📌 Менеджер паролей 👨‍💻

import csv
from cryptography.fernet import Fernet

passwords = []
key = Fernet.generate_key()
cipher_suite = Fernet(key)

def encrypt_password(password):
    return cipher_suite.encrypt(password.encode())

def decrypt_password(encrypted_password):
    return cipher_suite.decrypt(encrypted_password).decode()

def add_password():
    website = input("Website: ")
    username = input("Username: ")
    password = input("Password: ")
    encrypted_password = encrypt_password(password)
    passwords.append({
        "website": website,
        "username": username,
        "password": encrypted_password
    })
    with open('passwords.csv', mode='a', newline='') as file:
        writer = csv.writer(file)
        writer.writerow([website, username, encrypted_password])

def get_password(website):
    for entry in passwords:
        if entry["website"] == website:
            username = entry["username"]
            encrypted_password = entry["password"]
            decrypted_password = decrypt_password(encrypted_password)        
            print(f"Website: {website}")
            print(f"Username: {username}")
            print(f"Password: {decrypted_password}")
            return
    print("Website not found")

with open('passwords.csv', mode='r') as file:
    reader = csv.reader(file)
    for row in reader:
        passwords.append({
            "website": row[0],
            "username": row[1],
            "password": row[2]
        })

while True:
    print("\n1. Add Password")
    print("2. Get Password")
    print("3. Exit")
    
    choice = input("Enter your choice: ")
    
    if choice == '1':
        add_password()
    elif choice == '2':
        website = input("Enter website: ")
        get_password(website)
    elif choice == '3':
        break
    else:
        print("Invalid choice")
    

#минипроект

🐍 Хитрая задача для опытных Python-разработчиков
Почему этот код не работает как ожидается?

def magic():
    return [lambda: i for i in range(5)]

funcs = magic()
results = [f() for f in funcs]
print(results)

На первый взгляд, ты ожидаешь результат:

[0, 1, 2, 3, 4]

Но на деле вывод будет:

[4, 4, 4, 4, 4]

🔍 Что пошло не так

lambda: i не захватывает значение i, а замыкается на саму переменную i, которая одна и та же для всех лямбд.
К моменту вызова всех функций i = 4 (последнее значение цикла), и все лямбды возвращают одно и то же.

Это классический пример late binding — лямбда "вспоминает" переменную, а не её значение в момент создания.

✅ Как исправить

Способ 1: фиксируем значение i через аргумент по умолчанию

def magic():
    return [lambda i=i: i for i in range(5)]

funcs = magic()
results = [f() for f in funcs]
print(results)

Теперь вывод:

[0, 1, 2, 3, 4]

Способ 2: functools.partial

from functools import partial

def f(x): return x
funcs = [partial(f, i) for i in range(5)]
results = [f() for f in funcs]
print(results)

🧠 Почему это важно

Такие баги встречаются:

- в колбэках и ивентах (например, при работе с GUI или CLI)

- в генерации функций внутри циклов
- в async-замыканиях и DSL-интерпретаторах
- в тестовых фреймворках, где создаются сценарии динамически

Понимание области видимости, замыканий и позднего связывания (late binding) — необходимый навык для confident-сеньора.

@python_interview

⚡ Microsoft выкатили **amplifier** - новую экспериментальную платформу для сборки AI-инструментов без лишнего кода.

Что это:
- способ описать экспертный процесс в виде шагов и автоматически превратить его в работающий инструмент;
- возможность комбинировать такие инструменты между собой, создавая цепочки автоматизации;
- платформа для исследований, поэтому всё ещё активно меняется.

Чем хорош инструмент:
- позволяет быстро превращать повторяющиеся задачи в автономные AI-процессы;
- помогает строить «агентов» с ролями — исследователь, критик, исполнитель;
- снижает порог входа: достаточно описать логику, а не писать всю реализацию.


Это пока исследовательский проект, но потенциал — большой.

👉 Репозиторий: https://github.com/microsoft/amplifier

@pythonl

🚨 SQL Никогда НЕ ДЕЛАЙ ТАК #sql

НИКОГДА НЕ ЛОМАЙ ИНДЕКСЫ ФУНКЦИЯМИ: не оборачивай индексируемые поля в функции внутри WHERE.

Как только ты пишешь LOWER(), CAST(), COALESCE() или любые вычисления по колонке — индекс перестаёт работать, и запрос падает в полное сканирование таблицы.

Это одна из самых тихих причин, почему запросы внезапно превращаются в тормоза.

Вместо этого приводи значения заранее или используй функциональные индексы.

 Плохо: индекс по email НЕ используется  
SELECT *  
FROM users  
WHERE LOWER(email) = 'user@example.com';

-- Хорошо: нормализуем значение заранее  
SELECT *  
FROM users  
WHERE email = 'user@example.com';

-- Или создаём функциональный индекс (PostgreSQL)  
CREATE INDEX idx_users_email_lower ON users (LOWER(email));

https://www.youtube.com/shorts/AyiAslOeJFA

📃 КАК СОЗДАТЬ ФАЙЛ В PYTHON ПРОЩЕ ВСЕГО

Самый простой и надёжный способ создать файл в Python это использовать встроенную функцию open в режиме записи. Python автоматически создаёт файл если его нет и сразу даёт доступ для записи. Такой подход работает на любых системах и не требует дополнительных библиотек. Подписывайся, больше фишек каждый день !

⚡️ Полное руководство по Bash: от основ к продвинутым темам

Bash (Bourne Again SHell) — это одна из самых популярных Unix-оболочек, широко используемая для запуска команд и написания скриптов в Linux и macOS.

Скрипты Bash позволяют автоматизировать рутинные задачи, объединять команды в программы и управлять системой через командную строку.

Данное руководство последовательно познакомит вас с основами Bash (синтаксис, переменные, условия, циклы и т.д.), а затем перейдет к продвинутым возможностям (таким как настройка strict mode, использование trap-обработчиков, планирование задач через cron и др.). Мы рассмотрим практические примеры скриптов, сопровождая их поясняющими комментариями, чтобы у вас сложилось цельное понимание создания надежных Bash-скриптов.

https://uproger.com/polnoe-rukovodstvo-po-bash-ot-osnov-k-prodvinutym-temam/

Видео: https://www.youtube.com/watch?v=ei0a1TT4ukU

⚡️ Экономичный способ развернуть DeepSeek локально запускай модель через Ollama.

Так ты получаешь мощную LLM на своём ПК без облака и без огромных требований к железу.

Что важно:

- выбирай DeepSeek Distill 7B/8B или 14B
- формат GGUF + квантизация Q4 (лучший баланс)
- поднимаешь как локальный API и дергаешь из Python, бота или агента

Плюс:

- приватность - всё работает локально
- дешево - не нужен сервер
- можно быстро менять модель, не трогая код

# 1) Установи Ollama (macOS/Linux/Windows)
# https://ollama.com

# 2) Запусти экономичную DeepSeek модель
ollama pull deepseek-r1:8b
ollama run deepseek-r1:8b

# 3) Проверка: запрос к локальному API
curl http://localhost:11434/api/generate \
  -d '{"model":"deepseek-r1:8b","prompt":"Explain transformers simply","stream":false}'

# 4) Использование из Python
python - << 'PY'
import requests

r = requests.post(
    "http://localhost:11434/api/generate",
    json={
        "model": "deepseek-r1:8b",
        "prompt": "Сделай краткий план изучения SQL за 7 дней",
        "stream": False
    },
    timeout=120
)

print(r.json()["response"])
PY

https://www.youtube.com/shorts/zjn2pXrGbXI

Управление зависимостями в Python проектах

Важно знать, что управление зависимостями в проектах на Python - это ключевой аспект, который часто упускается из виду на курсах. Использование виртуальных окружений и файла зависимостей, таких как `requirements.txt`, поможет избежать конфликтов между библиотеками и упростит развертывание проектов.

Подписывайся, больше фишек каждый день !

# Создание виртуального окружения
python -m venv myenv
# Активация виртуального окружения
# На Windows
myenv\Scripts\activate
# На macOS/Linux
source myenv/bin/activate
# Установка зависимостей
pip install requests numpy
# Сохранение зависимостей в файл
pip freeze > requirements.txt
# Установка зависимостей из файла
pip install -r requirements.txt

  t.me/ai_machinelearning_big_data - наш телеграм канал с уроками

⚡️ Python-код, который работает, но делает лишнее в 100 раз

Этот Python-код выглядит нормально.
Он работает.
Он проходит тесты.
Но делает лишнюю работу в десятки, а иногда и в сотни раз.

Самая частая причина — ты случайно превращаешь линейный алгоритм в квадратичный.

Типичный сценарий:
- есть список
- внутри цикла ты каждый раз делаешь in, count, index
- на маленьких данных всё быстро
- на реальных — приложение начинает «тормозить без причины»

Проблема в том, что:
- list — это O(n) для поиска
- поиск внутри цикла = O(n²)
- Python честно делает работу, которую ты ему попросил

Профи думают не «работает или нет», а сколько лишних операций выполняется.

Правильный подход:
- если нужны проверки принадлежности — используй set
- если считаешь элементы — используй dict или Counter
- если данные не меняются — предвычисляй один раз

Этот приём один из самых частых источников скрытых performance-багов в Python-коде.

# ❌ Плохо: O(n²)
users = ["alice", "bob", "carol", "dave"]

for u in users:
    if u in users:   # каждый раз полный проход списка
        process(u)


# ✅ Хорошо: O(n)
users = ["alice", "bob", "carol", "dave"]
users_set = set(users)

for u in users:
    if u in users_set:
        process(u)

👇Python баг, который выглядит безобидно… но ломает логику #python

fruits = ["apple", "lime", "orange",
"pineapple", "orange"]

for f in fruits:
if f == "orange":
fruits.remove(f)

print(fruits)
Ожидание: оба orange удалятся.

Реальность: один orange остаётся.

Почему так происходит?

Ты изменяешь список во время итерации.
После удаления элементы сдвигаются, и цикл пропускает следующий элемент.

Это классический сценарий продакшн-багов:

• код выглядит правильно
• тесты могут пройти
• но данные обрабатываются неправильно

Правильный вариант:
fruits = [f for f in fruits if f != "orange"]
Мораль:
Изменяешь коллекцию во время обхода -Deploy first. Pray later.

🐍 Python-библиотеки - сложность изучения 🔥

• 🌐 Requests - 🟢 Легко
• 📊 Pandas - 🟢 Легко
• 🔢 NumPy - 🟢 Легко
• 📈 Matplotlib - 🟢 Легко
• 🕸️ BeautifulSoup - 🟢 Легко

• ⚡ FastAPI - 🟡 Легко–Средне
• 🧩 Pydantic - 🟡 Легко–Средне
• 📦 Pytest - 🟡 Легко–Средне

• 🗄️ SQLAlchemy - 🟠 Средне
• 🤖 Scikit-Learn - 🟠 Средне
• 🔥 PyTorch - 🟠 Средне
• 🧠 TensorFlow - 🟠 Средне
• 📉 Statsmodels - 🟠 Средне

• 🧬 Dask - 🔴 Сложно
• ⚡ Ray - 🔴 Сложно

• 🔗 LangChain - 🟠 Средне
• 🧠 LangGraph - 🟣 Очень сложно

Самые лёгкие, вроде Requests или BeautifulSoup, решают одну конкретную задачу.
У них простой API — сделал запрос, получил данные, готово.

Чуть сложнее библиотеки вроде FastAPI или Pydantic.
Они требуют понимания архитектуры приложений, валидации данных и работы серверов.

Средний уровень - SQLAlchemy, PyTorch, TensorFlow.
Здесь уже нужно понимать базы данных, машинное обучение и математические модели.

А вот Dask и Ray считаются сложными не потому, что код длинный. А потому что они работают с распределёнными вычислениями - кластеры, параллельность, управление ресурсами.

То есть чем выше уровень библиотеки, тем больше системного мышления и архитектуры нужно понимать.

Поэтому сложность Python-библиотек -
это не про Python. Это про уровень задач, которые они решают.
#Python #PythonDev #MachineLearning

https://www.youtube.com/shorts/vDm-vYmoxx0

🐍 Python полезные ресурсы 🚀Max

🚀 Ты всё ещё называешь обёртку над ChatGPT «AI-продуктом»?

Пока ты пишешь промпты - рынок уже ушёл дальше.

Сейчас выигрывают не те, кто умеет красиво формулировать запросы, а те, кто строит агентные системы:
- принимают решения сами
- ходят в API
- работают с Postgres и Redis
- управляют браузером через Playwright
- доводят задачи до результата без человека

И вот правда, о которой мало говорят:

90% таких систем умирают между ноутбуком и продом.

Работает локально. Ломается в реальности.
Нет архитектуры. Нет устойчивости. Нет деплоя.

AI Agents Engineering - курс со Stepik, который закрывает этот разрыв.

- LangGraph, AutoGen, Computer Use
- архитектура агентов, а не «скрипты на коленке»
- LLMOps, логирование, стабильность
- деплой в Docker и работа в проде

8 модулей, 120+ шагов, всё через практику.

На выходе не «сертификат ради галочки», а:
- рабочий production-агент
- понимание, как строить такие системы с нуля
- навыки, за которые уже платят

Сейчас самое окно входа.
Через полгода это станет базой, а не преимуществом.

Скидка 55% действует ещё 48 часов: https://stepik.org/a/276971/

Создание новой переменной в Python фактически означает создание нового имени для уже существующего объекта. Именно поэтому этот процесс называется связыванием имени (name binding).

Существует множество способов связать имя с объектом. Вот примеры того, как можно связать x:

x = y         # Присваивание
import x      # Импорт модуля
class x: pass # Определение класса
def x(): pass # Определение функции
def y(x): pass # Определение аргумента функции
for x in y: pass # Перебор элементов в цикле
with y as x: pass # Использование в конструкции with
except y as x: pass # Обработка исключения

Также можно привязать имя к объекту, манипулируя глобальным пространством имен:

In : x
NameError: name 'x' is not defined  # Ошибка: переменная x не определена

In : globals()['x'] = 42  # Присваивание через globals()
In : x
Out: 42  # Теперь x привязан к 42

Однако нельзя сделать то же самое с locals(), так как изменения словаря locals() игнорируются.