✈️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

🤔Разбор

Разбор кода по шагам:
s = "python"

1. s[1:5:2]

Формат среза: [start:stop:step]
start = 1, stop = 5 (не включительно), step = 2
Берём символы с индексами 1 и 3:
s[1] = 'y'
s[3] = 'h'
Результат: 'yh'

2. s[::-1]

Шаг -1 → идём с конца к началу → переворачиваем строку полностью
'python' → 'nohtyp'
Результат: 'nohtyp'

3. s[::3]

Шаг 3, start и stop не указаны → берём от начала до конца, каждый 3-й символ
Индексы, которые берём: 0, 3
s[0] = 'p'
s[3] = 'h'

Результат: 'ph'

Итоговый вывод:

'yh', 'nohtyp', 'ph'

🐍 Pythoner

✈️Метод getitem позволяет обращаться к объектам класса по индексу или ключу, как к спискам или словарям.

➡️Пример:

class CustomList:
    def init(self, data):
        self.data = data

    def getitem(self, index):
        return self.data[index]  # Позволяет использовать obj[index]

nums = CustomList([10, 20, 30])
print(nums[1])  # 20

➡️Зачем нужен:
- Позволяет настроить доступ к элементам объекта.
- Делает объекты итерируемыми (например, в for-циклах).
- Помогает создавать свои структуры данных, работающие как списки или словари.

💡Заключение
getitem делает объекты гибкими и удобными в использовании, улучшая читаемость кода!

🐍 Pythoner

✈️UScrapper — это относительно новая библиотека Python, созданная для упрощения веб-скрапинга. Она предоставляет высокоуровневый интерфейс для извлечения данных с веб-страниц без необходимости писать много кода.

➡️UScrapper особенно полезен для начинающих разработчиков и для тех, кто хочет быстро получить структурированные данные без глубокого погружения в детали HTML, CSS-селекторов или XPath.

➡️Пример извлечение таблиц со страницы:

from uscrapper import extract_tables

url = "https://en.wikipedia.org/wiki/List_of_countries_by_population"
tables = extract_tables(url)

# Первые 5 строк первой таблицы
print(tables[0].head())

💡Заключение
Инструмент оснащен передовыми модулями обхода анти-парсинга и поддерживает технологии для извлечения информации из всех ссылок в пределах одного домена. Кроме того, в программе предусмотрена возможность создания отчета, содержащего все извлеченные данные.

🐍 Pythoner

✈️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.

🐍 Pythoner

✈️В Python можно сразу присвоить значения нескольким переменным в одной строке. Это удобно и делает код короче.

x, y, z = 1, 2, 3
print(x, y, z)  # 1 2 3

➡️Можно использовать для обмена значениями без временной переменной:

a, b = 5, 10
a, b = b, a
print(a, b)  # 10 5

💡 Это стандартный приём в Python, который экономит строки и делает код читаемым.

🐍 Pythoner

✈️Когда мы открываем Яндекс.Карты, Google Maps или сервис доставки еды — за кулисами всегда работает геокодинг.
Приложение должно понять:
- Где находится пользователь
- Как далеко курьер от адреса
- Какие ближайшие отели или кафе показать
Всё это можно сделать прямо из Python с помощью библиотеки Geopy.

➡️ Что умеет Geopy:
- Геокодинг — превращает адрес в координаты
(«Москва, Красная площадь» → 55.7539, 37.6208)
- Обратный геокодинг — по координатам даёт адрес
(55.7539, 37.6208 → «Красная площадь, Москва, Россия»)
- Расстояния — считает путь между точками (в км, милях, морских милях)
- Поддержка разных сервисов: OpenStreetMap (Nominatim), Google, Яндекс, Bing, ArcGIS и др.

➡️Примеры:

from geopy.geocoders import Nominatim
from geopy.distance import geodesic

# Инициализация геокодера
geo = Nominatim(user_agent="geo_app")

# 1️⃣ Адрес → координаты
moscow = geo.geocode("Москва, Красная площадь")
print("Москва:", moscow.latitude, moscow.longitude)

# 2️⃣ Координаты → адрес
place = geo.reverse("55.7539, 37.6208")
print("Адрес:", place.address)

# 3️⃣ Расстояние Москва–СПб
p1 = (moscow.latitude, moscow.longitude)
p2 = (59.9343, 30.3351)  # Санкт-Петербург
print("Расстояние:", geodesic(p1, p2).km, "км")

🔫Результат:

Москва: 55.7539, 37.6208
Адрес: Красная площадь, Москва, Россия
Расстояние: ~634 км 🚄

➡️ Где пригодится Geopy:
- Логистика: рассчитывать маршруты доставки
- Аналитика: строить тепловые карты заказов
- Travel-сервисы: находить ближайшие отели или достопримечательности
- Стартапы: от «поиска ближайшей кофейни» до «глобального трекера велосипедов»

💡Заключение
Geopy делает Python ближе к реальному миру.
С его помощью можно писать приложения, которые не просто что-то считают, а реально «понимают» где находится человек, бизнес или объект.

🐍 Pythoner