🤔 Переменные в Python могут смущать

Если вы возьмёте две переменные, которые будут указывать на одно и то же число, а затем измените одну из них, то вторая не изменится

a = b = 100
a += 50
print(b) # -> 100

Здесь a += 50 создаёт новый объект (150) и связывает a с ним, не затрагивая b.

Если вы возьмёте две переменные, которые будут указывать на один и тот же список, а затем измените одну из них, то вторая... изменится тоже

a = b = []
a += [1, 2]
print(b) # -> [1, 2]

Это потому, что списки — изменяемые объекты, и операции с += выполняют изменения на месте.

Но и это работает не всегда

a = b = []
a = a + [1, 2]
print(b) # -> []

В данном случае a = a + [1, 2] создаёт новый список, который присваивается переменной a. В итоге a теперь указывает на новый объект, а b остаётся связанным с исходным пустым списком.

📝 Переменные в Python — это не контейнеры, которые «хранят» объект, а ссылки на объекты в памяти. Несколько переменных могут указывать на один и тот же объект, поэтому иногда изменения одной переменной могут отразиться на другой. Если это вас запутало, не переживайте — просто требуется немного привыкнуть к особенностям Python.

#советы

⚡️Самые полезные каналы по Python в одной папке

В ней:
➖канал для подготовки к собеседованиям
➖интересные задачи
➖основной канал (этот)
➖лучшие вакансии из сферы
➖и наш чат, в котором можно общаться и задавать вопросы

Добавляйте 👉 тык сюда

🐇 Каков прирост скорости в Python 3.13?

Команда Codspeed сосредоточилась на free-threaded режиме, который стал доступен с выходом новой версии Python.

В тесте использовались три реализации алгоритма PageRank: однопоточная, многопоточная (без GIL), и многопроцессная. Для каждой реализации использовались матрицы разного размера, и оценивалась их производительность на Python 3.12, 3.13 и 3.13 с отключённым GIL.

✍️Результаты таковы:
🔘Обычные сборки Python 3.12 и 3.13 показывали схожую производительность.
🔘Многопоточная реализация на Python 3.13 без GIL была самой быстрой.
🔘free-threaded режим требует отключения адаптивного интерпретатора, что снижает производительность других реализаций.

📊 Путеводитель по Big Data для начинающих: методы и техники анализа больших данных

Методы и техники анализа Big Data: Machine Learning, Data mining, краудсорсинг, нейросети, предиктивный и статистический анализ, визуализация, смешение и интеграция данных, имитационные модели. Как разобраться во множестве названий и аббревиатур? Читайте наш путеводитель в статье по ссылке.

🔗 Ссылка