👩‍💻 Декоратор @property — чистый интерфейс без скобок

@property позволяет превратить методы класса в атрибуты, сохранив при этом логику вычислений или валидации.

Это делает интерфейс класса чистым и безопасным, без лишних вызовов и скобок.

➡️ Пример:

class Rectangle:
    def __init__(self, width, height):
        self.width = width
        self.height = height

    @property
    def area(self):
        return self.width * self.height

r = Rectangle(5, 10)
print(r.area)  # 50, а не r.area()

📌

Здесь area выглядит как атрибут, но фактически вычисляется при обращении.

👩‍💻 Метаклассы — классы для создания классов

Метаклассы в Python определяют, как создаются и ведут себя классы.

Они дают контроль над структурой, проверкой и автоматизацией при объявлении новых классов

➡️ Пример:

class Validator(type):
    def __new__(cls, name, bases, attrs):
        if "validate" not in attrs:
            raise TypeError("Класс должен содержать метод validate()")
        return super().__new__(cls, name, bases, attrs)


class User(metaclass=Validator):
    def validate(self):
        return True


# class BrokenUser(metaclass=Validator):  # ❌ Ошибка — нет метода validate()

📌 Здесь Validator проверяет, что каждый класс обязан иметь метод validate.

👩‍💻 Слотирование классов — экономия памяти и ускорение Python-объектов

По умолчанию каждый объект в Python хранит свои атрибуты в __dict__, что гибко, но затратно по памяти.

С помощью __slots__ можно задать фиксированный набор атрибутов — без словаря

➡️ Пример:

class User:
    __slots__ = ("name", "age")
    def __init__(self, name, age):
        self.name = name
        self.age = age

u = User("Анна", 25)
u.city = "Москва"  # ❌ AttributeError

📌 __slots__ экономит память (до 30–40%) и ускоряет доступ к атрибутам.

👩‍💻 Корутины — асинхронность без потоков

Корутины в Python — это функции, которые приостанавливают выполнение с помощью await, освобождая поток для других задач.

Это ядро asyncio, позволяющее писать конкурентный код без блокировок

➡️ Пример:

import asyncio

async def download(name, delay):
    print(f"Начинаю {name}")
    await asyncio.sleep(delay)
    print(f"{name} готов")

async def main():
    await asyncio.gather(
        download("Файл 1", 2),
        download("Файл 2", 1)
    )

asyncio.run(main())

📌 Здесь оба «скачивания» выполняются параллельно, хотя используется всего один поток.

👩‍💻 Мемоизация — ускорение функций без переписывания логики

Мемоизация — это техника кэширования результатов функций.

Если функция вызывается с теми же аргументами, результат возвращается из памяти, а не вычисляется заново

➡️ Пример:

from functools import lru_cache

@lru_cache(maxsize=None)
def fib(n):
    if n < 2:
        return n
    return fib(n-1) + fib(n-2)

print(fib(35))  # быстро!

📌 Здесь @lru_cache запоминает все вызовы fib().
Без него вычисление числа Фибоначчи 35 заняло бы секунды, а с ним — доли миллисекунды.

❓ Зачем используется метод replace() в Python и когда его применять?

Метод replace() возвращает новую строку, в которой все вхождения указанной подстроки заменены на другую. Это удобный способ быстро изменить текст без сложных регулярных выражений.

✅Пример:

text = "Python is hard, but Python is fun!"
new_text = text.replace("Python", "Coding")
print(new_text)
# ➜ Coding is hard, but Coding is fun!

📌В этом примере replace() заменяет все вхождения слова "Python" на "Coding"

replace() удобно использовать при очистке данных, форматировании строк, замене символов и шаблонов в текстах. Метод не изменяет исходную строку, что делает его безопасным для повторного использования данных

👩‍💻 Протокол итерации — как работает цикл for под капотом

В Python любой объект можно сделать итерируемым, если он реализует протокол итерации — методы __iter__() и __next__().

Это основа работы for, генераторов, списковых включений и даже файлов

➡️ Пример:

class Counter:
    def __init__(self, limit):
        self.limit = limit
        self.value = 0

    def __iter__(self):
        return self

    def __next__(self):
        if self.value < self.limit:
            self.value += 1
            return self.value
        raise StopIteration

for i in Counter(3):
    print(i)
# 1 2 3

📌 Цикл for просто вызывает next() до тех пор, пока не появится StopIteration.

👩‍💻 Протокол дескрипторов — скрытый механизм свойств и ORM

В Python за @property, staticmethod, classmethod и даже ORM-поля стоит единый механизм — дескрипторы.

Это объекты, которые управляют доступом к атрибутам через методы __get__, __set__, __delete__

➡️ Пример:

class LoggedAttribute:
    def __init__(self, name):
        self.name = name

    def __get__(self, instance, owner):
        value = instance.__dict__.get(self.name)
        print(f"Получено {self.name} = {value}")
        return value

    def __set__(self, instance, value):
        print(f"Изменено {self.name} = {value}")
        instance.__dict__[self.name] = value


class User:
    age = LoggedAttribute("age")


u = User()
u.age = 30
print(u.age)

📌 При обращении к u.age срабатывают методы дескриптора, а не прямой доступ к атрибуту.