👋 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'

Совет подписчикам: внимательно проверяйте индексы при срезах и шагах — это частая ловушка!

Гоу смотреть и пользоваться))

Не забываем про лайки на ютубе для продвижения😊

https://youtu.be/uilxCnR-AaM

🎙Познаем новые библиотеки

🚀 Memray — мощный профайлер памяти для Python от Bloomberg

Работаете с тяжёлыми Python-приложениями, где «утекает» память или внезапно проседает производительность?
На помощь приходит Memray — один из самых продвинутых инструментов для анализа использования памяти.

🔍 Что умеет Memray:
- Отслеживает каждую функцию и весь стек вызовов
- Видит не только Python-код, но и нативные вызовы C/C++
- Минимальные накладные расходы на профилирование
- Наглядные отчёты: flame graph, таблицы, деревья, live-мониторинг
- Поддержка Python-потоков и нативных потоков

🧩 Зачем использовать:
- Поиск утечек памяти
- Анализ «почему приложение ест больше, чем нужно»
- Поиск горячих точек по выделению памяти

⚡ Пример использования:

# Запускаем приложение под профайлером
python3 -m memray run -o output.bin my_script.py

# Строим flame graph
python3 -m memray flamegraph output.bin

👉 Результат — HTML-отчёт, который можно открыть в браузере.

📦 Установка:

pip install memray

⚠️(Работает на Linux и macOS, Python 3.7+)

https://github.com/bloomberg/memray

💡 Если у вас были «битвы» с утечками памяти — попробуйте Memray. Его уже используют в Bloomberg и крупных open-source проектах.

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] ✅

🆓 Бесплатный 🆓
CLI Ai Gemini может помочь вам написать код

👀Официальный вариант без взломов и обходов, рекомендую тем, кто еще не решился на подписку, но хочет юзать Ai для написания кода

p.s. лайкаем на ютубе, чтобы продвинуть, как обычно 😻

https://youtu.be/2Q0TX58gs1M

Недавно я делал обзор на Gemini CLI, но в комментах увидел, что его можно по-человечески подключить к Kilo Code и использовать через нормальный UI чат

И все это !бесплатно! По 1к запросов в сутки🆓

Так что рекомендую к просмотру тем, кто кодит часто и много, но покупать курсор или еще что-то не намерен

Плагин для 👩‍💻👩‍💻 pycharm и vscode есть

https://youtu.be/q0fJwevyooU

Кто уже пострадал от того, что теперь в курсоре нет безлимитной модели? 💻
Тут она есть!
▶️ https://youtu.be/pyYpMduXkbc

🚀 FastAPI — почему весь Python-сообщество влюбилось в этот фреймворк

Если ты когда-то писал API на Python — скорее всего, делал это на Flask или Django.
Но в 2018 году появился новый игрок — FastAPI, и с тех пор жизнь стала сильно проще 😎


FastAPI — это фреймворк для создания REST и GraphQL API на Python.
Его автор — Себастьян Рамирес, и главная идея простая:

Сделать веб-разработку в Python быстрой, понятной и удобной”

Под капотом — Starlette (отвечает за асинхронный веб-сервер) и Pydantic (валидация данных через типы).
То есть всё работает молниеносно и при этом не ломает мозг.

⚙️ Для чего он нужен

FastAPI идеально подходит, если тебе нужно:

✅ писать быстрые микросервисы;
✅ делать ботов с вебхуками;
✅ оборачивать ML-модели в API;
✅ или просто быстро поднять прототип.

Фреймворк отлично дружит с async/await, JSON, OAuth2, JWT, SQLAlchemy и прочими стандартными штуками.

🔥 НО почему он вдруг стал таким популярным?!

1. Скорость.
Работает почти как Node.js или Go — благодаря асинхронности и Starlette. (Ну да, помедленнее, но все же)

2. Типизация.
Всё основано на аннотациях Python. Указываешь типы — и FastAPI сам проверяет входные данные.

3. Документация “из коробки”.
Swagger и ReDoc появляются автоматически — без единой строчки лишнего кода. (Жирный плюс)

4. Простота.
Минимальный API можно написать за минуту:

   from fastapi import FastAPI

   app = FastAPI()

   @app.get("/")
   def hello():
       return {"message": "Привет, FastAPI!"}
   

Запуск на серваке:

   uvicorn main:app --reload
   

🫥 Где уже реально используют FastAPI судя по источникам

▶️ Netflix — для внутренних API
▶️ Microsoft — в Azure ML
▶️ Uber — в аналитических сервисах
▶️ HuggingFace — для запуска ML-моделей

Да и в телеграм-ботах FastAPI часто используют для вебхуков — быстро, стабильно и без боли.

Если коротко резюмировать и тебе лень делать это самому🤔

FastAPI — это как Flask, только современный, быстрый и с автоматической документацией.
Если хочешь писать чистый и предсказуемый бэкенд на Python — попробуй.
После него возвращаться к Flask уже не хочется 😉