def add_item(lst):
    lst.append(100)

my_list = [1, 2, 3]
add_item(my_list)
print(my_list)  # [1, 2, 3, 100]

import arrow

# Создание и форматирование
utc = arrow.utcnow()
local = utc.to('USA/UFA')
print(local.humanize())  # "in a moment"

pip install 
arrow 

from pentestgpt import PentestGPT

tool = PentestGPT(target="https://example.com")
tool.brainstorm()
tool.run_scan()
tool.discuss_results()

from jsonpath_ng import jsonpath, parse

data = {
    "users": [
        {"name": "Alice", "age": 30, "tags": ["admin", "dev"]},
        {"name": "Bob",   "age": 20, "tags": ["dev"]},
        {"name": "Carol", "age": 25, "tags": []},
    ]
}

# Все имена пользователей старше 21
expr = parse('$.users[?(@.age > 21)].name')
names = [match.value for match in expr.find(data)]
print(names)  # ['Alice', 'Carol']

# Все теги всех пользователей (плоский список)
expr = parse('$.users[*].tags[*]')
tags = [m.value for m in expr.find(data)]
print(tags)  # ['admin', 'dev', 'dev']

🔹 JSONPath обладает мощным синтаксисом, поддерживающим фильтры, рекурсию, срезы и подвыражения.

🔹 Он возвращает совпадения вместе с их путями.

🔹 Инструмент эффективно работает с любыми структурами на основе словарей и списков, такими как ответы API и конфигурационные файлы.

pip install jsonpath-ng

from contextlib import contextmanager  

@contextmanager  
def open_file(path):  
    f = open(path, 'r')  
    try:  
        yield f  
    finally:  
        f.close()  

with open_file("example.txt") as f:  
    print(f.read())

pip install deepcode
deepcode analyze --path ./my_project

pip install pretty-pie-log.

import humanize  
import datetime  

print(humanize.intcomma(1234567))  # 1,234,567  

size = 1536000  
print(humanize.naturalsize(size))  # 1.5 MB  

dt = datetime.datetime.now() - datetime.timedelta(hours=3)  
print(humanize.naturaltime(dt))  # 3 hours ago

pip install humanize

pip install pandera

import httpx
import anyio
import time

urls = [f"https://jsonplaceholder.typicode.com/posts/{i}" for i in range(1000)]
start_time = time.time()

async def fetch(client, url, limiter):
    async with limiter:
        await client.get(url)

async def main():
    limiter = anyio.CapacityLimiter(100)  # макс. 100 параллельных запросов
    async with httpx.AsyncClient(timeout=30) as client:
        async with anyio.create_task_group() as task_group:
            for url in urls:
                task_group.start_soon(fetch, client, url, limiter)

anyio.run(main)
print(f"{len(urls)} запросов выполнено за {time.time() - start_time:.2f} секунд")

💡 По факту: эти 1 000 запросов теперь обрабатываются в ~7.25 секунд, в то время, как с обычным request обработка заняла ~439.82 секунд.

Да, почти в 60 раз быстрее — без заморочек с asyncio, event loop и сложными конструкциями.

pip install pyinstaller.

import copy

original = [[1, 2], [3, 4]]

shallow = copy.copy(original)
deep = copy.deepcopy(original)

original[0][0] = 99

print(shallow)  # ➔ [[99, 2], [3, 4]]
print(deep)     # ➔ [[1, 2], [3, 4]]

copy.copy() создаёт поверхностную копию объекта. Это значит, что сам объект копируется, но вложенные объекты продолжают ссылаться на те же данные.

copy.deepcopy() создаёт глубокую копию: копирует и сам объект, и все вложенные объекты, рекурсивно. В результате оригинал и копия полностью независимы.

🟢 Когда использовать:

copy() — если объект неглубокий и вложенные данные не будут изменяться.

deepcopy() — если нужно полностью изолировать копию от оригинала, включая всё содержимое.

❗️Важно: deepcopy может быть медленным на больших и вложенных структурах. Используйте осознанно.

📌 Подходит для работы со сложными структурами данных: списками списков, словарями, графами и т.д.