📱 Фишка: call — делаем объекты вызываемыми как функции

Позволяет экземплярам класса вести себя как функции, то есть их можно «вызывать» с помощью круглых скобок (). Полезно для создания объектов с состоянием, которые могут хранить данные между вызовами, или для реализации декораторов на классах.

class Counter:
def init(self):
self.count = 0
def __call__(self):  
    self.count += 1  
    return self.count  

Создаём объект

counter = Counter()

Вызываем объект как функцию

print(counter())  # 1
print(counter())  # 2
print(counter())  # 3

---

Более практичный пример: кэширующий декоратор на классе
class Memoize:
    def __init__(self, func):
        self.func = func
        self.cache = {}

    def __call__(self, *args):
        if args not in self.cache:
            self.cache[args] = self.func(*args)
        return self.cache[args]

@Memoize
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

print(fibonacci(10))  # Быстро, т.к. значения кэшируются

📌 Как это работает?

— Метод call вызывается, когда экземпляр класса используется как функция.
— Объект может сохранять внутреннее состояние между вызовами.
— Позволяет создавать более гибкие и читаемые конструкции, особенно когда нужно сочетать данные и поведение.

🐍 Ghostly Python | #фишки

🐍 Ghostly Python | #мемы

👩‍💻 Викторина: что выведет код?

import time

class CodeQuiz:
    def __init__(self):
        self.questions = [
            {
                "code": "print([i**2 for i in range(5)])",
                "options": ["[0, 1, 4, 9, 16]", "[1, 4, 9, 16, 25]", "[0, 2, 4, 6, 8]", "Ошибка"],
                "answer": 0
            },
            {
                "code": "x = 'hello'\nprint(x[::-1])",
                "options": ["hello", "olleh", "h", "Ошибка"],
                "answer": 1
            },
            {
                "code": "a = {1, 2, 3}\nb = {3, 4, 5}\nprint(a & b)",
                "options": ["{1, 2, 3, 4, 5}", "{3}", "{ }", "Ошибка"],
                "answer": 1
            }
        ]
        self.score = 0

    def run(self):
        print("Викторина: Что выведет код?\n")
        
        for i, q in enumerate(self.questions, 1):
            print(f"Вопрос {i}:")
            print(q["code"])
            print("\nВарианты:")
            for idx, opt in enumerate(q["options"]):
                print(f"{idx+1}) {opt}")
            
            try:
                ans = int(input("\nОтвет (1-4): ")) - 1
                if ans == q["answer"]:
                    print("✓ Правильно!\n")
                    self.score += 1
                else:
                    print(f"✗ Неправильно. Правильный ответ: {q['options'][q['answer']]}\n")
            except:
                print("Нужно ввести число 1-4\n")
        
        print(f"Итог: {self.score}/{len(self.questions)}")

quiz = CodeQuiz()
quiz.run()

🐍 Ghostly Python | #викторина

🐍 Ghostly Python | #мемы

➡️ 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

❓ Вопрос с собеса: генераторы vs списки в Python

На собеседованиях по Python часто спрашивают про разницу между генераторами и списками. Давайте разберем на примере.

Пример🔽

# Создание списка
list_numbers = [x * 2 for x in range(5)]
print("Список:", list_numbers)  # → [0, 2, 4, 6, 8]

# Создание генератора
gen_numbers = (x * 2 for x in range(5))
print("Генератор:", gen_numbers)  # → <generator object at ...>
print("Элементы генератора:", list(gen_numbers))  # → [0, 2, 4, 6, 8]

Ответ🔽

Список ([]) — хранит все элементы сразу в памяти.
Подходит, если нужно многократно обращаться к данным или изменять их.

Генератор (()) — создаёт элементы лениво (по одному), не храня всё в памяти.
Подходит для обработки больших данных или бесконечных последовательностей.

— Когда что использовать?
Список — если нужен быстрый доступ по индексу или многоразовое использование данных.

Генератор — если работаете с большим объёмом данных или нужно экономить память.

🐍 Ghostly Python | #собес

🖼️ Библиотека: TextBlob

TextBlob — это интуитивно понятная библиотека для обработки текста на Python, построенная поверх NLTK и Pattern. Предоставляет простой API для распространённых NLP-задач: анализ тональности, перевод, извлечение существительных, классификация и многое другое.

ℹ️ Основные возможности:

🟢 Анализ тональности: Определение полярности и субъективности текста.
🟢 Частеречная разметка (POS-tagging): Автоматическое определение частей речи.
🟢 Извлечение существительных и фраз: Нахождение ключевых слов и тем.
🟢 Морфологический анализ: Склонение, спряжение, единственное/множественное число.
🟢 Перевод и определение языка: Интеграция с Google Translate.

⚙️ Пример использования:

from textblob import TextBlob
from collections import Counter

# Чтение файла
with open('article.txt', 'r', encoding='utf-8') as f:
    text = f.read()

# Создание объекта TextBlob
blob = TextBlob(text)

# Основная статистика
print(f"Длина текста: {len(text)} символов")
print(f"Количество слов: {len(blob.words)}")
print(f"Количество предложений: {len(blob.sentences)}")
print(f"Средняя длина предложения: {len(blob.words)/len(blob.sentences):.1f} слов")
print()

# Самые частые слова (без стоп-слов)
words = [word.lower() for word in blob.words if len(word) > 3]
word_freq = Counter(words).most_common(10)
print("=== ТОП-10 СЛОВ ===")
for word, count in word_freq:
    print(f"{word:15} : {count} раз")
print()

# Анализ тональности по предложениям
print("=== ТОНАЛЬНОСТЬ ПО ПРЕДЛОЖЕНИЯМ ===")
for i, sentence in enumerate(blob.sentences[:5], 1):
    print(f"[{i}] {sentence}")
    print(f"    Полярность: {sentence.sentiment.polarity:.3f}")
    print()

✔️ Установка:

pip install textblob

➡️ Ссылка на документацию

🐍 Ghostly Python | #библиотеки

👩‍💻 Викторина: что выведет код?

class Meta(type):
    def __new__(cls, name, bases, dct):
        dct['multiplied'] = lambda self: self.value * 2
        return super().__new__(cls, name, bases, dct)

class MyClass(metaclass=Meta):
    def __init__(self, value):
        self.value = value

obj1 = MyClass(5)
obj2 = MyClass(10)

print(obj1.multiplied())
print(obj2.multiplied())
print(type(MyClass))

🐍 Ghostly Python | #викторина

➡️ Платформа с практическими заданиями по Python

Одна из крупнейших платформ для практики, также можно почитать интересную статью от кодера, который по личному опыту расскажет, стоит ли заниматься на данной платформе, и для кого она лучше всего она подходит.

⛓️ Ссылка на платформу

🐍 Ghostly Python | #ресурсы

❓ Вопрос с собеса: map() vs filter() в Python

На собеседованиях по Python часто спрашивают про разницу между map() и filter(). Давайте разберем на примере:

Пример🔽

numbers = [1, 2, 3, 4, 5]

# map: преобразует каждый элемент
squared = list(map(lambda x: x ** 2, numbers))
print("map (квадраты):", squared)  # → [1, 4, 9, 16, 25]

# filter: оставляет только подходящие элементы
even = list(filter(lambda x: x % 2 == 0, numbers))
print("filter (чётные):", even)  # → [2, 4]

Ответ🔽

map() — применяет функцию к каждому элементу коллекции и возвращает новый итератор с результатами.
Размер результата равен исходной коллекции.

filter() — применяет функцию-условие к каждому элементу и оставляет только те, для которых условие истинно.
Размер результата может быть меньше исходного.

map() — когда нужно преобразовать все элементы (например, привести строки к числам, применить математическую операцию).

filter() — когда нужно отобрать элементы по критерию (например, оставить положительные числа, найти строки длиннее 5 символов).

🐍 Ghostly Python | #собес

🐍 Ghostly Python | #мемы

🖼️ Библиотека: GeoPandas

GeoPandas — это библиотека Python для работы с геопространственными данными, которая расширяет структуры данных pandas, добавляя поддержку геометрических объектов. Позволяет выполнять пространственные операции, анализ и визуализацию географических данных прямо в Python.

ℹ️ Основные возможности:

🟢 Геометрические типы данных: Точки, линии, полигоны из библиотеки Shapely.
🟢 Пространственные операции: Объединение, пересечение, буферизация, расстояние.
🟢 Чтение/запись форматов: Shapefile, GeoJSON, PostGIS, GPKG.
🟢 Пространственные соединения: Объединение данных по географическому расположению.
🟢 Визуализация: Построение карт с matplotlib, интеграция с contextily.

⚙️ Пример использования:

import geopandas as gpd
import matplotlib.pyplot as plt
from shapely.geometry import Point, Polygon

# Создание GeoDataFrame из точек
data = {
    'city': ['Москва', 'Санкт-Петербург', 'Казань', 'Екатеринбург'],
    'population': [12_500_000, 5_400_000, 1_200_000, 1_500_000],
    'geometry': [
        Point(37.6173, 55.7558),    # Москва
        Point(30.3351, 59.9343),    # СПб
        Point(49.1088, 55.7961),    # Казань
        Point(60.5980, 56.8389)     # Екатеринбург
    ]
}

gdf = gpd.GeoDataFrame(data, crs="EPSG:4326")  # WGS84
print(gdf.head())
print(f"CRS: {gdf.crs}")

# Преобразование в другую проекцию (для точных измерений)
gdf_utm = gdf.to_crs("EPSG:32637")  # UTM zone 37N
print(f"Преобразовано в: {gdf_utm.crs}")

# Создание буферных зон (100 км вокруг городов)
gdf_buffer = gdf_utm.copy()
gdf_buffer['geometry'] = gdf_utm.geometry.buffer(100000)  # 100 км в метрах

# Визуализация
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))

gdf.plot(ax=ax1, color='red', markersize=50)
ax1.set_title('Города России')
ax1.set_xlabel('Долгота')
ax1.set_ylabel('Широта')

gdf_buffer.plot(ax=ax2, alpha=0.3, edgecolor='black')
gdf.plot(ax=ax2, color='red', markersize=30)
ax2.set_title('Буферные зоны 100 км')
ax2.set_xlabel('Координаты UTM (м)')

plt.tight_layout()
plt.show()

✔️ Установка:

pip install geopandas

➡️ Ссылка на документацию

🐍 Ghostly Python | #библиотеки

❓ Вопрос с собеса

Что делает оператор walrus (:=) в Python и когда его стоит использовать?

Пример🔽

# Без walrus
line = input("Введите строку: ")
while line != "":
    print(f"Вы ввели: {line}")
    line = input("Введите строку: ")

# С walrus
while (line := input("Введите строку: ")) != "":
    print(f"Вы ввели: {line}")

Ответ🔽

Оператор "морж" (:=), добавленный в Python 3.8, позволяет присваивать значение переменной прямо внутри выражения. Это особенно полезно в циклах и условиях, где раньше приходилось писать отдельное присваивание.

✅ Преимущества:

Позволяет избежать повторного вызова функции (например, input()).

Делает код короче и, при правильном использовании, — читаемее.

📌 Используется там, где результат выражения нужен и для логики, и для сохранения значения.

❗️ Не стоит злоупотреблять: если конструкция становится нечитаемой — лучше использовать обычное присваивание.

🐍 Ghostly Python | #собес

👩‍💻 Викторина: что выведет код?

class PositiveNumber:
    def __get__(self, obj, objtype=None):
        return obj._value
    
    def __set__(self, obj, value):
        if value <= 0:
            raise ValueError("Must be positive")
        obj._value = value

class Account:
    balance = PositiveNumber()
    
    def __init__(self, initial_balance):
        self.balance = initial_balance

try:
    acc1 = Account(100)
    print(f"Acc1: {acc1.balance}")
    
    acc2 = Account(-50)
    print(f"Acc2: {acc2.balance}")
    
except ValueError as e:
    print(f"Error: {e}")

acc1.balance = -30
print(f"Acc1 new: {acc1.balance}")

🐍 Ghostly Python | #викторина

Как подключить VSCode к GitLab, Docker, Jupyter

Пошаговая инструкция-статья по интеграции VSCode.

Рассказывается про абсолютно все мелочи: как получить токен доступа, настроить Dev Container, выбрать ядро для ноутбука и объединить все инструменты.

➡️ Читаем статью тут

🐍 Ghostly Python | #статья

Сначала телеграм, а что дальше?

А, точно

🐍 Ghostly Python | #мем

👩‍💻 Argparse — работаем с аргументами командной строки

argparse — встроенный модуль Python для создания интерфейсов командной строки. Позволяет легко добавлять флаги и параметры к скриптам, с автоматической генерацией help.

⚙️ Пример: скрипт с параметром имени пользователя

import argparse

parser = argparse.ArgumentParser(description="Приветствие пользователя")
parser.add_argument("name", help="Имя пользователя")
args = parser.parse_args()

print(f"Привет, {args.name}!")

💬 Как это работает:

1. ArgumentParser() создаёт парсер аргументов.
2. add_argument("name") добавляет обязательный позиционный аргумент.
3. parse_args() читает аргументы из командной строки.
4. Запуск: python script.py Алиса ➔ Привет, Алиса!

🟢 Поддерживает позиционные и опциональные аргументы (--debug, --limit 10)
🟢 Генерирует справку по команде -h или --help
🟢 Полезен при создании CLI-утилит, автоматизации и упаковке Python-скриптов в команды

🐍 Ghostly Python | #гайды

❓ Вопрос с собеса

Что делает functools.lru_cache в Python и когда его использовать?

Пример🔽

```python
# Без lru_cache (наивная рекурсия)
def fibonacci(n):
    if n <= 1:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

# Вычисление 35-го числа займет несколько секунд
# print(fibonacci(35))

# С lru_cache (кэширование результатов)
from functools import lru_cache

@lru_cache(maxsize=128)
def fibonacci_cached(n):
    if n <= 1:
        return n
    return fibonacci_cached(n-1) + fibonacci_cached(n-2)

# Вычисление 100-го числа произойдет мгновенно!
print(fibonacci_cached(100))

Ответ🔽

Декоратор @lru_cache (Least Recently Used cache) автоматически сохраняет результаты вызова функции в кэше. При повторном вызове с теми же аргументами функция не выполняется заново, а возвращает уже готовое значение из памяти.

🐍 Ghostly Python | #собес