Что такое дескрипторы в Python и зачем они нужны?

Дескриптор — это объект, который управляет доступом к атрибутам класса через методы get, set и delete. Они позволяют гибко контролировать поведение атрибутов.

✅ Пример:

class Descriptor:
    def init(self, value=None):
        self.value = value

    def get(self, instance, owner):
        print("Getting value")
        return self.value

    def set(self, instance, value):
        print("Setting value")
        self.value = value

class MyClass:
    attr = Descriptor()

obj = MyClass()
obj.attr = 42  # Setting value
print(obj.attr)  # Getting value → 42

Дескрипторы используются в свойствах (property), ORM, логировании доступа и валидации данных. Они помогают гибко управлять состоянием объектов и позволяют писать более чистый код.

⚡️ Как работает super() в Python?

super() позволяет вызывать методы родительского класса, обеспечивая правильное наследование и расширение функционала.

✅ Пример:

class Parent:
    def greet(self):
        return "Hello from Parent"

class Child(Parent):
    def greet(self):
        return super().greet() + " and Child"

obj = Child()
print(obj.greet())  # "Hello from Parent and Child"

super() особенно полезен при множественном наследовании, так как помогает вызывать методы родительских классов без явного указания их имен.

Зачем нужно ключевое слово yield в Python?

yield используется для создания генераторов, которые возвращают данные по мере запроса, вместо хранения всего результата в памяти.

Пример:

def count_up_to(n):
    count = 1
    while count <= n:
        yield count  # Возвращает значение и приостанавливает выполнение
        count += 1

for num in count_up_to(5):
    print(num)

yield позволяет приостанавливать и возобновлять выполнение функции, экономя память и упрощая работу с потоками данных.

🐍 GIL в Python: как это влияет на многопоточность

Global Interpreter Lock (GIL) — это механизм в CPython, который ограничивает выполнение Python-кода одним потоком за раз, даже на многопроцессорных системах.

🔹 Зачем нужен GIL?

Он предотвращает проблемы с управлением памятью и упрощает работу интерпретатора. Однако из-за него многопоточные программы не могут эффективно использовать несколько ядер процессора.

🔹 Когда GIL мешает?

• В CPU-интенсивных задачах (например, обработка данных, вычисления) многопоточность не дает прироста производительности.

• В I/O-интенсивных задачах (сетевые запросы, работа с файлами) GIL почти не влияет, так как потоки могут освобождать блокировку во время ожидания операций ввода-вывода.

✅ Решение:

Если нужна настоящая параллельность, используйте многопроцессорность (multiprocessing), которая запускает отдельные процессы без GIL, или попробуйте альтернативные реализации Python, такие как Jython или PyPy.

🖥 Друзья, если вы только начинаете осваивать Python или уже перешли к фреймворкам и сложным библиотекам, вам помогут авторские материалы многолетнего разработчика и преподавателя Python Дмитрия Читалова.

Уже размещены:
✅Основы Python
✅Продвинутый Python
✅Алгоритмы и структуры данных

❗️Сейчас еженедельно выкладываются уроки по Архитектуре и паттернам проектирования

Подписаться можно здесь.

⚙️ Отладка с sys._getframe в Python

Сегодня в коротком формате разберемся с тем, что же творится внутри CPython, когда функции вызывают друг друга: sys._getframe, f_back, f_globals, f_locals, а также создадим свои декораторы.

#Полезное

🔥 Mutable vs Immutable в Python

В Python все данные — это объекты, и они делятся на изменяемые (mutable) и неизменяемые (immutable).

🔹 Неизменяемые (immutable): нельзя изменить после создания
✅ int, float, str, tuple, frozenset

x = "hello"
x += " world"  # Создается новый объект, а не изменяется старый

🔹 Изменяемые (mutable): можно изменять без создания нового объекта
✅ list, dict, set, bytearray

lst = [1, 2, 3]
lst.append(4)  # Список изменяется в той же области памяти

⚠️ Важный нюанс

Передача изменяемых объектов в функцию может привести к неожиданным изменениям:

def modify_list(lst):
    lst.append(99)  # Изменяет оригинальный список!

my_list = [1, 2, 3]
modify_list(my_list)
print(my_list)  # [1, 2, 3, 99]

✅ Вывод:

• Используйте tuple, если данные не должны изменяться.
• Будьте осторожны с изменяемыми объектами при передаче в функции.
• Если нужно копирование, используйте .copy() или deepcopy().

🔥 *args и **kwargs в Python

🔹 *args — передает позиционные аргументы как кортеж:

def add_numbers(*args):
    return sum(args)

print(add_numbers(1, 2, 3))  # 6

🔹 **kwargs — передает именованные аргументы как словарь:

def greet(**kwargs):
    print(kwargs)

greet(name="Alice", age=25)  # {'name': 'Alice', 'age': 25}

✅ Используйте *args для списка значений и **kwargs для гибких параметров!

↔️ Разница между is и == в Python

🔹 == (равенство) проверяет, равны ли значения объектов:

a = [1, 2, 3]
b = [1, 2, 3]
print(a == b)  # True (значения одинаковые)

🔹 is (идентичность) проверяет, указывают ли переменные на один и тот же объект в памяти:

print(a is b)  # False (разные объекты)

🔹 Но для immutable-объектов (например, int, str, tuple) Python кеширует значения:

x = 256
y = 256
print(x is y)  # True (указывают на один объект)

✅ Используйте == для сравнения значений и is для проверки, ссылаются ли переменные на один объект в памяти!

⚙️ Как я запускаю 15+ самых разных ИИ на своей машине — open-source, self-hosted, с HTTP-доступом

Показываю, как мой BrainBox запускает генерацию, озвучку и распознавание локально — без боли и зависимости от облаков. Даже если вы не знаете Python.

#Полезное

Что делает @property в Python?

@property превращает метод класса в свойство, позволяя обращаться к нему без скобок.

Пример:

class Person:
    def init(self, name):
        self._name = name

    @property
    def name(self):  
        return self._name  

p = Person("Alice")
print(p.name)  # Alice (как атрибут, но с логикой)

Зачем нужно?

• Позволяет использовать методы как атрибуты
• Защищает данные от прямого изменения
• Позволяет добавить логику без изменения интерфейса

⚡️ @property делает код чище и безопаснее, улучшая инкапсуляцию!