4 способа скопировать список в Python

В Python есть несколько способов сделать копию списка. Но важно понимать разницу между shallow copy (поверхностная копия) и deep copy (полная копия).

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

# 1. Срез (shallow copy)
copy1 = original[:]

# 2. Метод .copy() (shallow copy)
copy2 = original.copy()

# 3. Через list() (shallow copy)
copy3 = list(original)

# 4. deepcopy (deep copy)
import copy
copy4 = copy.deepcopy(original)

Теперь проверим разницу между поверхностной и полной копией:

original[2].append(5)
print(copy1)
# [1, 2, [3, 4, 5]] — вложенный список изменился!
print(copy4)
# [1, 2, [3, 4]] — без изменений

👉 @PythonPortal

Только этого еще не хватало

👉 @PythonPortal

Лайфхак для GitHub: теперь можно превращать любой репозиторий в один текстовый файл, удобный для LLM

Просто замените «hub» на «1file» в URL репозитория, и все файлы объединятся в один чистый текст. Файл можно скачать в обычном или сжатом формате.

Это позволяет дать полную контекстную информацию любому ИИ, например ChatGPT или Claude, чтобы разбирать код, отвечать на вопросы или помогать исправлять ошибки.

Идеальный способ быстрее изучать и анализировать репозитории. ✏️

👉 @PythonPortal

Нашлась утилита Real-Time Voice Cloning

Которая клонирует речь и воспроизводит любые фразы с вашей интонацией всего за пару секунд записи.

Она работает на Python, генерирует речь в реальном времени и полностью локальна, никаких облаков и ограничений. 🫠

👉 @PythonPortal

Visual Studio Code теперь умеет автоматически обрабатывать TODO-комментарии в коде. С новой функцией и помощью GitHub Copilot можно за два клика решать задачи и сразу создавать PR.

👉 @PythonPortal

Как проходит первый тест новой фичи

👉 @PythonPortal

Генерация UUID в Python ускорилась в 30 раз и теперь почти на уровне Bun и NodeJS. Но стоит честно упомянуть, что дальше ускорять почти невозможно из-за ограничений генерации случайных чисел.

Ссылка на PR —> https://github.com/python/cpython/pull/139123

👉 @PythonPortal

Полезная находка для Python-разработчиков: статья «20 лучших практик Python 2025» от Aglowid IT Solutions.

В ней собраны ключевые советы по эффективной разработке -> PEP-стандарты, структура проекта, чистый и идиоматичный код, тесты и работа с исключениями.

Честно, читаешь и сразу хочется переписать весь свой проект 🤪

👉 @PythonPortal

На такую серьезную работу и половину спринта можно списать

👉 @PythonPortal

Вышел Typer 0.19.0

Теперь можно использовать Literal из typing для CLI-параметров, которые принимают только одно из нескольких значений. Самая долгожданная фича наконец доступна. 🎰

https://github.com/fastapi/typer

👉 @PythonPortal

Визуализация Python-объектов и ссылок

Многие начинающие Python-разработчики сталкиваются с путаницей при работе с изменяемостью и ссылками между переменными. Особенно тяжело разобраться при отладке сложных структур данных, когда непонятно, как именно они связаны. ⌨️

Поэтому держите memory_graph — опенсорс тул для визуализации Python-объектов и ссылок. Он показывает структуру данных, стек вызовов и связи между переменными.

А также поддерживает работу с рекурсией и такими структурами, как бинарные деревья или связанные списки.

Работает в VS Code, Jupyter, PyCharm и доступен онлайн без установки.

👉 @PythonPortal

😃😃😃

👉 @PythonPortal

В PyTorch выявлены два неудачных дефолтных параметра в DataLoader, которые серьёзно снижают производительность при обучении моделей. Исправление этих настроек позволяет добиться примерно пятикратного ускорения. 🦆

При обучении на GPU данные переносятся на устройство через .to(device), после чего все вычисления выполняются уже на видеокарте. В итоге процесс получается неэффективным: когда работает GPU, CPU простаивает, и наоборот.

Использование фиксации памяти решает эту проблему. Пока модель обучается на первом мини-батче, CPU успевает заранее перенести второй мини-батч на GPU. Таким образом, видеокарта не простаивает в ожидании новых данных и сразу начинает вычисления с готовым батчем.

Реализовать это просто:

- добавить pin_memory=True в DataLoader,
- при передаче данных использовать .to(device, non_blocking=True)

Кроме того, рекомендуется задать num_workers в DataLoader для параллельной загрузки данных.

Тесты показывают, что такие настройки дают заметное ускорение, что подтверждается результатами на графиках.

👉 @PythonPortal

Практикуемся в алгоритмах на любом языке

На платформе CSES Problem Set доступно более 400 задач, охватывающих широкий спектр тем, включая динамическое программирование, графы, строки, математические задачи и многое другое, что можно решать на самых популярных языках: C/C++, Java, Python, C#.

👉 @PythonPortal

🔍Тестовое собеседование на Middle Python в четверг с разработчиком из Авито

25 сентября(в четверг) в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика.

Как это будет:
📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу
📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью
📂 В конце можно будет задать любой вопрос Дане

Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы.

Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot

Реклама.
О рекламодателе.

Костыли наглядно

👉 @PythonPortal

Время полезных шпаргалок: нашел шпаргалку с топ-9 самых популярных HTTP-запросов

Забираем в сохранёнки

👉 @PythonPortal

Python-библиотека FindMy .py позволяет работать с сетью Apple Find My без Mac.

С её помощью можно получать и расшифровывать данные о местоположении AirTags и других аксессуаров, сканировать рядом находящиеся устройства и управлять ключами аксессуаров.

Установить просто через pip install findmy, а примеры использования есть в папке examples. Подробнее на GitHub

👉 @PythonPortal

Совет по PEP8:

Для лучшей читаемости переносите строки перед бинарными операторами (например, +, -, *, /), а не после них. Это позволяет выравнивать операторы с их операндами и избегать их разбрасывания по разным строкам.

Пример:

# good
income = (gross_wages
          + taxable_interest
          + (dividends - qualified_dividends)
          - ira_deduction
          - student_loan_interest)

# bad
income = (gross_wages +
          taxable_interest +
          (dividends - qualified_dividends) -
          ira_deduction -
          student_loan_interest)

👉 @PythonPortal