Тернарный оператор в Python — удобная штука, но им легко злоупотребить:

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

То, что это можно написать, ещё не значит, что так стоит писать.
Если условий 3 и больше — лучше использовать if-elif-else.

А тернарный оператор стоит оставить для:
comprehensions (генераторов списков / коллекций), lambda-выражений, return в одну строку.

👉 @PythonPortal

Регулярные выражения в python

Регулярные выражения (regex) в Python используются для поиска, соответствия и манипулирования строками на основе шаблонов. В Python регулярные выражения реализованы в модуле re

Основные функции модуля re:

🔸re.match(): Проверяет, соответствует ли начало строки заданному шаблону.
🔸re.search(): Ищет шаблон в строке и возвращает первый найденный совпадающий объект.
🔸re.findall(): Находит все совпадения шаблона в строке и возвращает их в виде списка.
🔸re.finditer(): Находит все совпадения шаблона и возвращает их в виде итератора.
🔸re.sub(): Заменяет все совпадения шаблона на заданную строку.
🔸re.split(): Разделяет строку по заданному шаблону.

Примеры использования:

import re

# Пример строки
text = "The rain in Spain falls mainly in the plain."

# 1. re.match()
match = re.match(r'The', text)
if match:
    print("Match found:", match.group())
else:
    print("No match found")

# 2. re.search()
search = re.search(r'rain', text)
if search:
    print("Search found:", search.group())
else:
    print("No search found")

# 3. re.findall()
findall = re.findall(r'in', text)
print("Findall results:", findall)

# 4. re.finditer()
finditer = re.finditer(r'in', text)
for match in finditer:
    print("Finditer match:", match.group(), "at position", match.start())

# 5. re.sub()
substitute = re.sub(r'rain', 'snow', text)
print("Substitute result:", substitute)

# 6. re.split()
split = re.split(r'\s', text)
print("Split result:", split)

Объяснение примера:

> re.match(r'The', text): Проверяет, начинается ли строка text с "The".
> re.search(r'rain', text): Ищет первое вхождение "rain" в строке text.
> re.findall(r'in', text): Находит все вхождения "in" в строке text.
> re.finditer(r'in', text): Возвращает итератор, который перебирает все вхождения "in" в строке text.
> re.sub(r'rain', 'snow', text): Заменяет все вхождения "rain" на "snow" в строке text.
> re.split(r'\s', text): Разделяет строку text по пробелам (символы пробела).

Дополнительные примеры шаблонов:

\d: Любая цифра.
\D: Любой символ, кроме цифры.
\w: Любая буква, цифра или символ подчеркивания.
\W: Любой символ, кроме буквы, цифры или символа подчеркивания.
\s: Любой пробельный символ.
\S: Любой непробельный символ.
.: Любой символ, кроме новой строки.
^: Начало строки.
$: Конец строки.
*: 0 или более повторений.
+: 1 или более повторений.
?: 0 или 1 повторение.
{n}: Ровно n повторений.
{n,}: n или более повторений.
{n,m}: От n до m повторений.

Регулярные выражения мощный инструмент для работы с текстом, и они могут быть полезны в самых разных задачах, от простой проверки ввода до сложного парсинга текста. 💊

👉 @PythonPortal

Вот Django-шпаргалка

Что бы ты в неё добавил?

👉 @PythonPortal

Релиз Pyrefly type checker 1.0.0 уже здесь: https://pyrefly.org/blog/v1.0/

Вот основные улучшения:

🐍 Обновлённая диагностика стала в 2–125 раз быстрее
🐍 Полная проверка типов ускорена на 20–36%
🐍 Первичная индексация при первом сканировании стала в 2–3 раза быстрее
🐍 Использование памяти снижено на 40–60%
🐍 Добавлен отчёт о покрытии type checking

👉 @PythonPortal

🙂🙂🙂

👉 @PythonPortal

Google выпустила свои официальные skills для AI-агентов.

Компания опубликовала 13 skills, совместимых с Claude Code, Cursor, Copilot и другими агентами.

Они позволяют агентам выполнять продвинутые задачи и автоматизировать сложные рабочие процессы.

Это бесплатно и с открытым исходным кодом : https://github.com/google/skills

👉 @PythonPortal

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.

👉 @PythonPortal

Преврати любую авторегрессионную языковую модель в диффузионную языковую модель.

dLLM — это Python-библиотека, которая объединяет обучение и оценку диффузионных языковых моделей.

Её также можно использовать, чтобы превратить ЛЮБУЮ авторегрессионную языковую модель в диффузионную языковую модель с минимальными вычислительными затратами.

100% открытый исходный код.

👉 @PythonPortal

Во многих приложениях требуется отображение строк в целые числа. В Python это обычно выглядит так:

d = {"apple": 100, "banana": 200, "cherry": 300}

Если ключей 1 миллион, это может потреблять много памяти — больше 100 байт на ключ.
Наш слон опубликовал новую библиотеку, которая использует около 9 байт на ключ. Да, всего 9 байт. Использование выглядит так:

from fastconstmap import ConstMap

d = {"apple": 100, "banana": 200, "cherry": 300}
m = ConstMap(d)

m["apple"]                  # -> 100
m.get_many(["banana", "cherry"])  # -> [200, 300]

Она может быть значительно быстрее (например, до 2 раз в некоторых случаях), чем стандартный словарь. Также её можно сериализовать и десериализовать на диск или в сеть для удобного повторного использования.

https://pypi.org/project/fastconstmap/
гитхаб: https://github.com/lemire/fastconstmap

👉 @PythonPortal

А когда не делали

👉 @PythonPortal

«Open Data Structures» — ещё один очень полезный бесплатный ресурс для всех, кто изучает структуры данных и алгоритмы.

Книга разбирает реализацию и анализ базовых структур: списков на массивах, связных списков, хеш-таблиц, бинарных деревьев, красно-чёрных деревьев, куч, алгоритмов сортировки, графов и структур данных для работы с целыми числами.

Это полноценный открытый учебник для изучения одной из фундаментальных тем компьютерных наук и хороший референс, который стоит держать под рукой.

https://opendatastructures.org/ods-python.pdf

👉 @PythonPortal

«Introduction to Algorithms» — выдающийся университетский ресурс для всех, кто изучает алгоритмы и компьютерные науки.

Книга охватывает вычислительную сложность, структуры данных, алгоритмы на графах, динамическое программирование, методы «разделяй и властвуй», жадные алгоритмы, рандомизированные алгоритмы и многие математические основы современной компьютерной науки.

Особенно ценно здесь сочетание математической строгости и практического алгоритмического мышления. Это одна из тех книг, которые сильно меняют подход к анализу задач, эффективности и самим вычислениям.
Обязательный инструмент в библиотеке любого разработчика и инженера, работающего в сфере компьютерных наук.

https://www.cs.mcgill.ca/~akroit/math/compsci/Cormen%20Introduction%20to%20Algorithms.pdf

👉 @PythonPortal

😢😢😢

👉 @PythonPortal

Не тратьте токены вашего AI на исследование проекта

Создайте локальный семантический граф вашего кода с помощью этого инструмента:

✓ –92% вызовов внешних инструментов
✓ Исследование кода на 71% быстрее
✓ Поддержка Claude Code, Cursor, Codex и OpenCode

Локально и с открытым исходным кодом:
→ http://github.com/colbymchenry/codegraph

👉 @PythonPortal

Непереводимая игра слов

👉 @PythonPortal

Нужно понять, какие аргументы переданы в скрипт на Питоне.

Для этого используется sys.argv — список, где:

sys.argv[0] — имя самого скрипта
дальше идут все переданные параметры запуска

👉 @PythonPortal

👃👃👃

👉 @PythonPortal

Open-source проект Presenton (5K+ звёзд) генерирует презентации из промптов и документов.

Поддерживает:
- промпт → презентация
- документ → презентация
- экспорт PPTX и PDF
- шаблоны
- самохостинг (Докер)
- API
- BYOK
- Ollama

Работает через генерацию + редактирование + экспорт, без привязки к закрытому редактору.

GitHub: github.com/presenton/pres

👉 @PythonPortal

«10 миллионов документов помещаются в 4 ГБ ОЗУ»: https://github.com/RyanCodrai/turbovec

Корпус из 10 миллионов документов занимает 31 ГБ ОЗУ в формате float32. turbovec укладывает это в 4 ГБ и выполняет поиск быстрее, чем FAISS.

turbovec — векторный индекс на Rust с Python-обвязками, построенный на алгоритме TurboQuant от Google Research — data-oblivious квантизаторе, который достигает границы Шеннона по искажению без обучения и без проходов по данным.

👉 @PythonPortal