Нашёл в Твиттере мощную подборку из 30 статей по системному дизайну (коротко, по делу, с примерами и кодом.)

Можно читать по одной в день, хватит на месяц. Забирайте:

1. Что такое API
2. Что такое вебхуки
3. REST vs GraphQL
4. Что такое API Gateway
5. Балансировщики нагрузки
6. Алгоритмы балансировки нагрузки
7. Прокси vs Обратный прокси
8. Что такое масштабируемость
9. Что такое доступность
10. Как избежать единой точки отказа (SPOF)
11. Объяснение теоремы CAP
12. 15 типов баз данных и когда их использовать
13. 7 ключевых различий между SQL и NoSQL
14. Что такое ACID-транзакции
15. Подробное руководство по индексам в базах данных
16. Шардинг vs Партиционирование
17. Объяснение последовательного хеширования
18. CDC (Change Data Capture)
19. Кэширование
20. Топ-5 стратегий кэширования
21. 7 стратегий вытеснения кэша
22. CDN
23. Алгоритмы ограничения скорости
24. Очереди сообщений
25. Фильтры Блума
26. Идемпотентность в распределённых системах
27. Конкурентность vs Параллелизм
28. Stateful vs Stateless
29. Long Polling vs WebSockets
30. Пакетная (batch) vs потоковая (stream) обработка данных

Кидайте в закладки и делитесь с коллегами ☕️

👉 @PythonPortal

Как же ты не прав 😅

👉 @PythonPortal

GitHub-репозитории, чтобы прокачать Python

- Веб-разработка с Django — https://github.com/django/django
- Инструментарий для Data Science — https://github.com/rasbt/python-machine-learning-book
- Алгоритмические задачи — https://github.com/TheAlgorithms/Python
- Рецепты машинного обучения — https://github.com/ageron/handson-ml2
- Лучшие практики тестирования — https://github.com/pytest-dev/pytest
- Скрипты для автоматизации — https://github.com/soimort/you-get
- Продвинутые концепции Python — https://github.com/faif/python-patterns

Кидайте в закладки и делитесь с коллегами 🌟

👉 @PythonPortal

Появился удобный инструмент для разработчиков, которым не хватало кнопки Copy as markdown

Теперь достаточно добавить into.md/ перед любым URL, чтобы получить чистый и читаемый markdown-вариант страницы или документации, идеально подходящий для работы с LLM.

http://into.md - попробуйте. Это бесплатно 🕺

👉 @PythonPortal

Нельзя просто так взять и уйти от Python

👉 @PythonPortal

Pdf-extract-API

Python-проект, который уже давно используют для извлечения текста из PDF и изображений в удобных форматах Markdown и JSON.

Отличается высокой точностью и умеет работать даже с таблицами и формулами.

В основе FastAPI, асинхронные задачи на Celery и кэширование результатов OCR через Redis. Поддерживаются разные движки распознавания - Marker, Surya-OCR и Tesseract. Есть встроенная функция удаления персональных данных.

Инструмент всё ещё актуален для автоматизации обработки документов, подготовки датасетов и интеграции в RAG-системы. 🪑

Доки: ссылка

👉 @PythonPortal

Внимание: сделай код более профессиональным 😠

Используй тот факт, что в Python пустая строка, список, словарь и другие подобные объекты приводятся к False

Так лучше:

if not string:
    ...

if data:
    ...

Так не очень:

if len(string) == 0:
    ...

if data != {}:
    ...

👉 @PythonPortal

Объектно ориентированное программирование считается одним из самых популярных способов писать код на Python. 🥺

Для тех кто хочет разобраться в основах Tiago Capelo Monteiro подготовил практическое руководство.

В материале он показывает на примерах что такое объекты и классы как работает параметр self и метод init и сопровождает объяснения большим количеством кода

👉 @PythonPortal

Все мы немного Серёга

👉 @PythonPortal

Apple выкатил FastVLM и сразу сделал его опенсорс

Это сверхбыстрая vision-language модель, которая умеет одновременно понимать картинки и текст, при этом оптимизирована для работы прямо на устройстве. Полностью открытый код, бери и используй.

Отличная новость для разработчиков, которые хотят встраивать VLM в свои проекты без облаков и лишних затрат. 💯

Демо: https://huggingface.co/spaces/apple/fastvlm-webgpu

Github: https://github.com/apple/ml-fastvlm

👉 @PythonPortal

Можно выдыхать

👉 @PythonPortal

9 лучших практик Docker, которые стоит знать каждому разработчику

Docker давно стал стандартом для упаковки и запуска приложений. Но чтобы контейнеры были безопасными, быстрыми и удобными в поддержке, важно соблюдать проверенные практики.

Сохраняй этот список ключевых советов 🤝

👉 @PythonPortal

Хочешь быстро выучить Python? Освой те 20 процентов тем, которые реально покрывают 80 процентов задач в реальной разработке.

Вот базовый список, без которого никуда:

- переменные, операции и базовые типы данных: строки и числа
- условные конструкции if/else
- основные методы для строк
- циклы for и while
- структуры данных: списки, словари, множества, кортежи
- функции и лямбды
- модули: установка и импорт
- базовая обработка ошибок try/except
- работа с файлами и форматами JSON, CSV
- основы ООП: классы, методы, наследование

Не трать время на метаклассы, декораторы и другие продвинутые фишки, пока не закрепишь базу. Сосредоточься на этих фундаментальных вещах, и сможешь писать реальные приложения. 🎩

👉 @PythonPortal

Ну почти

👉 @PythonPortal

Шпаргалка по NumPy для тех кто в DataScience и ML

Создание и ресейп массивов, статистика, индексация и работа с файлами NumPy остаётся основой численных вычислений в Python

1. Создание массивов и атрибуты

- np.array() — создать массив из списка/кортежа
- np.zeros() — массив из нулей
- np.ones() — массив из единиц
- np.arange() — последовательность с шагом
- np.shape() — размерность массива
- np.dtype() — тип данных массива

2. Манипуляции с массивами и ресейпинг

- np.reshape() — изменить размерность
- np.concatenate() — объединить массивы по оси
- np.vstack() — объединить по вертикали
- np.hstack() — объединить по горизонтали
- np.split() — разделить по индексам
- np.transpose() — транспонировать
- np.resize() — изменить размер

3. Статистический анализ

- np.sum() — сумма элементов
- np.mean() — среднее
- np.median() — медиана
- np.std() — стандартное отклонение
- np.var() — дисперсия
- np.cov() — ковариационная матрица
- np.corrcoef() — коэффициенты корреляции
- np.min() — минимум
- np.max() — максимум
- np.random.rand() — случайные числа 0–1
- np.random.randn() — нормальное распределение
- np.histogram() — гистограмма

4. Индексация и фильтрация

- np.extract() — выбрать по условию
- np.where() — вернуть элементы по условию
- np.isnan() — проверка NaN
- np.sort() — сортировка
- np.unique() — уникальные значения

5. Работа с файлами

- np.save() — сохранить в .npy
- np.load() — загрузить из .npy

👉 @PythonPortal

Совет по Python

Чтобы получить полный список дат (включая день недели) для конкретного месяца, можно использовать функцию itermonthdays4.

Возвращаемые значения будут кортежами, где содержатся год, месяц, день месяца и номер дня недели.

👉 @PythonPortal

ПМ забирает разработчика на созвон с заказчиком

👉 @PythonPortal

Нашёл мёд для тех, кто хочет освоить Git без нудных лекций. 🚨

Есть десктопное приложение под Mac, Windows и Linux, которое обучает работе с Git через практику.

Задания выполняются прямо в реальном Git и GitHub, репозитории создаются у вас в аккаунте и остаются навсегда.

Поддержка разных языков тоже в комплекте.

Ссылка: https://github.com/jlord/git-it-electron

👉 @PythonPortal

Для тех, кто пишет GUI на Python с использованием tkinter, есть интересная находка — библиотека tksheet

Она расширяет стандартные возможности tkinter и позволяет встроить в приложение полноценный табличный интерфейс, похожий на Excel. 🎩

С помощью tksheet можно работать с большими объёмами данных, редактировать ячейки прямо в таблице, сортировать, перетаскивать строки и столбцы, использовать undo и redo. Есть поддержка выпадающих меню, чекбоксов, прогресс-баров и встроенного поиска.

Всё это делает её отличным инструментом для создания интерактивных и удобных интерфейсов на базе Python.

👉 @PythonPortal

Классика

👉 @PythonPortal