            raise PermissionError("⛔️ Нет доступа")
        return func(user, *args, **kwargs)
    return wrapper

@require_admin
def delete_user(user, uid):
    print(f"Удалён {uid}"){}
    

👍 Обработка ошибок

    
        @safe
def risky(x):
    return 10 / x

risky(0)  # Ошибка перехвачена{}
    

👍 Комбинация декораторов

    
        @safe
@log_decorator
def risky_op(x):
    return 10 / x{}
    

➡️ Сначала лог, потом защита. Порядок имеет значение. 🗣️ Запомни: Декоратор = функция, которая принимает и возвращает функцию.

🔍 __str__🆚__repr__ : зачем два разных отображения объекта В Python у любого объекта можно определить два разных способа отображения — __str__ и __repr__. Кажется избыточным, но на деле это основа читаемости и отладки. Разберём всё по полочкам 👇 🔍 str — человекочитаемый вывод

    
        class User:
    def __init__(self, name):
        self.name = name
    def __str__(self):
        return f"Пользователь {self.name}"

u = User("Иван")
print(u)   # Пользователь Иван{}
    

➡️ __str__ нужен для красивого вывода в консоли, логах или интерфейсе. Его цель — понятность. 🛠 repr — точный «отладочный» вывод

    
        class User:
    def __init__(self, name):
        self.name = name
    def __repr__(self):
        return f"User(name={self.name!r})"

u = User("Иван")
print(repr(u))  # User(name='Иван'){}
    

➡️ __repr__ всегда должен быть однозначным. Его читают программисты и дебаггер, а не пользователи. 🖼 В интерактивной консоли вызывается repr

    
        u = User("Иван")
u{}
    

➡️ Jupyter, IPython и REPL используют __repr__. Поэтому именно он важен для отладки. 📑 Логи: str для людей, repr для разработчиков

    
        print(str(u))   # Пользователь Иван
print(repr(u))  # User(name='Иван'){}
    

➡️В логах удобно комбинировать оба: человекочитаемый текст + точная структура. 🎭 Если нет str — используется repr

    
        class Item:
    def __repr__(self):
        return "Item(id=42)"

i = Item()
print(i)  # Item(id=42){}
    

➡️ Python подставляет __repr__, если __str__ не определён. Но наоборот — не работает. ⚡️ Совмещённый подход

    
        class Product:
    def __init__(self, name, price):
        self.name, self.price = name, price
    def __repr__(self):
        return f"Product({self.name!r}, {self.price})"
    __str__ = __repr__   # одинаковый вывод{}
    

➡️Иногда удобно оставить один метод и приравнять их. Но чаще нужны оба. 🧩 Лучшие практики

🟢__repr__ должен быть «однозначным» (по возможности — похож на конструктор). 🟢 __str__ должен быть «дружелюбным» — читаться как текст. 🟢Если сомневаешься — реализуй хотя бы __repr__.

🗣️ Запомни:str → для пользователя, repr → для разработчика.В консоли, дебаге и коллекциях срабатывает именно repr.Грамотное разделение делает код удобнее и чище, а логи — понятнее.

👩‍💻 Всем программистам посвящается! Вот 17 авторских обучающих IT каналов по самым востребованным областям программирования: Выбирай своё направление: 👩‍💻 Java — t.me/java_ready 👩‍💻 Python — t.me/python_ready 🤔 InfoSec & Хакинг — t.me/hacking_ready 🖥 SQL & Базы Данных — t.me/sql_ready 🤖 Нейросети — t.me/neuro_ready 👩‍💻 C/C++ — https://t.me/cpp_ready 👩‍💻 C# & Unity — t.me/csharp_ready 👩‍💻 Linux — t.me/linux_ready 🖼️ DevOps — t.me/devops_ready 📖 IT Книги — t.me/books_ready 👩‍💻 Frontend — t.me/frontend_ready 📱 JavaScript — t.me/javascript_ready 👩‍💻 Backend — t.me/backend_ready 📱 GitHub & Git — t.me/github_ready 👩‍💻 Весь IT — t.me/it_ready 👩‍💻 Bash & Shell — t.me/bash_ready 🖥 Design — t.me/design_ready 📌 Гайды, шпаргалки, задачи, ресурсы и фишки для каждого языка программирования!

🤔 Слишком поздно заходить в IT в 2025? Врать не буду: скорее да, чем нет — за последние пять лет порог вхождения сильно поднялся, и теперь нередко от джуна требуют навыки грейдом выше. Что делать в такой ситуации? Учиться эффективнее остальных и знать, как подать себя на рынке других. Разобраться со всем этим вам поможет База Знаний — мест, где за вас уже отобрали лучшие материалы по самым востребованным вакансиям: 🖥 Python Dev: 1558+ материалов 👩‍💻 Frontend Dev: 1241+ материалов 👩‍💻 Backend Dev: 1095+ материалов 📊 Data Scientist: 978+ материалов 🎨 UX/UI Designer: 885+ материалов 📖 Книги по IT: 779+ материалов Советую перейти и начать учиться уже сейчас — так уже к осени сможете претендовать на вакансию c хорошим окладом 👍

Skillbox запустил бесплатный мини-курс по Data Science. За 5 дней вы узнаете, чем ML Engineer отличается от Data Analyst и при чём здесь питон (то есть Python). Поймёте, как использовать нейросети в работе для автоматизации задач, а заодно выполните несколько практических заданий. Занятия подходят для любого уровня подготовки. Курс состоит из практики чуть менее чем полностью: — Создадите умного чат-бота, который генерирует ответы с помощью нейросети — Создадите нейросеть для подбора релевантных новостных статей — Научитесь визуализировать данные с помощью Python В общем, прокачаете навыки и наверняка узнаете что-то новое. Зарегистрируйтесь прямо сейчас и получите гайд «Как пользоваться ChatGPT и Midjourney»: https://epic.st/YP1cH?erid=2VtzqweAUM9 🔥 Бонус: откроем доступ к записям конференции по нейросетям после первого урока. Узнаете, как использовать ИИ в работе и жизни.

👩‍💻 Глобальные и локальные переменные в Python — почему UnboundLocalError ломает код В Python переменные живут в разных областях видимости: локальной (функция), глобальной (модуль), и встроенной (len, print, и т. д.). Новички часто сталкиваются с UnboundLocalError — когда кажется, что переменная доступна, но интерпретатор думает иначе. ⚡️ Ошибка №1: доступ к глобальной переменной внутри функции

    
        
x = 10

def foo():
    print(x)   # 🔴 UnboundLocalError
    x = 5

foo(){}
    

➡️ Python видит x = 5 и считает, что x — локальная переменная. Но до присвоения её нет, поэтому ошибка. 🌍 Решение: объявить переменную глобальной

    
        
x = 10

def foo():
    global x
    print(x)   # ✅ 10
    x = 5

foo()
print(x)  # 5{}
    

➡️ Теперь мы явно сказали: работаем с глобальной x. 🔄 Ошибка №2: изменение замыкания без nonlocal

    
        
def outer():
    x = 10
    def inner():
        x = x + 1   # 🔴 UnboundLocalError
        return x
    return inner()

outer(){}
    

➡️ Python считает, что x в inner — локальная, а к замыканию он не обращается. 🔧 Решение: использовать nonlocal

    
        
def outer():
    x = 10
    def inner():
        nonlocal x
        x = x + 1
        return x
    return inner()

print(outer())  # ✅ 11{}
    

➡️ nonlocal говорит: используй переменную из внешней функции. 🧪 Практика: счётчик на замыканиях

    
        
def make_counter():
    count = 0
    def inc():
        nonlocal count
        count += 1
        return count
    return inc

counter = make_counter()
print(counter())  # 1
print(counter())  # 2{}
    

➡️ Без nonlocal счётчик всегда бы начинался с нуля. 📦 Когда использовать global и nonlocal?

🟢 global — когда нужно изменять переменные уровня модуля (например, конфиг или кеш). 🟢 nonlocal — когда пишешь вложенные функции и нужно работать с переменными из внешней, а не создавать новые.

⚠️ Подводный камень: не меняй глобальные без нужды

    
        
users = []

def add_user(name):
    users.append(name)  # ✅ работает без global{}
    

➡️ Мы меняем список, а не переназначаем переменную. Поэтому global не нужен. 🗣️ Запомни: UnboundLocalError = Python думает, что переменная локальная. Используй global для изменения глобальных переменных, nonlocal — для замыканий. Избегай глобалок: они делают код запутанным. Лучше возвращать значения и передавать их явно.

🎲 Mutable vs Immutable: список в аргументах функции — неожиданный баг В Python есть два типа объектов: immutable (строки, числа, кортежи) и mutable (списки, словари, множества). Разница кажется очевидной, пока не сталкиваешься с функциями и дефолтными аргументами. ⚡️ Классический баг: изменяемый аргумент по умолчанию

    
        
def add_item(item, bucket=[]):
    bucket.append(item)
    return bucket

print(add_item("🍎"))  # ['🍎']
print(add_item("🍌"))  # ['🍎', '🍌'] ❌{}
    

➡️ Список создаётся один раз при определении функции. Все вызовы делят его между собой. 🔍 Почему так происходит?

Python вычисляет значения аргументов по умолчанию при определении функции, а не при каждом вызове. То есть bucket=[] создаётся один раз и живёт всё время жизни функции.

✅ Как правильно: использовать None

    
        
def add_item(item, bucket=None):
    if bucket is None:
        bucket = []
    bucket.append(item)
    return bucket

print(add_item("🍎"))  # ['🍎']
print(add_item("🍌"))  # ['🍌']{}
    

➡️ Теперь список создаётся каждый раз заново, если аргумент не передан. 🧪 Практика: словари ведут себя так же

    
        
def register_user(name, db={}):
    db[name] = True
    return db

print(register_user("Alice"))  # {'Alice': True}
print(register_user("Bob"))    # {'Alice': True, 'Bob': True} ❌{}
    

✔️ Исправляем через None:

    
        
def register_user(name, db=None):
    if db is None:
        db = {}
    db[name] = True
    return db{}
    

📦 Когда это реально нужно? Иногда специально используют «общий объект по умолчанию»:

    
        
def cache_query(query, cache={}):
    if query in cache:
        return cache[query]
    result = f"Выполнил {query}"
    cache[query] = result
    return result{}
    

➡️ Все вызовы делят одно хранилище. Это работает как встроенный кеш. 🧠 Immutable так не ломаются

    
        
def add_one(x=0):
    return x + 1

print(add_one())  # 1
print(add_one())  # 1{}
    

➡️ С числами, строками, кортежами проблем нет — они неизменяемые. 🗣 Запомни: Не используй изменяемые объекты в дефолтных аргументах. Безопасный паттерн: arg=None, потом if arg is None: arg = []. Исключение — если тебе нужен общий объект (например, кеш).

🔄 Генераторы и yield: как делать ленивые вычисления и экономить память Обычные функции в Python возвращают всё сразу. Генераторы — по частям. Это «ленивые» вычисления: результат отдаётся только тогда, когда он нужен. Экономия памяти и скорость работы на больших данных становятся колоссальными. ⚡️ Простейший пример с yield

    
        
def numbers():
    yield 1
    yield 2
    yield 3

for n in numbers():
    print(n){}
    

➡️ Функция не возвращает список, а отдаёт значения по одному. 📂 Чтение больших файлов построчно

    
        
def read_file(path):
    with open(path, "r") as f:
        for line in f:
            yield line.strip()

for line in read_file("big.log"):
    print(line){}
    

➡️ Файл читается строчка за строчкой, без загрузки всего в память. ♾️ Бесконечные последовательности

    
        
def counter(start=0):
    while True:
        yield start
        start += 1

for n in counter():
    if n > 5:
        break
    print(n){}
    

➡️ Генератор может выдавать элементы бесконечно. Список так сделать нельзя. 🔗 Пайплайны генераторов

    
        
def numbers():
    for i in range(10):
        yield i

def squared(seq):
    for x in seq:
        yield x * x

for x in squared(numbers()):
    print(x){}
    

➡️ Одни генераторы передают данные другим. Получается конвейер обработки. 🛠 Генераторные выражения

    
        
squares = (x*x for x in range(1_000_000))
print(next(squares))  # 1
print(next(squares))  # 4{}
    

➡️ Почти как list comprehension, но без хранения всех элементов в памяти. 🟢 Где это реально нужно:

🟢обработка логов и CSV гигабайтного размера; 🟢потоковые данные (сокеты, API); 🟢построение бесконечных последовательностей; 🟢конвейеры обработки (map/filter без лишних списков).

🗣️ Запомни:yield отдаёт результат по частям, не занимая память. Генераторы можно объединять в цепочки — как трубы. Если данных много или они бесконечны — только генераторы спасут.

⚡️ Сотни курсов и книг по всем языкам программирования теперь доступны бесплатно: 🤩385 ГБ — Python 🤩229 ГБ — JS, HTML, CSS 🤩422 ГБ — C, C++, C# 🤩147 ГБ — Java, PHP 🤩202 ГБ — Rust, Golang 🤩352 ГБ — Flutter, Kotlin, Swift 🤩108 ГБ — ИИ, Machine Learning 🤩168 ГБ — DevOps, СисАдмин 🤩122 ГБ — Windows, Linux 🤩242 ГБ — БД (SQL и NoSQL) 🤩163 ГБ — QA-тестирование 🤩242 ГБ — ИБ, Хакинг 🤩189 ГБ — Разработка игр 🤩171 ГБ — Разработка ботов 🤩612 ГБ — Собеседования в IT 🤩3942 ГБ — Другие направления База регулярно пополняется: Клик!