PytStart | Программирование на Python

🖥 Магия множеств (Sets) Вам нужно найти общие элементы в двух списках или узнать, чем они отличаются? Не спешите писать вложенные циклы for — это медленно и некрасиво. Используйте множества (set). Они поддерживают математические операции "из коробки". Пример: Есть два списка разработчиков:

    
        
frontend = {"Anna", "Bob", "Alice"}
backend = {"Bob", "John", "Alice"}{}
    

Что можно сделать одной строкой: 1️⃣ Кто фуллстек? (пересечение &)

    
        
print(frontend & backend)
# {'Alice', 'Bob'}{}
    

2️⃣ Кто только фронтендер? (разность -)

    
        
print(frontend - backend)
# {'Anna'}{}
    

3️⃣ Кто работает только на одной стороне? (симметрическая разность ^)

    
        
print(frontend ^ backend)
# {'Anna', 'John'}{}
    

Это работает очень быстро (почти мгновенно) даже на больших объемах данных.

Появился мощный инструмент для прохождения собеседований — Sobes Copilot. Это нейросеть, которая подсказывает ответы прямо во время интервью, анализируя разговор в реальном времени. Copilot работает незаметно в Zoom, Google Meet, Teams и других платформах. Поддерживает русский язык, не виден при демонстрации экрана и помогает держать уверенный темп диалога, даже если вопрос сложный или неожиданный. Дополнительно Sobes Copilot делает пост-анализ собеседования: разбирает диалог после созвона, подсвечивает сильные и слабые моменты, удачные формулировки и зоны роста. Это позволяет понять, что сработало, а что стоит улучшить перед следующим интервью. Если хотите проходить собесы спокойнее и увереннее — изучите возможности сервиса по ссылке. Это действительно меняет игру. 🎁 Промокод: SOBES26 — даёт 10% скидки на старт.

🚀 Магия NumPy: маски и broadcasting Как выбирать, изменять и считать элементы массивов без циклов, с полной гибкостью? Писать for и if? ❌ Нет! Используйте булевы маски и broadcasting.

    
        import numpy as np

# создаём массив случайных чисел
data = np.random.randint(0, 100, size=(5, 5))
print("Массив:\n", data)

# выбираем все элементы >50
mask = data > 50
print("Элементы >50:\n", data[mask])

# умножаем все >50 на 2 (broadcasting)
data[mask] *= 2
print("После умножения >50 на 2:\n", data)

# fancy indexing: выбираем 1, 3 и 4 строки, 0 и 2 столбцы
subset = data[[1,3,4], :][:, [0,2]]
print("Подмассив (fancy indexing):\n", subset){}
    

✅ Что важно: 👍Булевы маски позволяют выбирать элементы по условию 👍Broadcasting даёт возможность применять операции ко всему массиву без циклов 👍Fancy indexing создаёт новые массивы быстро и выразительно 💡 Это читается почти как обычный английский текст. Пишите эффективный Python для больших данных и ML! ✍️

💻 SciPy: оптимизация и решение сложных задач Как найти минимум функции или решить систему нелинейных уравнений, не переписывая всё вручную? Писать цикл и градиенты самому? ❌ Нет! Используйте scipy.optimize.

    
        from scipy.optimize import minimize, fsolve
import numpy as np

# --- Минимизация функции ---
# функция с минимумом
def func(x):
    return (x - 3)**2 + np.sin(x)*5

# ищем минимум
res = minimize(func, x0=0)  # x0 - начальное приближение
print("Минимум функции:", res.x, "Значение:", res.fun)

# --- Решение системы нелинейных уравнений ---
# система: x^2 + y^2 = 1, x - y = 0.5
def system(vars):
    x, y = vars
    return [x**2 + y**2 - 1, x - y - 0.5]

solution = fsolve(system, [0, 0])  # начальное приближение [x0, y0]
print("Решение системы:", solution){}
    

✅ Что важно: 👍minimize ищет минимум любой функции, можно задавать ограничения и методы 👍fsolve решает системы нелинейных уравнений с произвольной сложностью 👍Все операции быстро работают, не нужно вручную считать градиенты и итерации 💡 Это читается почти как обычный английский текст. Пишите научные и инженерные вычисления на Python профессионально! ✍️

📈 Pandas: группировка и агрегация данных Как быстро подсчитать суммы, средние и максимум по категориям без цикла? Писать for и if? ❌ Нет! Используйте groupby и агрегации.

    
        import pandas as pd

# создаём DataFrame
data = pd.DataFrame({
    "Компания": ["A", "B", "A", "B", "C"],
    "Доход": [100, 200, 150, 120, 300],
    "Расход": [50, 80, 60, 70, 150]
})

# группируем по компании и считаем суммарный доход и средний расход
summary = data.groupby("Компания").agg({
    "Доход": "sum",
    "Расход": "mean"
})

print(summary){}
    

✅ Что важно: 👍groupby позволяет группировать данные по ключу 👍agg выполняет несколько операций сразу 👍Код остаётся коротким, читаемым и эффективным 💡 Это читается почти как обычный английский текст. Пишите чистый и быстрый Python для аналитики данных! ✍️

💻 Асинхронный код без блокировок Как запускать десятки сетевых запросов одновременно, не тормозя программу? Писать многопоточный код? ❌ Нет! Используйте async и await с библиотекой asyncio.

    
        import asyncio

async def fetch_data(n):
    print(f"Запрос {n} стартовал")
    await asyncio.sleep(1)  # имитация сетевого запроса
    print(f"Запрос {n} завершён")
    return n * 2

async def main():
    # запускаем все задачи одновременно
    results = await asyncio.gather(*(fetch_data(i) for i in range(5)))
    print("Результаты:", results)

asyncio.run(main()){}
    

✅ Что важно: 👍asyncio.gather запускает все задачи параллельно 👍Программа ждёт только по факту завершения задач 👍Код остаётся читаемым и безопасным 😀 Это читается почти как обычный английский текст. Пишите эффективный и современный Python! ✍️

🖥 Моржовый оператор := Странное название, но очень полезная суть. Оператор := (он похож на глаза и клыки моржа) позволяет присвоить значение переменной прямо внутри выражения (например, внутри if или while). Задача: Получить данные от функции (или пользователя) и проверить, не пустые ли они. ❌ Без моржа (3 строки):

    
        
text = input("Введите слово: ")
if len(text) > 5:
    print(f"Длинное слово: {text}"){}
    

✅ С моржом (2 строки):

    
        
# Мы и присваиваем text, и сразу проверяем его длину
if len(text := input("Введите слово: ")) > 5:
    print(f"Длинное слово: {text}"){}
    

Переменная text останется доступной и внутри блока if, и после него. Это отлично экономит место и делает код компактнее.

🖥 Как посчитать элементы "за 1 секунду" Вам нужно узнать, сколько раз каждый символ встречается в строке или сколько раз слово встречается в списке? Не пишите циклы и словари вручную! В модуле collections есть идеальный инструмент — Counter. 📌 Пример:

    
        
from collections import Counter

text = "abracadabra"
stats = Counter(text)

print(stats)
# Counter({'a': 5, 'b': 2, 'r': 2, 'c': 1, 'd': 1}){}
    

Он работает как словарь, но умеет больше. Например, метод .most_common() сразу покажет топ элементов:

    
        
# Вывести 2 самых частых символа
print(stats.most_common(2)) 
# [('a', 5), ('b', 2)]{}
    

🗣️ Идеально для аналитики текстов, логов и простой статистики.

Привет. Вот тебе самые топовые каналы по IT! ⚙️ Free Znanija (IT) — Самая огромная коллекция платных курсов, которые можно скачать бесплатно; 👩‍💻 IT Books — Самая огромная библиотека книг; 💻 Hacking & InfoSec Base — Крутой блог белого хакера; 🛡 CyberGuard — Всё про ИБ; 🤔 ИБ Вакансии — Всё, чтобы найти работу в ИБ; 👩‍💻 linux administration — Всё про Линукс; 👩‍💻 Программистика — Python, python и ещё раз python; 👩‍💻 GameDev Base — Всё про GameDev; 😆 //code — Самые топовые мемы по IT: Подпишись, чтобы не потерять!

🖥 Python-фишка: Проходим по двум спискам одновременно Допустим, у вас есть список имен и список зарплат. Вам нужно вывести их парами. Не нужно использовать индексы! В Python есть встроенная функция zip(), которая "сшивает" списки как молнию на куртке. 📌 Пример:

    
        
names = ["Alice", "Bob", "Charlie"]
salaries = [50000, 60000, 70000]

# name берется из names, salary из salaries
for name, salary in zip(names, salaries):
    print(f"{name} зарабатывает {salary}"){}
    

💡 Бонус-трюк: С помощью zip можно мгновенно создать словарь из двух списков:

    
        
data_dict = dict(zip(names, salaries))
# {'Alice': 50000, 'Bob': 60000, ...}{}
    

Минимум кода — максимум пользы.