Cовет по Python: не путайте has-a и is-a в ООП

При проектировании классов важно понимать разницу между композицией и наследованием:

has-a композиция. Один объект содержит другой объект или данные внутри себя.

class Person:
    def __init__(self, name):
        self.name = name  # Person has-a name

Примеры:
Person has-a name
Car has-a color

is-a наследование
Один класс является разновидностью другого класса.

class Employee(Person):
    pass  # Employee is-a Person

Примеры:

Employee is-a Person
Car is-a Vehicle

Простое правило:

Если объект содержит что-то → композиция (has-a). Если объект является разновидностью чего-то → наследование (is-a). Во многих случаях композиция делает код гибче и проще для поддержки 🥥

✈ Python Ninja

Cовет по Python: не превращайте тернарный оператор в квест на внимательность

Да, Python позволяет писать такие конструкции. Но чем больше условий в одной строке тем хуже читаемость

'A' if s >= 90 else 'B' if s >= 80 else 'C' if s >= 70 else 'F'

Простое правило: если условий 3 и больше лучше перейти на обычный if / elif / else. Тернарный оператор лучше оставить для коротких и понятных случаев:

• comprehensions
• lambda-выражений
• return в одну строку

Короткий код не всегда хороший код 🎩

✈ Python Ninja

Первое и последнее вхождение символа

Что выведет код? 😲

✈️ Python Ninja

Бесплатная онлайн книга "Automate the Boring Stuff with Python"

Руководство по использованию Python для автоматизации повседневных задач. Автор предлагает практические примеры, связанные с обработкой файлов, работой с электронными таблицами, веб-автоматизацией и другими прикладными задачами 📚

☝️ Ссылка источник

✈️ Python Ninja

Методы в Python хранятся на уровне класса, а не экземпляра

Тогда как Python находит метод при вызове x.m()? Правило ICPO:

Сначала Python ищет атрибут в экземпляре (_i_nstance).
Если не найден проверяет класс (_c_lass).
Дальше родительские классы (_p_arent).
В конце object, корневой базовый класс (_o_bject).

Именно поэтому метод можно определить один раз в классе, а использовать через любой экземпляр 🤓

✈️ Python Ninja

Укладываемся по удобней 😴

✈️ Python Ninja

Наследование в Python меняет путь поиска атрибутов

Также известный как «method resolution order» (MRO):

class Child:
    pass

Child.__mro__   # (__main__.Child, object)

class Child(Parent):
    pass

Child.__mro__   # (__main__.Child, __main__.Parent, object)

То есть MRO показывает, в каком порядке Python будет искать методы и атрибуты: сначала в классе потомке, затем в родителях по цепочке, и в конце в базовом object 👋

✈️ Python Ninja

Карманный AI-переводчик или полноценная LLM весом всего 440MB

Tencent продолжают продвигать тренд «маленьких, но мощных» моделей

Hy-MT1.5-1.8B-1.25bit это translation LLM, которая после экстремального сжатия весит всего около 440MB, но при этом поддерживает десятки языков и локальный запуск даже на мобильных устройствах

Такие модели показывают, что качественный перевод и серьёзные возможности LLM уже начинают помещаться буквально в кармане

☝️ Ссылка источник

✈️ Python Ninja

Сохраняйте это золото для изучения LLM

LLM Architecture Gallery это огромная коллекция архитектур современных AI-моделей с визуальными схемами и пояснениями

GPT, Llama, Qwen, DeepSeek, Gemma, Mistral, MoE, attention-механизмы, сравнение архитектур и полезные ресерчи всё собрано в одном месте

☝️ Ссылка источник

✈️ Python Ninja

Переприсваивание не равно изменение объекта

Что выведет код? 😎

✈️ Python Ninja

Microsoft выкатили вводный мини-курс по созданию AI-агентов

AI-агенты сегодня становятся частью современной разработки, и этот курс помогает разобраться в теме системно

Авторы делают акцент на инженерном подходе: как проектировать поведение агентов, разделять планирование и выполнение, контролировать действия и строить системы, которые можно масштабировать

Хороший вход в тему без лишней воды ⌨️

☝️ Ссылка источник

✈️ Python Ninja

Один из самых больших бесплатных курсов по AI Engineering

Авторы собрали 412 уроков и разбили их на 20 этапов от базовой математики до создания AI-агентов и продвинутого промт-инжиниринга

Подарок для тех кто хочет разобраться в современной AI разработке 💃

☝ Ссылка источник

✈️ Python Ninja

Нашёл клад для тех кто хочет строить AI-системы по-взрослому

Если большинство материалов по AI-агентам заканчиваются на уровне «создали чат-бота за 15 минут», то этот репозиторий идёт заметно дальше

Здесь собраны туториалы по всем ключевым компонентам production уровня: память, RAG, observability, безопасность, multi-agent сценарии, deployment, tool calling и многое другое

Полезен как системный справочник и roadmap по созданию production-ready AI-систем 📝

☝️ Ссылка источник

✈️ Python Ninja

Совет по Python: используйте match-case когда условий становится слишком много

В Python 3.10 появилась конструкция сопоставления с образцом (match-case) более читаемая альтернатива длинным if-elif-else.

Она особенно полезна, когда нужно:

• обрабатывать HTTP-статусы
• разбирать команды CLI
• работать с типами событий
• проверять структуры данных
• писать state-machine логику

Почему это удобно:

• код легче читать
• меньше вложенности
• проще поддерживать и расширять
• можно матчить не только значения, но и структуры/list/dict/object patterns

Но если у вас всего 1–2 условия обычный if всё ещё будет проще 🤲

✈️ Python Ninja

Совет по Python: itertools.compress() удобная фильтрация по маске

compress() возвращает только те элементы, для которых соответствующее значение в списке selectors равно True

from itertools import compress

letters = 'ABCDEFG'
bools = [True, False, True, True, False]

print(list(compress(letters, bools)))
# ['A', 'C', 'D']

Полезно, когда нужно быстро фильтровать данные по булевой маске 🤝

✈️ Python Ninja

Разработчики OpenAI показали как сами используют Codex

Компания выкатила гайд с реальными сценариями использования Codex внутри компании. Не очередная статья из серии «AI ускоряет разработку на 999%», а реальные рабочие сценарии изнутри OpenAI

Как писать промпты для рефакторинга, миграций и поиска багов, какие задачи отдают ИИ во время созвонов и как выжимать из агента максимум пользы

Внутри много практики и идей, которые можно применять уже сегодня

С переводом на русский здесь 👇

☝️ Ссылка источник

✈️ Python Ninja

Совет по Python: как писать код с эффективным использованием памяти

Это проблемный код:

def generate_transactions_inefficient(df: pd.DataFrame):
    
    transactions = []

    for _, row in df.iterrows():
        transactions.append({
            'user_id': row['user_id'],
            'amount': row['amount'],
            'transaction_date': row['transaction_date'],
            'status': row['status']
        })

    return transactions

Проблема в том, что такой подход сохраняет ВСЕ обработанные строки в памяти перед тем, как что-либо вернуть. Это как приготовить 10 000 блюд и хранить их все на кухне место быстро закончится

Лучший подход использовать yield:

def generate_transactions_efficient(df: pd.DataFrame):

    for _, row in df.iterrows():
        yield {
            'user_id': row['user_id'],
            'amount': row['amount'],
            'transaction_date': row['transaction_date'],
            'status': row['status']
        }

Вместо того чтобы собирать один большой список в памяти, эта функция выдаёт по одной транзакции за раз, только когда это нужно. Это как готовить блюда только по мере поступления заказов

Проблем с памятью здесь нет 📘

✈️ Python Ninja

Как, а главное зачем? 🧃

✈️ Python Ninja