✈️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

✈️range() — встроенная функция для генерации чисел. Используется для перебора в цикле.
Синтаксис:

range(начало, конец, шаг)

По умолчанию: начало = 0, шаг = 1.

➡️Пример:

# Простой range от 0 до 2
for i in range(3):
    print(i)

# Range с началом и шагом
for i in range(1, 10, 2):
    print(i)

# Вывод:
# 0
# 1
# 2
# 1
# 3
# 5
# 7
# 9

🐍 Pythoner

✈️Protocol из модуля typing позволяет определить интерфейс, который должен реализовывать класс. Это полезно для проверки соответствия объектов определённым методам и атрибутам, что делает код более гибким и понятным.

➡️Когда применять Protocol?
- Динамическая типизация: Если вы хотите задать контракт для классов без явного указания на наследование.

- Гибкость: Позволяет различным классам предоставлять свою реализацию методов, сохраняя общий интерфейс.

- Улучшение читаемости: Помогает лучше понять как должны взаимодействовать различные части кода.

➡️Пример использования Protocol:

from typing import Protocol

# Определяем протокол
class Movable(Protocol):
    def move(self) -> None:
        ...

# Класс, реализующий этот протокол
class Car:
    def move(self) -> None:
        print("Car is moving")

class Bird:
    def move(self) -> None:
        print("Bird is flying")

def drive(vehicle: Movable) -> None:
    vehicle.move()

# Используем
car = Car()
bird = Bird()

drive(car)  # Output: Car is moving
drive(bird)  # Output: Bird is flying

💡Заключение
Protocol — мощный инструмент для задания интерфейсов в Python. Он обеспечивает гибкость и улучшает структуру вашего кода. Используйте его, когда нужно задать контракты для различных классов без строгой иерархии наследования.

🐍 Pythoner

✈️Функция enumerate() позволяет перебрать элементы последовательности вместе с их индексами. Это удобно, когда нужен не только элемент, но и его позиция в коллекции.

➡️Пример:

fruits = ["apple", "banana", "orange"]

for index, fruit in enumerate(fruits, start=1):
    print(index, fruit)

1 apple  
2 banana  
3 orange 

🔫В этом примере enumerate() вернёт кортежи с индексом и значением.

💡Заключение
enumerate() удобно использовать вместо range(len()) для более чистого и читаемого кода при переборе списков, кортежей и других коллекций.

🐍 Pythoner

✈️Что такое Pickle?
Pickle — это стандартная библиотека Python, которая позволяет сохранять (сериализовать) и восстанавливать (десериализовать) объекты Python в файлы. Это особенно полезно для долгосрочного хранения данных или передачи их между программами. С помощью pickle можно сохранить сложные структуры данных, такие как списки, словари, классы и даже функции.

➡️Пример использования Pickle. Сохранение данных в файл:

import pickle

# Исходные данные
data = {
    "name": "Alice",
    "age": 30,
    "skills": ["Python", "Data Science", "Machine Learning"]
}

# Сохраняем данные в файл
with open('data.pkl', 'wb') as file:
    pickle.dump(data, file)

print("Данные успешно сохранены!")

➡️Восстановление данных из файла:

import pickle

# Восстанавливаем данные из файла
with open('data.pkl', 'rb') as file:
    loaded_data = pickle.load(file)

print("Восстановленные данные:")
print(loaded_data)

➡️Результат:

Восстановленные данные:
{'name': 'Alice', 'age': 30, 'skills': ['Python', 'Data Science', 'Machine Learning']}

🔎Почему Pickle полезен?
- Простота использования: Легко сохранять и восстанавливать сложные структуры данных.

- Гибкость: Поддерживает практически все типы данных Python.

- Быстродействие: Pickle работает быстрее, чем другие форматы, такие как JSON.

➡️Pickle — это мощный инструмент для сохранения и восстановления данных в Python. Он позволяет легко работать со сложными структурами данных и экономит время на повторной обработке информации.

🐍 Pythoner

🤔Разбор

Список nums = [1, 2, 3, 4, 5]

В генераторе [x**2 for x in nums if x % 2 == 0]:
берём только те x, которые делятся на 2 (чётные)
это 2 и 4
возводим их в квадрат: 2**2 = 4, 4**2 = 16

Результат: [4, 16]

🐍 Pythoner