4 миллиарда операторов if — проверка того, является ли каждое 32-битное число четным или нечетным.

Просматривая недавно соцсети, я наткнулся на этот скриншот. Разумеется, его сопровождало множество злобных комментариев, критикующих попытку этого новичка в программировании решить классическую задачу computer science: операцию деления с остатком.

В современном мире, где ИИ постепенно заменяет программистов, отнимая у них работу и совершая переворот в том, как мы подходим к рассуждениям о коде, нам, возможно, следует быть более открытыми к мыслям людей, недавно пришедших в нашу отрасль? На самом деле, показанный выше код — идеальный пример компромисса между временем и задействованной памятью. Мы жертвуем временем и в то же время памятью и временем компьютера! Поистине чудесный алгоритм!

https://andreasjhkarlsson.github.io/jekyll/update/2023/12/27/4-billion-if-statements.html

[Перевод] Сколько ядер CPU можно использовать параллельно в Python?.

При выполнении параллельной программы, активно задействующей CPU, нам часто необходимо, чтобы пул потоков или процессов имел размер, сопоставимый с количеством ядер CPU на машине. Если потоков меньше, то вы будете использовать все преимущества ядер, если меньше, то программа начнёт работать медленнее, так как несколько потоков будет конкурировать за одно ядро. Ну, или такова ситуация в теории.

Как же проверить, сколько ядер есть у компьютера? И действительно ли это хороший совет?

Оказывается, на удивление сложно определить, сколько потоков выполнять:

- В стандартной библиотеке Python есть множество API для получения этой информации, но ни одного из них недостаточно.

- Хуже того, из-за таких функций CPU, как параллельность на уровне команд и одновременной многопоточности (Hyper-threading в CPU Intel), количество ядер, которое можно эффективно использовать, зависит от того кода, который напишете вы!

Давайте разберёмся, почему так сложно определить, сколько ядер CPU может использовать программа, а затем подумаем над потенциальным решением.

Читать далее https://habr.com/ru/articles/784014

Система.Мониторинг: мониторинг событий выполнения Python.

https://docs.python.org/3/library/sys.monitoring.html

Изучение малоизвестных стандартных библиотек Python

https://blog.devgenius.io/exploring-pythons-lesser-known-standard-libraries-670c509bf062

Python, Markdown и Tailwind: лучшие друзья!

https://www.mattlayman.com/blog/2023/python-markdown-tailwind-best-buds

Вот библиотеки Python, которые фокусируются на различных аспектах полнофункциональной разработки; некоторые сосредоточены на разработке веб-приложений, некоторые — на серверной части, а третьи — на том и другом. https://dev.to/taipy/full-stack-toolbox-python-edition-20h2

Data Scientist 50-го уровня: библиотеки Python, которые нужно знать
Эта статья поможет вам понять различные инструменты науки о данных, используемые экспертами для визуализации данных, построения моделей и манипулирования данными.

https://www.kdnuggets.com/level-50-data-scientist-python-libraries-to-know

Самый быстрый способ чтения Excel на Python

Чтение 500 тыс. строк менее чем за 4 секунды
https://hakibenita.com/fast-excel-python

🐍 «‎Python для инженеров» — старт курса 15 января!

Что смогли автоматизировать с Python наши студенты:

🔥 Автоматизация изменения конфигурации сервера, экономящая 23 часа в месяц и повышающая лояльность клиентов за быстроту обработки запросов — Данил Бахаев, DevOps-инженер в X5 Group.

🔥 Инструмент для анализа и отключения холостых ресурсов, позволяющий сократить расходы на 40-50% или около 12 миллионов рублей в год — Артем Чекунов, Senior DevOps Engineer в Chartboost.

Подробно со всеми кейсами вы можете ознакомиться на странице курса. Присоединяйтесь, чтобы упростить и ускорить процессы в своих проектах!

Изучить программу и зарегистрироваться

🎁 А для тех, кто хочет всегда быть в курсе событий и постоянно учиться новому, мы создали бесплатный чат-бот. Вас ждут live-coding стримы, статьи и кейсы по Python — будет интересно!

[Перевод] NumPy: оттачивайте навыки Data Science на практике.

В этой статье мы рассмотрим ряд различных упражнений, используя библиотеку NumPy (и сравним с тем, как мы бы реализовали их без неё). В самом конце статьи я приведу ряд упражнений.

Читать далееhttps://habr.com/ru/articles/784978

Освоение асинхронного программирования на Python: подробное руководство

https://blog.devgenius.io/mastering-asynchronous-programming-in-python-a-comprehensive-guide-ef1e8e5b35db

Pandas vs. Polars: сравнительный анализ библиотек фреймов данных Python
Углубленный анализ их синтаксиса, скорости и удобства использования. Какой из них лучше всего использовать при работе с данными?

https://www.kdnuggets.com/pandas-vs-polars-a-comparative-analysis-of-python-dataframe-libraries

Освоение виртуальных сред Python: полное руководство по venv, Docker и защите вашего кода

https://snyk.io/blog/mastering-python-virtual-environments

Вот 45 упражнений Python с циклами (for, while), операторами f-else и функцией range() , а также их решения. Каждое упражнение сопровождается кратким описанием проблемы и решением, использующим упомянутые конструкции.

https://www.techbeamers.com/python-exercises-on-loops-conditions-range

Использование перехватчиков перед фиксацией упрощает жизнь при разработке программного обеспечения.

https://itnext.io/using-pre-commit-hooks-makes-software-development-life-easier-ef962827aa96

Каковы лучшие библиотеки веб-скрапинга Python?
Разработчики Python имеют доступ к одним из лучших доступных библиотек и фреймворков для парсинга веб-страниц. Посмотрите, как они работают на практике и как выбрать. https://blog.apify.com/what-are-the-best-python-web-scraping-libraries

Python 3.13 получает JIT В этой статье более подробно рассматривается JIT, недавно добавленный в предварительную версию CPython 3.13. https://tonybaloney.github.io/posts/python-gets-a-jit.html

Дедупликация данных в Python с функцией RecordLinkage.
Обнаружение дубликатов — важнейший процесс предварительной обработки данных, особенно при работе с большими наборами данных. В этом руководстве вы изучите дедупликацию данных с помощью пакета Python RecordLinkage в сочетании с Pandas для манипулирования данными.

https://brightinventions.pl/blog/data-deduplication-in-python-with-recordlinkage/

🐍Изучите анализ и визуализацию данных с помощью Python с использованием астрономических данных

https://www.freecodecamp.org/news/learn-data-analysis-and-visualization-with-python-using-astrongomical-data

🐍Асинхронная магия: PyNest и SQLAlchemy 2.0 повышают производительность приложений Python на 25 %

https://medium.com/@itay2803/asynchronous-magic-pynest-and-sqlalchemy-2-0-drive-a-25-improvement-in-python-apps-performance-9e2724e9f198

🐍Генеративный ИИ: генерация синтетических данных с помощью GAN с использованием Pytorch

https://towardsdatascience.com/generative-ai-synthetic-data-generation-with-gans-using-pytorch-2e4dde8a17dd

🐍Использование Python для анализа данных

https://realpython.com/python-for-data-analysis

Что делает в Python условие, if name == "main"?

https://www.30secondsofcode.org/python/s/what-does-if-name-main-do

Как автоматизировать сообщения WhatsApp с помощью Python

https://www.lambdatest.com/blog/automate-whatsapp-messages-using-python

Сравнение производительности dict() и {} в Python

Какое-то время назад, во время разбора кода, мы обсудили выбор dict() вместо {} в новом коде на Python. Коллега утверждал, что dict() более читаем и чётче выражает цель, поэтому следует предпочесть его. Меня это не убедило, но в тот момент контраргуентов не нашлось, поэтому я воздержался.

Это заставило меня задуматься: в чём разница между типом dict и литеральным выражением {}?

Давайте изучим этот вопрос.
https://habr.com/ru/articles/788440/