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

👀👀👀

👉 @PythonPortal

Python-библиотека для визуализации архитектуры

Есть удобная Python-библиотека Diagrams, которая позволяет быстро строить архитектурные схемы и диаграммы прямо из кода.

Инструмент отлично подходит для демонстрации идей продукта заказчикам и партнёрам, можно визуализировать облачные сервисы, инфраструктуру или внутренние компоненты системы.

Пример использования:

pip install diagrams

from diagrams import Cluster, Diagram
from diagrams.aws.compute import ECS
from diagrams.aws.database import ElastiCache, RDS
from diagrams.aws.network import ELB, Route53

with Diagram("Clustered Web Services", show=False):
    dns = Route53("dns")
    lb = ELB("lb")

    with Cluster("Services"):
        svc_group = [ECS("web1"),
                     ECS("web2"),
                     ECS("web3")]

    with Cluster("DB Cluster"):
        db_primary = RDS("userdb")
        db_primary - [RDS("userdb ro")]

    memcached = ElastiCache("memcached")

    dns >> lb >> svc_group
    svc_group >> db_primary
    svc_group >> memcached

Первое изображение можно получить с помощью этого кода, а дальше всё ограничивается только вашей фантазией. 💊

> Документация и примеры
> GitHub

👉 @PythonPortal

Когда попросил гпт помочь в проблеме, но он добавил ещё одну проблему:

👉 @PythonPortal

Хотите создавать SQL-базы данных визуально? 🔥

Попробуйте этот онлайн-инструмент, который позволяет проектировать и моделировать базы данных с помощью удобного drag-and-drop интерфейса.

Он помогает закреплять знания SQL, лучше понимать связи между таблицами и работать без установки программ или регистрации.

Инструмент полностью бесплатен и с открытым исходным кодом, а также поддерживает импорт и экспорт SQL-кода.

👉 @PythonPortal