Есть секретное пособие, которое делает из вас программиста уровня Google

I. Алгоритмы и структуры данных, без которых никуда
II. Упор на Python, Java, C++, C, но есть и материалы по Go, JS, Rust, Ruby
III. Реальные задачи с разбором
IV. Подготовка к любому этапу, даже к сложным HR-вопросам

Репозиторий настолько мощный, что его заметили даже в Google. И есть перевод на русский, так что всё понятно 🌟

👉 @PythonPortal

Появился простой способ превращать код в красивые картинки

ColorCodeBot это бот, который позволяет создавать изображения с подсветкой синтаксиса из любого кода. Он автоматически определяет язык программирования и подходит для работы как в личных чатах, так и в группах.

Он использует pyTelegramBotAPI для взаимодействия с Telegram и guesslang для распознавания языка, а изображения рендерятся с помощью Silicon и шрифта Iosevka.

Проект легко развернуть локально и настроить под свои нужды. 🤩

👉 @PythonPortal

Это ещё ничего.. 😄

👉 @PythonPortal

Регулярки + Pandas = неудержимый тандем для очистки данных

На этой шпаргалке показано, как убрать пробелы, удалить цифры, вытянуть email, найти номера телефонов, извлечь значения цен, заменить шаблоны и настроить очистку текста с помощью регулярных выражений в Python.

import pandas as pd
import re

# Пример данных
df = pd.DataFrame({
    'text': [' Hello123! ', 'Email: test@example.com', 'Price is $45.99', 'Call: +91-9876543210']
})

1. Удаление пробелов в начале и конце
df['clean'] = df['text'].str.strip()

2. Удаление всех неалфавитно-цифровых символов
df['clean'] = df['text'].str.replace(r'[^a-zA-Z0-9 ]', '', regex=True)

3. Удаление всех цифр
df['clean'] = df['text'].str.replace(r'\d+', '', regex=True)

4. Извлечение Email адреса
df['email'] = df['text'].str.extract(r'[\w\.-]+@[\w\.-]+')

5. Извлечение номеров телефонов (пример для Индии)
df['phone'] = df['text'].str.extract(r'\+91[-\s]?(\d{10})')

6. Извлечение цен
df['price'] = df['text'].str.extract(r'\$([\d\.]+)')

7. Замена множества пробелов на один
df['clean'] = df['text'].str.replace(r'\s+', ' ', regex=True)

8. Приведение к нижнему регистру и удаление спецсимволов
df['clean'] = df['text'].str.lower().str.replace(r'[^a-z0-9 ]', '', regex=True)

9. Извлечение только букв или только цифр
df['only_text'] = df['text'].str.extract(r'([a-zA-Z\s]+)')
df['only_digits'] = df['text'].str.extract(r'(\d+)')

10. Пользовательская замена с использованием re.sub()
df['custom'] = df['text'].apply(lambda x: re.sub(r'\W+', '_', x))  # Заменяет все не-словесные символы на _

👉 @PythonPortal

Сегодня отмечается День программиста!

256-й день года выбран не случайно:

Дата праздника объясняется расчетом: 2 (двоичная система исчисления) в степени 8 (количество битов в байте). То есть 2^8= 256. Поэтому в обычный год день программиста 13 сентября, а в високосный — 12 сентября

С праздником, коллеги! ☺️

@IT_Portal

Лайфхак для вайбкодеров: если открыть любой репозиторий на GitHub и заменить github.com на gitmcp.io в его URL, вы попадёте на страницу с MCP-сервером для этого репо. Там будет готовый сниппет конфигурации. 🔨

Просто скопируйте его и вставьте в свою IDE или ИИ-инструмент (например, Cursor, Windsurf или VS Code с поддержкой MCP.)

👉 @PythonPortal

Не найдено

👉 @PythonPortal

Гайд для Python-разработчиков

Как определить точное местоположение любого IP-адреса

В статье показывают, как с помощью Python и библиотеки pygeoip работать с базой MaxMind, чтобы быстро получать геолокацию IP. Скрипт можно настроить так, чтобы все необходимые зависимости устанавливались автоматически, а сам процесс был максимально простым и удобным 🤩

👉 @PythonPortal

Совет по чистому коду в Python:

Отлавливайте проблемы линтинга до того, как они попадут в репозиторий, с помощью pre-commit hook.

Установите фреймворк pre-commit, добавьте файл .pre-commit-config.yaml и выполните pre-commit install.

Теперь линтеры запускаются автоматически перед каждым коммитом.

Если найдены ошибки, то коммит прерывается.

👉 @PythonPortal

Истина

👉 @PythonPortal

Вышел AI-инструмент, который позволяет общаться с базами данных на обычном языке

→ Загружаешь URL своей базы
→ Задаёшь любой вопрос
→ Получаешь SQL-запрос, результаты и пояснения

👉 @PythonPortal

Когда аж 10 минут потратил на исправление ошибки, а она так и не исправилась

👉 @PythonPortal

Если бы «python-полиция» увидела мой код, мне бы дали пожизненное

🤡

Один разработчик признался, что даже не подозревал, что локальные импорты это настоящая тема для споров в сообществе. Он регулярно подключает библиотеки прямо внутри функций.

«С большой силой приходит и большая ответственность», — отмечает он.

PEP 8 рекомендует использовать глобальные импорты, но, как и любое правило, оно имеет исключения. Важно понимать, когда локальные импорты оправданы.

Плюсы локальных импортов:

• Зависимость видна прямо в момент использования, а не нужно листать файл вверх.

• Модули импортируются только при необходимости.

• Это может ускорить загрузку модуля, так как не всё сразу тянется в память.

• Помогает обходить циклические зависимости (если нет желания решать их «правильным» способом).

Минусы, конечно, есть, но в этом посте мы о них умолчим.

В большинстве случаев используйте глобальные импорты, но понимайте компромиссы, чтобы при необходимости грамотно применять локальные.

👉 @PythonPortal

Python-лайфхак:

Используйте itertools.accumulate, чтобы получить итератор с накопленными суммами.

Можно передать другую бинарную функцию в качестве аргумента, тогда будут возвращаться накопленные результаты этой функции.

Пример:

import itertools

daily_revenues = [100, 120, 90, 110, 80]

# Получаем накопленную выручку
total_revenue_to_date = list(itertools.accumulate(daily_revenues))

print(total_revenue_to_date)
# Вывод: [100, 220, 310, 420, 500]

👉 @PythonPortal

Эйчар уровня "Босс"

👉 @PythonPortal

Пакет GeoAI для Python становится ещё умнее, скоро он будет поддерживать AI-агентов

Это значит, что вы сможете с помощью естественного языка легко загружать, анализировать и визуализировать геопространственные данные без единой строки кода 🤖

Следите за обновлениями, релиз уже скоро

GitHub: https://github.com/opengeos/geoai

👉 @PythonPortal

5 самых полезных форматтеров для f-строк в Python:

I. Целые числа с ведущими нулями

variable = 56
print(f"{variable:05d}")   # 00056

II. Числа с плавающей точкой (2 знака после запятой)

variable = 123.456
print(f"{variable:.2f}")   # 123.46

III. Разделитель тысяч

variable = 12345
print(f"{variable:,.0f}")  # 12,345

IV. Форматирование в проценты

variable = 0.425
print(f"{variable:.0%}")   # 42%

V. Форматирование даты/времени

import datetime
variable = datetime.datetime.now()
print(f"{variable:%d.%m.%Y}")  # 15.09.2025

👉 @PythonPortal

Памятка по f-строкам в Python

f-строки это один из самых простых и быстрых приёмов для оформления текстов в Python.

Сохраняем памятку, чтобы всегда была рядом ⌨️

Расширенный вариант здесь

👉 @PythonPortal