При применении нескольких фильтров к серии в Pandas лучше разбивать условие на несколько строк:

s = pd.Series([10, 15, 20, 25, 30])

s.loc[
    (s > 20) &
    (s % 2 == 1)
]

Такой код проще читать, писать и поддерживать.
В результате будет выбрано значение:

25

поскольку оно одновременно больше 20 и является нечётным числом.

👉 @PythonPortal

Multi-agent RL красиво именно в тот момент, когда оно начинает сходиться.

👉 @PythonPortal

🔍Тестовое собеседование на Middle Python с разработчиком из Авито завтра вечером

Уже завтра вечером 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.

Мой любимый способ работать с несколькими фильтрами в pandas.Series — не цепочка .loc, а один маск.
Цепочка выглядит аккуратно, но ломается на реальных данных и легко даёт неожиданные результаты:

s = pd.Series([10, 15, 20, 25, 30])

s
.loc[s > 20]
.loc[s % 2 == 1]

Проблема в том, что второй .loc снова смотрит на исходный s, а не на уже отфильтрованный результат. Логика разъезжается.
Надёжнее собрать всё в одно выражение:

s = pd.Series([10, 15, 20, 25, 30])

mask = (s > 20) & (s % 2 == 1)
result = s.loc[mask]

Одна маска = одна точка истины.
Проще дебажить. Меньше сюрпризов при росте кода.

👉 @PythonPortal

Что, если «Следствие вели…» снимали бы в офисном сеттинге в IT-компании? Мы могли бы об этом только фантазировать, если бы… Авито взял и не снял свой выпуск с Леонидом Каневским 🔥

Мы ещё не успели посмотреть: планируем оставить на вечер. Говорят, легенда тру-крайма там расследует внезапный рост ошибок 404 на endpoint аватарок (реальный кейс команды AvitoTech, кстати!).

Смотрим, чтобы услышать будущие легендарные цитаты... ну и чтобы в вашей команде такого не случилось!

📱 YouTube
📱 Rutube
📱 VK Видео

Разрабы, будьте осторожны

👉 @PythonPortal

Вышла LocalVQE Pi V1 — компактная модель для обработки голоса размером всего 49 тысяч параметров.

Модель выполняет акустическое эхоподавление (AEC), шумоподавление и дереверберацию в реальном времени. По словам разработчика, она работает с производительностью до 21× realtime на одном ядре Raspberry Pi 5.

LocalVQE Pi V1 основана на архитектуре GTCRN и отличается от предыдущих моделей LocalVQE, которые использовали DeepVQE. Размер модели удалось сократить на несколько порядков, сохранив при этом приемлемое качество обработки речи.

Проект ориентирован на локальные голосовые приложения, IoT-устройства и edge-решения, где критичны минимальное потребление ресурсов и работа без облака.

https://huggingface.co/spaces/LocalAI-io/LocalVQE-demo

👉 @PythonPortal

😂😂😂😂

👉 @PythonPortal

Python — как Новый год. Можно передавать кортеж в startswith и endswith.

👉 @PythonPortal

Переменные в Python — это стикеры, а не коробки.

Переменная не хранит значение, а указывает на него. Меняешь список — обе переменные видят изменение. Со стикерами это логично. С коробками — магия: две коробки загадочно меняются одновременно.

👉 @PythonPortal

Идём на AI Hardcore Day в офис Авито на Лесной 11 июля! 🤩

Будем слушать доклады о Spec-Driven Development, разработке и тестировании MCP, атаках на GenAI-агентов.
А после — нетворкать на террасе.

⚡ Регистрация и подробности — по ссылке.

Кстати, доклады будут не под запись — советуем не пропускать!

Эта TTS-модель синтезирует речь в 167 раз быстрее, чем ты её слушаешь.

Supertonic работает прямо на устройстве через ONNX. Без GPU, на 31 языке. Передаёт любые эмоции. Обгоняет ElevenLabs по скорости. Запускается даже на Raspberry Pi.

Полностью открытый исходный код.

👉 @PythonPortal

Хочешь быстро прокачать SQL?

Вот 4 курса, которые помогут поднять уровень:

- SQL Basics for Data Science
[https://programmingvalley.com/course/learn-sql-basics-for-data-science-free-course]

- Google Data Analytics
[https://programmingvalley.com/course/google-data-analytics-free-course]

- IBM Data Science
[https://programmingvalley.com/course/ibm-data-science-free-course]

- Google Business Intelligence
[https://programmingvalley.com/course/google-business-intelligence-free-course]

Подойдут как для изучения основ SQL, так и для освоения анализа данных, BI-инструментов и работы с данными в реальных проектах.

👉 @PythonPortal

Заслужил

👉 @PythonPortal

Исторический момент. Новый HTTP-метод в стандарте.

QUERY. Альтернатива GET и POST.

Как GET — не меняет состояние ресурса. Как POST — можно использовать тело запроса. Шлёшь JSON, кешируешь ответ.

Только что повышен до Proposed Standard.

👉 @PythonPortal

Как не дать ИИ заливать мусор в GitHub.

В репозитории git push no-mistakes предложили подход, где изменения прогоняются через локальную проверку до попадания в PR.

Идея простая. Перед пушем ветка проходит валидацию: ИИ проверяет код, дальше запускаются тесты, линтер, генерация документации и CI. Всё это работает локально через worktree, без блокировок и без остановки процесса разработки.
Если всё зелёное — открывается чистый pull request.

👉 @PythonPortal

Коротко почему ПРОГРАММИРОВАНИЕ все учат на ютубе

👉 @PythonPortal

Появился Hyper-Extract — инструмент, который превращает неструктурированные документы в полноценные базы знаний.
Вместо обычного разбиения PDF на чанки для RAG, Hyper-Extract может автоматически строить графы знаний, гиперграфы, временные и пространственные графы, типизированные модели данных, Obsidian Vault и базы знаний с поддержкой MCP.

Среди сценариев использования:
• преобразование научных статей в исследовательские графы;
• извлечение компаний, людей, метрик и рисков из финансовых отчётов;
• создание поисковых баз знаний из внутренних документов;
• локальный запуск через vLLM без отправки данных в облако;
• подключение к Claude Desktop и агентам в IDE через MCP.
В комплекте также есть более 80 YAML-шаблонов для финансов, юриспруденции, медицины и других областей.

GitHub: https://github.com/yifanfeng97/Hyper-Extract

👉 @PythonPortal

Вышло руководство по Loop Engineering — новый подход к работе с AI-агентами

Опубликован репозиторий loop-engineering, предлагающий сдвиг парадигмы: вместо того чтобы вручную давать промпты AI-агентам, разработчик проектирует цикл, который делает это автоматически.

Автор отмечает, что большинство до сих пор использует Claude Code, Codex, Cursor и Grok как обычный чат: промпт → ожидание → копирование → исправление → снова промпт. Loop Engineering предлагает перестать быть «нянькой» для агента и вместо этого построить систему, где агенты работают, проверяют, исправляют и эскалируют самостоятельно.

Репозиторий включает готовые циклы для ежедневного триажа, PR, CI, зависимостей, changelog и issues. В комплекте идут CLI для создания циклов, оценки токенов, аудита репозитория и безопасного запуска агентов через GitHub Actions.

«Prompt engineering был о том, как писать лучшие промпты. Loop engineering — о создании системы, где агенты продолжают работать без вашего присмотра на каждом шагу», — говорится в описании.

Репозиторий доступен на GitHub.

Репозиторий: https://github.com/cobusgreyling/loop-engineering

👉 @PythonPortal