🔥 schedule: Простой планировщик задач в Python

import schedule
import time
from typing import Callable

def job(name: str):
    """Пример задачи, которая выполняется по расписанию."""
    print(f"✅ Задача '{name}' выполнена в {time.strftime('%H:%M:%S')}")

def main():
    """Настраиваем расписание."""
    schedule.every(2).seconds.do(job, name="Проверка почты")
    schedule.every(5).seconds.do(job, name="Обновление данных")
    schedule.every().day.at("10:00").do(job, name="Ежедневный отчёт")
    
    print("⏰ Расписание запущено. Ctrl+C для остановки.\n")
    
    try:
        while True:
            schedule.run_pending()
            time.sleep(1)
    except KeyboardInterrupt:
        print("\n👋 Расписание остановлено.")

if __name__ == "__main__":
    try:
        main()
    except Exception as e:
        print(f"Ошибка: {e}")

📌 schedule — лёгкая библиотека для запуска функций по расписанию (каждые N секунд, минут, в определённое время дня и т.д.). Не требует внешних сервисов вроде cron. Идеально для скриптов, ботов, мониторинга и автоматизации.

🛠 pip install schedule

Подпишись 👉🏻 @KodduuPython 🤖

🔥 @contextmanager: Создаём свои контекст-менеджеры как профи

from contextlib import contextmanager
import time
import os
from pathlib import Path

@contextmanager
def timer(name: str):
    """Контекст-менеджер для замера времени выполнения блока кода."""
    start = time.time()
    try:
        yield
    finally:
        print(f"⏱️ {name} заняло {time.time() - start:.4f} сек")

@contextmanager
def chdir(path: str):
    """Временно меняет текущую рабочую директорию."""
    old_cwd = os.getcwd()
    try:
        os.chdir(path)
        yield
    finally:
        os.chdir(old_cwd)

if __name__ == "__main__":
    try:
        with timer("Тяжёлая операция"):
            time.sleep(1.2)
        
        with chdir("/tmp") as tmp:
            print(f"Временно в директории: {os.getcwd()}")
        
        print("✅ Контекст-менеджеры сработали!")
    except Exception as e:
        print(f"Ошибка: {e}")

📌 @contextmanager из модуля contextlib позволяет создавать свои контекст-менеджеры одной функцией. Идеально для таймеров, временной смены директории, управления ресурсами, транзакций и любой логики «до/после».

Подпишись 👉🏻 @KodduuPython 🤖

🔥 Метаклассы: Динамическое создание классов и авто-регистрация плагинов

from typing import Dict, Type

class PluginMeta(type):
    """Метакласс, который автоматически регистрирует все плагины."""
    registry: Dict[str, Type] = {}

    def __new__(mcs, name, bases, attrs):
        cls = super().__new__(mcs, name, bases, attrs)
        if name != "PluginBase":
            mcs.registry[name] = cls
            print(f"🔌 Зарегистрирован плагин: {name}")
        return cls


class PluginBase(metaclass=PluginMeta):
    """Базовый класс для всех плагинов."""
    def run(self):
        raise NotImplementedError("Плагин должен реализовать метод run()")


class DataProcessor(PluginBase):
    """Пример плагина."""
    def run(self):
        print("📊 Обработка данных...")


class ReportGenerator(PluginBase):
    """Ещё один плагин."""
    def run(self):
        print("📄 Генерация отчёта...")


if __name__ == "__main__":
    try:
        print(f"Всего зарегистрировано плагинов: {len(PluginMeta.registry)}")
        
        for name, plugin_cls in PluginMeta.registry.items():
            plugin = plugin_cls()
            plugin.run()
        
        print("\n✅ Все плагины успешно выполнены!")
    except Exception as e:
        print(f"Ошибка: {e}")

📌 Метаклассы позволяют контролировать создание классов: автоматически регистрировать плагины, добавлять методы, валидировать атрибуты и многое другое. Это один из самых мощных и «волшебных» инструментов Python для создания фреймворков и плагин-систем.

Подпишись 👉🏻 @KodduuPython 🤖

🔥 concurrent.futures: Параллелизм в Python без боли

import time
from concurrent.futures import ThreadPoolExecutor, as_completed
from typing import List

def cpu_heavy_task(n: int) -> int:
    """Имитация тяжёлой CPU-задачи (вычисление суммы квадратов)."""
    return sum(i * i for i in range(n))

def run_sequential(numbers: List[int]) -> List[int]:
    """Последовательное выполнение (медленно)."""
    return [cpu_heavy_task(n) for n in numbers]

def run_parallel(numbers: List[int], max_workers: int = 4) -> List[int]:
    """Параллельное выполнение с ThreadPoolExecutor."""
    results = []
    with ThreadPoolExecutor(max_workers=max_workers) as executor:
        future_to_n = {executor.submit(cpu_heavy_task, n): n for n in numbers}
        for future in as_completed(future_to_n):
            try:
                results.append(future.result())
            except Exception as e:
                print(f"Ошибка в задаче {future_to_n[future]}: {e}")
    return results

if __name__ == "__main__":
    try:
        numbers = [300_000, 400_000, 500_000, 600_000]
        
        print("⏱️  Последовательно:")
        start = time.time()
        seq_result = run_sequential(numbers)
        print(f"Время: {time.time() - start:.2f} сек | Результаты: {seq_result[:2]}...\n")
        
        print("⚡ Параллельно (4 потока):")
        start = time.time()
        par_result = run_parallel(numbers)
        print(f"Время: {time.time() - start:.2f} сек | Результаты: {par_result[:2]}...")
        
        print("\n✅ В параллельном режиме значительно быстрее!")
    except Exception as e:
        print(f"Ошибка: {e}")

📌 concurrent.futures.ThreadPoolExecutor и ProcessPoolExecutor позволяют легко запускать задачи параллельно. Используйте as_completed(), чтобы получать результаты по мере готовности, и контекстный менеджер — чтобы не забыть закрыть пул. Отлично для IO-bound задач (ThreadPool) и CPU-bound задач (ProcessPool).

Подпишись 👉🏻 @KodduuPython 🤖

🔥 concurrent.futures: Параллелизм в Python без боли

import time
from concurrent.futures import ThreadPoolExecutor, as_completed
from typing import List

def cpu_heavy_task(n: int) -> int:
    """Имитация тяжёлой CPU-задачи (вычисление суммы квадратов)."""
    return sum(i * i for i in range(n))

def run_sequential(numbers: List[int]) -> List[int]:
    """Последовательное выполнение (медленно)."""
    return [cpu_heavy_task(n) for n in numbers]

def run_parallel(numbers: List[int], max_workers: int = 4) -> List[int]:
    """Параллельное выполнение с ThreadPoolExecutor."""
    results = []
    with ThreadPoolExecutor(max_workers=max_workers) as executor:
        future_to_n = {executor.submit(cpu_heavy_task, n): n for n in numbers}
        for future in as_completed(future_to_n):
            try:
                results.append(future.result())
            except Exception as e:
                print(f"Ошибка в задаче {future_to_n[future]}: {e}")
    return results

if __name__ == "__main__":
    try:
        numbers = [300_000, 400_000, 500_000, 600_000]
        
        print("⏱️  Последовательно:")
        start = time.time()
        seq_result = run_sequential(numbers)
        print(f"Время: {time.time() - start:.2f} сек | Результаты: {seq_result[:2]}...\n")
        
        print("⚡ Параллельно (4 потока):")
        start = time.time()
        par_result = run_parallel(numbers)
        print(f"Время: {time.time() - start:.2f} сек | Результаты: {par_result[:2]}...")
        
        print("\n✅ В параллельном режиме значительно быстрее!")
    except Exception as e:
        print(f"Ошибка: {e}")

📌 concurrent.futures.ThreadPoolExecutor и ProcessPoolExecutor позволяют легко запускать задачи параллельно. Используйте as_completed(), чтобы получать результаты по мере готовности, и контекстный менеджер — чтобы не забыть закрыть пул. Отлично для IO-bound задач (ThreadPool) и CPU-bound задач (ProcessPool).

Подпишись 👉🏻 @KodduuPython 🤖

🔥 BeautifulSoup: Умный парсинг HTML и веб-скрапинг

from bs4 import BeautifulSoup
from typing import List, Dict

# Пример HTML (можно заменить на requests.get(url).text)
html_example = """
<html>
<head><title>Каталог товаров</title></head>
<body>
    <h1>Наши продукты</h1>
    <div class="product">
        <h2>Ноутбук ASUS</h2>
        <p class="price">74990 ₽</p>
        <a href="/product/123">Подробнее</a>
    </div>
    <div class="product">
        <h2>Смартфон Xiaomi</h2>
        <p class="price">32990 ₽</p>
        <a href="/product/456">Подробнее</a>
    </div>
</body>
</html>
"""

def parse_products(html: str) -> List[Dict]:
    """Парсит HTML и извлекает товары по классам и тегам."""
    soup = BeautifulSoup(html, "html.parser")
    products = []
    
    for item in soup.find_all("div", class_="product"):
        try:
            product = {
                "title": item.find("h2").get_text(strip=True),
                "price": item.find("p", class_="price").get_text(strip=True),
                "link": item.find("a")["href"]
            }
            products.append(product)
        except AttributeError:
            continue  # пропускаем некорректные блоки
    return products

if __name__ == "__main__":
    try:
        products = parse_products(html_example)
        print(f"✅ Найдено товаров: {len(products)}\n")
        for p in products:
            print(f"📦 {p['title']}")
            print(f"   Цена: {p['price']}")
            print(f"   Ссылка: {p['link']}\n")
    except Exception as e:
        print(f"❌ Ошибка парсинга: {e}")

📌 BeautifulSoup превращает любой HTML в удобный объект для поиска по тегам, классам, id и тексту. Никаких регулярных выражений — только понятные методы. Идеально для скрапинга сайтов, парсинга прайсов, новостей и автоматизации сбора данных.

🛠 pip install beautifulsoup4

Подпишись 👉🏻 @KodduuPython 🤖

🔥 asyncio: Асинхронное программирование в Python

import asyncio
import time
from typing import List

async def fetch_data(url: str) -> str:
    """Имитация асинхронного запроса к API."""
    print(f"🔄 Запрос к {url}...")
    await asyncio.sleep(1)  # имитация сети
    return f"Данные с {url} получены!"

async def main() -> None:
    """Запускает несколько асинхронных задач параллельно."""
    urls = [
        "https://api.example.com/users",
        "https://api.example.com/posts",
        "https://api.example.com/comments",
        "https://api.example.com/products"
    ]
    
    start = time.time()
    # gather запускает все задачи одновременно
    results = await asyncio.gather(*[fetch_data(url) for url in urls])
    
    print(f"\n✅ Получено {len(results)} ответов за {time.time() - start:.2f} сек")
    for result in results:
        print(f"  • {result}")

if __name__ == "__main__":
    try:
        asyncio.run(main())
    except Exception as e:
        print(f"Ошибка: {e}")

📌 asyncio + await/gather позволяют писать неблокирующий код, который одновременно обрабатывает тысячи запросов, файлов или задач. Это основа современных высоконагруженных сервисов, ботов и веб-приложений на FastAPI/Starlette.

Подпишись 👉🏻 @KodduuPython 🤖

🔥 SymPy: Символьная математика и решение уравнений в Python

from sympy import symbols, solve, diff, simplify, integrate
from sympy.abc import x

def math_demo():
    """Примеры возможностей SymPy."""
    # Решение уравнения
    eq = x**2 - 5*x + 6
    roots = solve(eq, x)
    ic("Корни уравнения x²-5x+6=0:", roots)
    
    # Производная
    f = x**3 + 2*x**2 - 5*x + 3
    derivative = diff(f, x)
    ic("Производная:", derivative)
    
    # Упрощение выражения
    expr = (x**2 + 2*x + 1) / (x + 1)
    simplified = simplify(expr)
    ic("Упрощённое выражение:", simplified)
    
    # Интеграл
    integral = integrate(x**2 + 3*x, x)
    ic("Интеграл:", integral)

if __name__ == "__main__":
    try:
        math_demo()
    except Exception as e:
        print(f"Ошибка: {e}")

📌 SymPy — это библиотека для символьной математики. Она может решать уравнения, вычислять производные, интегралы, упрощать выражения, работать с матрицами и даже рисовать графики (sympy.plotting). Идеально для научных расчётов, обучения, симуляций и автоматизации математических задач.

🛠 pip install sympy

Подпишись 👉🏻 @KodduuPython 🤖

Один Junior делает больше, чем команда из 7 человек

Я сейчас веду несколько компаний и имею возможность сравнить.

Вот вам две крайности:

Команда 1️⃣ из 7 человек: 2 Middle Back + 1 Middle Front + 2 аналитика + 1 дизайнер + 1 Lead.

Команды 2️⃣ 1 Junior + 1 Product Owner part-time.

Команда 1️⃣ за 12 месяцев сделала 1 продукт размером ~100k LOC.

Команда 2️⃣ за 3 месяца сделала 1 продукт размером ~45k LOC.

Но самое главное: продуктом команды 1️⃣ пользуются всего 2 человека, и это по сути back из мультиагентов + простой Front для ввода данных и генерации.

А продуктом команды 2️⃣ пользуются уже 30 человек, и это очень сложная scalable-система автономных агентов.

Я к чему это пишу: это все происходит одновременно, прямо сейчас во многих компаниях.

Ключевое преимущество команды 2️⃣ — дикое количество итераций: до 30 в день выкаток (фич/фиксов) на Prod.

Product придумал — LLM все нарисовала — Junior через Cursor сделал весь Back — LLM протестила — выкатили — и повторить ~ 20 минут.

В идеале команда должна вообще состоять из Product Owner + LLM. Но Junior за 1/12 от стоимости команды 1️⃣ вполне себя очень даже окупает.

Вот и думайте 🙂

Подпишись 👉🏻 @aigentto 🤖

Некогда объяснять, регистрируйся пока не поздно 🏃🏃‍♀️

Похоже количество серверов в мире очень ограничено, поэтому только сегодня ограниченный drop промокодов на регистрацию в DarwinClaw.

Действует только сегодня 🚨 до 23:59 МСК.

Кол-во регистраций по промокоду сильно ограничено, из-за ограничений по серверам для запуска ваших ИИ-ассистентов.

Зачем оно вам?

Если вы давно хотели, чтобы у каждого сотрудника появился свой персональный ИИ-ассистент (в духе OpenClaw), который работает прямо в Telegram, знает документы компании и соблюдает ваши правила, сейчас хороший момент.

Всё запускается в один клик 🔥

Промокод (он же инвайт-код) DARWINCLAW-KODDUU-500-30. Регистрируемся тут 👉 https://darwinclaw.ru/register 👈

Детали по самому сервису тут 👉 https://darwinclaw.ru/ 👈

Подпишись 👉🏻 @KodduuPython 🤖

🔥 NetworkX: Графы и алгоритмы в Python

import networkx as nx
from typing import List, Tuple

def build_and_analyze_graph() -> None:
    """Пример работы с графами: города и дороги."""
    G = nx.Graph()
    
    # Добавляем узлы (города) и рёбра (дороги)
    G.add_edges_from([
        ("Москва", "Питер", {"distance": 700}),
        ("Москва", "Казань", {"distance": 800}),
        ("Питер", "Новгород", {"distance": 200}),
        ("Казань", "Екатеринбург", {"distance": 900}),
        ("Новгород", "Екатеринбург", {"distance": 1200}),
    ])
    
    # Кратчайший путь
    path = nx.shortest_path(G, "Москва", "Екатеринбург", weight="distance")
    distance = nx.shortest_path_length(G, "Москва", "Екатеринбург", weight="distance")
    
    print("📍 Кратчайший путь Москва → Екатеринбург:", " → ".join(path))
    print(f"Расстояние: {distance} км\n")
    
    # Центральность узлов
    centrality = nx.degree_centrality(G)
    print("🔝 Самые связанные города:")
    for city, cent in sorted(centrality.items(), key=lambda x: x[1], reverse=True):
        print(f"  • {city}: {cent:.2f}")

if __name__ == "__main__":
    try:
        build_and_analyze_graph()
    except Exception as e:
        print(f"Ошибка: {e}")

📌 NetworkX — мощная библиотека для работы с графами: построение, поиск кратчайших путей, центральность, сообщества, визуализация и тысячи алгоритмов. Идеально для транспортных сетей, рекомендаций, социальных графов и анализа связей.

🛠 pip install networkx

Подпишись 👉🏻 @KodduuPython 🤖

🔥 scikit-learn: Машинное обучение за 15 строк

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
import numpy as np

def train_iris_classifier() -> float:
    """Обучает классификатор на датасете Iris."""
    iris = load_iris()
    X, y = iris.data, iris.target
    
    # Разделяем на train/test
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.3, random_state=42
    )
    
    # Модель случайного леса
    clf = RandomForestClassifier(n_estimators=100, random_state=42)
    clf.fit(X_train, y_train)
    
    # Предсказания и точность
    y_pred = clf.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    
    print(f"Точность модели: {accuracy:.2%}")
    print(f"Пример предсказания: {iris.target_names[clf.predict([X_test[0]])[0]]}")
    return accuracy

if __name__ == "__main__":
    try:
        train_iris_classifier()
    except Exception as e:
        print(f"Ошибка: {e}")

📌 scikit-learn — это стандарт де-факто для машинного обучения в Python. Включает классификацию, регрессию, кластеризацию, предобработку, кросс-валидацию и многое другое. Одна из самых удобных и мощных библиотек для data science и ML.

🛠 pip install scikit-learn

Подпишись 👉🏻 @KodduuPython 🤖

Вышел бесплатный курс OpenClaw за 60 минут 🔥🔥🔥

Подпишись 👉🏻 @KodduuPython 🤖

🔥 TextBlob: Простой и мощный анализ текста

from textblob import TextBlob
from typing import Tuple

def analyze_text(text: str) -> Tuple[float, str]:
    """Анализирует текст: sentiment, полярность и субъективность."""
    blob = TextBlob(text)
    
    # Sentiment analysis
    sentiment = blob.sentiment
    polarity = sentiment.polarity  # от -1 (отрицательный) до 1 (положительный)
    
    if polarity > 0.1:
        mood = "Положительный"
    elif polarity < -0.1:
        mood = "Отрицательный"
    else:
        mood = "Нейтральный"
    
    return polarity, mood

if __name__ == "__main__":
    try:
        texts = [
            "Python — замечательный язык для разработки!",
            "Сегодня ужасная погода, всё идёт не так.",
            "Средний отчёт: ничего особенного.",
            "Этот продукт изменил мою жизнь к лучшему!"
        ]
        
        for t in texts:
            polarity, mood = analyze_text(t)
            print(f"Текст: {t}")
            print(f"Настроение: {mood} (полярность: {polarity:.2f})\n")
    except Exception as e:
        print(f"Ошибка: {e}")

📌 TextBlob — это простой и удобный инструмент для анализа текста: sentiment, перевод, исправление орфографии, извлечение существительных и многое другое. Работает из коробки и не требует сложной настройки. Идеально для анализа отзывов, новостей, социальных сетей и чат-ботов.

🛠 pip install textblob

Подпишись 👉🏻 @KodduuPython 🤖

Мясной прокси 🙂

Не будьте мясным прокси, не форвардите просто то, что вам сказал ИИ, людям ❗️

Подпишись 👉🏻 @aigentto 🤖