✈️itertools.cycle создаёт бесконечный итератор, который зацикливает последовательность, перезапуская её с начала после завершения.

➡️Пример:

from itertools import cycle

colors = ["red", "green", "blue"]
color_cycle = cycle(colors)

for _ in range(5):
    print(next(color_cycle))  # red → green → blue → red → green

➡️Зачем использовать?
- Повторение элементов списка без переписывания вручную.
- Автоматическое зацикливание без индексов.
- Полезно в анимациях, смене тем, бесконечных процессах.

💡Заключение:
itertools.cycle — мощный инструмент для циклических операций без лишнего кода.

✈️В Python есть два специальных декоратора для методов класса: @staticmethod и @classmethod. Они позволяют работать без создания экземпляра, но имеют ключевые различия.

➡️Пример:

class Example:
    class_attr = "Hello"

    @staticmethod
    def static_method():
        return "I'm a static method"

    @classmethod
    def class_method(cls):
        return f"Class method: {cls.class_attr}"

print(Example.static_method())  # I'm a static method
print(Example.class_method())   # Class method: Hello

@staticmethod ведёт себя как обычная функция внутри класса, не имея доступа к атрибутам класса или экземпляра. @classmethod, наоборот, получает ссылку на класс (cls) и может изменять его атрибуты.

💡Заключение:
Используйте @staticmethod для независимых функций, а @classmethod, когда нужно работать с самим классом.

🐍 Pythoner

✈️В настоящее время многие веб-приложения используют RestApi. RestApi - это аббревиатура от Representational State Transfer Application Programming Interface. RestApi - это набор протоколов и правил, используемых для создания веб-сервисов, которые могут взаимодействовать друг с другом.

➡️Основные принципы RestApi

RestApi работает на основе нескольких принципов. Один из них - это использование универсальных интерфейсов. Это означает, что клиенты и серверы должны использовать общие методы передачи данных, такие как HTTP-протоколы GET, POST, PUT и DELETE.

Другой принцип - это использование ресурсов. Ресурсы - это общие сущности, которые могут быть представлены в виде URL-адресов. Например, веб-сервис может представлять собой коллекцию пользователей, каждый из которых является отдельным ресурсом.

➡️Преимущества RestApi

- RestApi имеет множество преимуществ. Одно из них - это возможность создания универсальных веб-сервисов, которые могут взаимодействовать с любым клиентом, который может использовать общие методы передачи данных.

- RestApi также обеспечивает гибкость и масштабируемость веб-сервисов. Это означает, что веб-сервисы могут легко добавляться и масштабироваться по мере необходимости.

💡Наконец, RestApi обеспечивает безопасность веб-сервисов. Он может использовать стандартные методы аутентификации и авторизации, такие как OAuth, для обеспечения безопасности и конфиденциальности передаваемых данных.

🐍 Pythoner

✈️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.

🐍 Pythoner

✈️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.

🐍 Pythoner

🤔Разбор

Тут банально будет ошибка, потому что мы не можем складывать между собой множества.
Если бы мы хотели добавить элемент, мы бы писали a.add(1).

🐍 Pythoner

✈️lambda — это анонимная функция, которая записывается в одну строку и не требует def. Используется там, где нужна простая операция без имени функции.

➡️ Пример. Обычная функция vs. lambda:

def square(x):
    return x ** 2

square_lambda = lambda x: x ** 2

print(square(5))        # 25
print(square_lambda(5)) # 25

➡️Где используется?
1. map() — Применение функции к списку

nums = [1, 2, 3, 4]
squared = list(map(lambda x: x ** 2, nums))  
print(squared)  # [1, 4, 9, 16]

2. filter() — Фильтрация данных

even = list(filter(lambda x: x % 2 == 0, nums))
print(even)  # [2, 4]

3. sorted() — Сортировка по ключу

pairs = [(1, 'one'), (3, 'three'), (2, 'two')]
pairs.sort(key=lambda x: x[0])
print(pairs)  # [(1, 'one'), (2, 'two'), (3, 'three')]

💡Когда использовать lambda?
- Когда функция простая и короткая
- Когда она нужна один раз

💡Не стоит использовать lambda, если логика сложная – лучше писать def.

🐍 Pythoner

✈️Миксин (mix-in, анг. “примесь”), паттерн проектирования в ООП, когда в цепочку наследования добавляется небольшой класс-помощник. Например, есть класс:

class NowMixin(object):
    def now():
        return datetime.datetime.utcnow()

🔫Тогда любой класс, наследованный с этим миксином, будет иметь метод now().

💡В названия миксинов принято добавлять слово Mixin, так как не существует никакого механизма для понимания полноценный это класс или миксин. Миксин технически является самым обычным классом.

🐍 Pythoner

✈️@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!

🐍 Pythoner

✈️Не обязательно пользоваться сторонними сервисами вроде bit.ly — ты можешь сделать свою «сокращалку» буквально в пару строк на Python. Для этого есть библиотека pyshorteners.

➡️Пример:

import pyshorteners  

s = pyshorteners.Shortener()  
url = "https://example.com/your-long-link-here"  

print(s.tinyurl.short(url))
# Вывод: https://tinyurl.com/2p6n3x6d  

🔫На выходе получаем короткую и удобную ссылку, которую можно использовать где угодно. Просто, быстро и полностью под твоим контролем.

🐍 Pythoner

✈️githubkit — это библиотека на Python, которая предлагает чистый и типизированный интерфейс для работы с API GitHub. Она позволяет разработчикам легко и быстро интегрировать функционал GitHub в свои приложения, минимизируя количество ошибок и облегчая процесс разработки.

➡️Пример:

from githubkit import GitHub, Response
from githubkit.versions.latest.models import FullRepository

# Создаем объект GitHub, передав токен доступа
github = GitHub("<ваш_token_здесь>")

# Выполняем запрос к API GitHub для получения репозитория
resp: Response[FullRepository] = github.rest.repos.get("owner", "repo")

# Получаем данные о репозитории
repo: FullRepository = resp.parsed_data

# Выводим название репозитория
print(repo.full_name)

💡Больше нет необходимости вручную обрабатывать HTTP-запросы, управлять токенами и разбираемыми JSON-ответами.

⛓GitHub

🐍 Pythoner

🤔Разбор

В Python аргументы по умолчанию вычисляются один раз при определении функции, а не при каждом вызове.

Когда мы вызываем func(1) → список y создаётся один раз и сохраняется. В него добавляется 1. Результат: [1].
При вызове func(2) используется тот же самый список, в который уже добавлена 1. Теперь добавляется 2. Результат: [1, 2].
При вызове func(3, []) мы передаём новый пустой список вместо значения по умолчанию. В него добавляется 3. Результат: [3].
При вызове func(4) снова используется старый общий список, где уже [1, 2]. Добавляется 4. Результат: [1, 2, 4].

🐍 Pythoner

✈️Хочешь, чтобы твой скрипт принимал параметры из командной строки?
В Python для этого есть встроенный инструмент — argparse.

➡️Пример:

import argparse

parser = argparse.ArgumentParser()
parser.add_argument('--name', required=True, help='Имя пользователя')
parser.add_argument('--age', type=int, help='Возраст')

args = parser.parse_args()
print(f"Привет, {args.name}! Тебе {args.age} лет.")

🔫Как работает
Запускаем в терминале:

python script.py --name Алиса --age 25

Вывод:

Привет, Алиса! Тебе 25 лет.

💡Зачем это нужно?
- Удобно передавать параметры
- Можно добавлять флаги, типы, help-сообщения
- Работает из коробки — без установки сторонних библиотек

🐍 Pythoner

✈️По умолчанию атрибуты хранятся в словаре dict, но этот подход неэффективен по памяти, особенно если создаётся много однотипных объектов. slots ограничивает список атрибутов у экземпляров класса, экономя память за счет отказа от dict.

➡️Обычный класс без slots:

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

p = Person("Alice", 25)
p.city = "New York"  # Можно добавить новый атрибут

➡️Класс с slots:

class Person:
    slots = ("name", "age")  # Разрешены только эти атрибуты

    def init(self, name, age):
        self.name = name
        self.age = age

p = Person("Alice", 25)
p.city = "New York"  # ❌ AttributeError: 'Person' object has no attribute 'city'

💡Плюсы slots
- Экономит память (не создается dict)
- Ускоряет доступ к атрибутам
- Предотвращает создание лишних атрибутов

🐍 Pythoner

✈️Когда работаешь с большими массивами данных, производительность кода становится критически важной. Рассмотрим, как можно ускорить обработку данных, используя библиотеку NumPy вместо стандартных циклов Python.

➡️Проблема: медленные циклы
Допустим, у нас есть список чисел, и мы хотим возвести каждое число в квадрат:

data = list(range(1_000_000))
squared = [x**2 for x in data]  # Медленно!

🔫Этот код работает, но на больших объемах данных циклы Python работают неэффективно, что может значительно замедлить выполнение программы.

➡️Решение: NumPy
Используем библиотеку NumPy, которая оптимизирована для работы с массивами:

import numpy as np

data_np = np.arange(1_000_000)
squared_np = data_np ** 2  # В десятки 

🔫NumPy использует векторизацию, что позволяет выполнять операции над целыми массивами данных за одно обращение, значительно ускоряя вычисления.

💡Заключение
Если ваш код обрабатывает большие объемы данных, замена циклов Python на операции с NumPy может ускорить выполнение в 10–100 раз! Это особенно важно в научных вычислениях, анализе данных и машинном обучении, где скорость обработки данных критична.

🐍 Pythoner