👩‍💻 Викторина: что выведет код?

import time

history = []

def delay_printer(sec):
def decorator(func):
def wrapper(n):
time.sleep(sec)
result = func(n)
history.append(result)
return f"[D{sec}] {result}"
return wrapper
return decorator

def counter(func):
def wrapper(n):
wrapper.count += 1
result = func(n)
return f"[#{wrapper.count}] {result}"
wrapper.count = 0
return wrapper

@delay_printer(1)
@counter
def double(x):
return x * 2

@delay_printer(2)
@counter
def triple(x):
return x * 3

print(double(5))
print(triple(5))
print(double(5))
print(f"history: {history}")

🐍 Ghostly Python | #викторина

👩‍💻 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

📱 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

🐍 Ghostly Python | #мем

🖼️ Легковесная и мощная платформа для многоагентных рабочих процессов

OpenAI Agents SDK — это легковесная, но мощная платформа для создания рабочих процессов с участием нескольких агентов. Она не зависит от конкретного поставщика услуг и поддерживает API OpenAI Responses и Chat Completions, а также более 100 других LLM-модулей.

➡️ Ссылка на платформу

🐍 Ghostly Python | #ресурс

👩‍💻 Викторина: что выведет код?

def make_counter():
count = [0]

def increment():
count[0] += 1
return count[0]

def get():
return count[0]

return increment, get

inc1, get1 = make_counter()
inc2, get2 = make_counter()

inc1()
inc1()
inc2()
inc1()

print(get1(), get2())
print(inc2())
print(get1(), get2())

🐍 Ghostly Python | #викторина

📱 Фишка: __slots__ — отключаем_slots__ —для экономии памяти

По умолчанию каждый экземпляр Python хранит атрибуты в словаре dict. Это удобно, но съедает много памяти.__ —для экофиксирует набор атрибутов, убираяlots__ —дли� Фишка: __sl

class Report:
    — отключае= ('user_id', 'stats')  # только эти атрибуты
    
    def __init__(self, user_id):
        self.user_id = user_id
        self.stats = {}  # теперь stats не динамический

r = Report(123)
r.new_attr = 42  # ❌ AttributeError!

📌 Как это работает?

— Вместо dict создаются дескрипторы для каждого атрибута из slots.
— Экземпляр хранит значения в компактном массиве, не в хэш-таблице.

🐍 Ghostly Python | #фишки

Не репутация, а мечта

🐍 Ghostly Python | #мем

🖼️ 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