Создание и экспорт PDF-файлов с помощью ReportLab

PDF любят бухгалтеры, юристы и вообще все, кому важен аккуратный документ “как из принтера”. А Python это тоже умеет — с помощью библиотеки ReportLab.

---

### Установка

pip install reportlab

После этого можно собирать PDF буквально по строчкам.

---

### Самый простой PDF

Создадим файл hello.pdf с одной строкой текста:

from reportlab.pdfgen import canvas

def create_simple_pdf(filename):
    c = canvas.Canvas(filename)
    c.drawString(100, 750, "Hello, ReportLab!")
    c.save()

create_simple_pdf("hello.pdf")

Пара моментов:

- Координаты считаются в поинтах (1/72 дюйма), (0, 0) — левый нижний угол.
- save() обязателен, иначе файл будет пустым.

---

### Добавляем шрифт и несколько строк

Можно управлять шрифтами и цветами:

from reportlab.pdfgen import canvas
from reportlab.lib.colors import blue, red

def create_styled_pdf(filename):
    c = canvas.Canvas(filename)

    c.setFont("Helvetica-Bold", 20)
    c.setFillColor(blue)
    c.drawString(100, 780, "Invoice #42")

    c.setFont("Helvetica", 12)
    c.setFillColor(red)
    c.drawString(100, 750, "Customer: John Smith")
    c.drawString(100, 730, "Total: $199.99")

    c.save()

create_styled_pdf("invoice.pdf")

Так уже можно генерировать простые счета, акты, сертификаты.

---

### Несколько страниц

PDF — не только один лист:

from reportlab.pdfgen import canvas

def create_multipage_pdf(filename):
    c = canvas.Canvas(filename)

    for page_num in range(1, 4):
        c.drawString(100, 750, f"Page {page_num}")
        c.showPage()  # переход на новую страницу

    c.save()

create_multipage_pdf("multipage.pdf")

Каждый вызов showPage() завершает текущую страницу и начинает следующую.

---

### Таблица с использованием platypus

Для отчетов удобен модуль platypus (он входит в ReportLab):

from reportlab.platypus import SimpleDocTemplate, Table, TableStyle
from reportlab.lib import colors

def create_table_pdf(filename):
    doc = SimpleDocTemplate(filename)
    data = [
        ["Name", "Quantity", "Price"],
        ["Apples", 3, "$5"],
        ["Oranges", 5, "$7"],
        ["Bananas", 2, "$4"],
    ]

    table = Table(data)
    table.setStyle(TableStyle([
        ("BACKGROUND", (0, 0), (-1, 0), colors.lightgrey),
        ("GRID", (0, 0), (-1, -1), 0.5, colors.black),
        ("ALIGN", (1, 1), (-1, -1), "CENTER"),
    ]))

    doc.build([table])

create_table_pdf("table_report.pdf")

Так уже получается вполне рабочий отчет: заголовки, сетка, выравнивание.

---

ReportLab — мощный “принтер” для Python: формировать счета, договоры, пропуска, сертификаты можно автоматически, просто подставляя данные. Скрипт запускается — и через секунду готов аккуратный PDF, который не стыдно отправить клиенту.

Основы сериализации объектов с использованием pickle и json

Python для начинающих: основы сериализации с pickle и json

Представьте, что вы написали класс, настроили кучу объектов, а программу нужно закрыть. Как сохранить их состояние, чтобы потом просто "разморозить" и продолжить? Здесь вступает в игру сериализация — превращение объекта в последовательность байт или строку, которую можно записать в файл или отправить по сети.

В Python для этого чаще всего используют два модуля: pickle и json. Они решают похожую задачу, но по-разному.

---

## pickle: все из Python — для Python

pickle умеет сериализовать почти любые Python-объекты: списки, словари, функции, пользовательские классы.

import pickle

class User:
    def __init__(self, name, score):
        self.name = name
        self.score = score

user = User("Alice", 42)

# Сериализация в байты
data = pickle.dumps(user)

# Запись в файл
with open("user.pkl", "wb") as f:
    pickle.dump(user, f)

# Чтение из файла
with open("user.pkl", "rb") as f:
    loaded_user = pickle.load(f)

print(loaded_user.name, loaded_user.score)  # Alice 42

Плюсы:
- поддерживает "почти всё" из мира Python;
- минимум кода.

Минусы:
- формат бинарный и нечитаемый человеком;
- небезопасен: никогда не загружайте pickle-файлы из непроверенных источников — там может быть произвольный вредоносный код.

---

## json: читаемо, переносимо, безопаснее

json сериализует данные в текстовый формат, понятный другим языкам (JavaScript, Go, Java и т.д.). Но он понимает только простые типы: dict, list, str, int, float, bool, None.

import json

user = {
    "name": "Alice",
    "score": 42,
    "tags": ["python", "beginner"]
}

# В строку
json_str = json.dumps(user)

# В файл
with open("user.json", "w", encoding="utf-8") as f:
    json.dump(user, f, indent=4)

# Из файла
with open("user.json", "r", encoding="utf-8") as f:
    loaded_user = json.load(f)

print(loaded_user["name"], loaded_user["tags"])

Если нужно сериализовать объект своего класса, его придётся "разобрать" в словарь:

class User:
    def __init__(self, name, score):
        self.name = name
        self.score = score

def user_to_dict(user):
    return {"name": user.name, "score": user.score}

user = User("Bob", 100)
json_str = json.dumps(user_to_dict(user))

---

## Что когда использовать?

- Нужна максимальная совместимость, читаемый текст и обмен с другими языками — берите json.
- Нужна быстрая работа с "нативными" Python-объектами и файл не покидает ваш сервис — подойдёт pickle, но помните о безопасности.

Сериализация — это способ дать вашим объектам "вторую жизнь" после завершения программы. Освоив pickle и json, вы уже делаете шаг в сторону реальных приложений: конфиги, кэш, сохранения состояния и обмен данными.

Как использовать модуль time для измерения скорости выполнения

Как использовать модуль time для измерения скорости выполнения кода

Когда код начинает тормозить, первым делом нужно ответить на простой вопрос: что именно работает медленно? Для этого не нужен сложный профайлер — в большинстве случаев хватит стандартного модуля time.

---

### 1. Быстрое измерение через time.time()

Функция time.time() возвращает текущее время в секундах с начала эпохи (обычно 1 января 1970). Если замерить время до и после участка кода — получим длительность его выполнения.

import time

def slow_operation():
    total = 0
    for i in range(10_000_000):
        total += i
    return total

start = time.time()
result = slow_operation()
end = time.time()

elapsed = end - start
print(f"Result: {result}")
print(f"Elapsed: {elapsed:.4f} seconds")

Плюс: просто и понятно.
Минус: точность зависит от системы, и эта функция не гарантирует высокую разрешающую способность.

---

### 2. Более точный замер через time.perf_counter()

time.perf_counter() специально создан для измерения интервалов времени. Он не привязан к "реальному" времени, зато максимально точен и не страдает от смены системных часов.

import time

def fast_operation():
    return sum(range(10_000_000))

start = time.perf_counter()
result = fast_operation()
end = time.perf_counter()

elapsed = end - start
print(f"Result: {result}")
print(f"Elapsed: {elapsed:.6f} seconds")

Используйте perf_counter() во всех случаях, когда вас интересует скорость кода, а не текущее время.

---

### 3. Сравниваем два варианта решения

Предположим, мы хотим понять, что быстрее: цикл или встроенная функция sum.

import time

def sum_loop(n):
    total = 0
    for i in range(n):
        total += i
    return total

def sum_builtin(n):
    return sum(range(n))

def measure(func, n, repeats=5):
    best = float("inf")
    for _ in range(repeats):
        start = time.perf_counter()
        func(n)
        end = time.perf_counter()
        elapsed = end - start
        if elapsed < best:
            best = elapsed
    return best

n = 5_000_000
t_loop = measure(sum_loop, n)
t_builtin = measure(sum_builtin, n)

print(f"Loop:    {t_loop:.6f} s")
print(f"Builtin: {t_builtin:.6f} s")

Здесь мы запускаем каждую функцию несколько раз и берём лучший результат — так меньше влияние случайных задержек (нагрузка системы, кэш, фоновые процессы).

---

### Вывод

Модуль time — это простой, но мощный инструмент, чтобы:
- измерять скорость отдельных участков кода;
- сравнивать разные реализации;
- находить узкие места без сложных инструментов.

Запомните правило:
time.time() — для "какой сейчас час", time.perf_counter() — для "как быстро это работает".

Редактирование изображений с помощью библиотеки pillow (PIL)

### Редактирование изображений с помощью Pillow: первые шаги в «фотошопе на Python»

Pillow — это библиотека, которая превращает Python в мини-фотошоп: можно обрезать, сжимать, накладывать текст, применять фильтры и даже собирать простые превьюшки для соцсетей.

Устанавливается просто:

pip install pillow

Базовый импорт:

from PIL import Image, ImageFilter, ImageEnhance, ImageFont, ImageDraw

---

### Открытие и сохранение изображений

from PIL import Image

img = Image.open("input.jpg")      # открываем
print(img.size, img.mode, img.format)

resized = img.resize((800, 600))   # изменение размеров
resized.save("output_resized.jpg", quality=85)

quality=85 полезно для оптимизации картинок под веб.

---

### Обрезка и поворот

img = Image.open("input.jpg")

# crop(left, upper, right, lower)
cropped = img.crop((100, 100, 600, 600))
rotated = cropped.rotate(30, expand=True)

rotated.save("output_cropped_rotated.png")

expand=True не обрежет картинку после поворота.

---

### Фильтры и улучшение качества

from PIL import Image, ImageFilter, ImageEnhance

img = Image.open("input.jpg")

blurred = img.filter(ImageFilter.GaussianBlur(radius=2))
sharpener = ImageEnhance.Sharpness(blurred)
sharpened = sharpener.enhance(1.8)   # 1.0 — без изменений

contrast = ImageEnhance.Contrast(sharpened).enhance(1.3)

contrast.save("output_filtered.jpg")

Так можно быстро «подтянуть» резкость и контраст фото.

---

### Нанесение текста (водяной знак)

from PIL import Image, ImageDraw, ImageFont

img = Image.open("input.jpg").convert("RGBA")
txt_layer = Image.new("RGBA", img.size, (0, 0, 0, 0))

draw = ImageDraw.Draw(txt_layer)
font = ImageFont.truetype("arial.ttf", 40)

text = "myblog.dev"
text_pos = (img.size[0] - 250, img.size[1] - 60)

draw.text(text_pos, text, font=font, fill=(255, 255, 255, 120))

watermarked = Image.alpha_composite(img, txt_layer)
watermarked.convert("RGB").save("output_watermarked.jpg")

Здесь создается прозрачный слой, на который рисуется полупрозрачный текст, а затем он накладывается на оригинал.

---

### Массовая обработка изображений

import pathlib
from PIL import Image

input_dir = pathlib.Path("photos")
output_dir = pathlib.Path("photos_optimized")
output_dir.mkdir(exist_ok=True)

for path in input_dir.glob("*.jpg"):
    img = Image.open(path)
    img.thumbnail((1200, 1200))
    img.save(output_dir / path.name, quality=80, optimize=True)

Этот скрипт автоматически уменьшит и сожмет все фото в папке — полезно перед загрузкой на сайт.

---

Pillow хорош тем, что порог входа низкий: уже через пару десятков строк кода можно автоматизировать то, что обычно делается руками в графическом редакторе. А дальше — фильтры, коллажи, генерация превью, мемы и целые пайплайны обработки изображений.

Мониторинг системных ресурсов с использованием psutil

Мониторинг системных ресурсов с помощью psutil: делаем свой мини‑«Диспетчер задач»

Если вы когда‑нибудь задумывались, как Python‑скрипт может узнать, сколько у вас свободной памяти, насколько загружен процессор и кто вообще ест весь диск — вам нужен модуль psutil.

psutil (process and system utilities) — кроссплатформенная библиотека для работы с системной статистикой: CPU, память, диски, сеть, процессы. Идеален для небольших утилит мониторинга и первых шагов в сторону системного администрирования на Python.

---

### Установка

pip install psutil

---

### Базовый мониторинг CPU и памяти

import psutil
import time

def print_basic_stats():
    cpu = psutil.cpu_percent(interval=1)
    mem = psutil.virtual_memory()
    print(f"CPU: {cpu}%")
    print(f"Memory: {mem.percent}% used ({mem.used // (1024**2)} MB / {mem.total // (1024**2)} MB)")

if __name__ == "__main__":
    while True:
        print_basic_stats()
        time.sleep(2)

Здесь:
- cpu_percent(interval=1) замеряет загрузку за последнюю секунду;
- virtual_memory() возвращает объект с подробной статистикой по ОЗУ.

---

### Мониторинг диска и сети

import psutil
import time

def print_disk_and_net():
    disk = psutil.disk_usage("/")
    net1 = psutil.net_io_counters()
    time.sleep(1)
    net2 = psutil.net_io_counters()

    sent_speed = (net2.bytes_sent - net1.bytes_sent) / 1024
    recv_speed = (net2.bytes_recv - net1.bytes_recv) / 1024

    print(f"Disk used: {disk.percent}%")
    print(f"Net: ↑ {sent_speed:.1f} KB/s, ↓ {recv_speed:.1f} KB/s")

if __name__ == "__main__":
    while True:
        print_disk_and_net()

Так можно быстро понять, нагружает ли диск какой‑то процесс и есть ли сетевой трафик.

---

### Кто все это ест: процессы

import psutil

def top_memory_processes(limit=5):
    processes = []
    for proc in psutil.process_iter(["pid", "name", "memory_percent"]):
        processes.append(proc.info)
    processes.sort(key=lambda p: p["memory_percent"], reverse=True)
    for p in processes[:limit]:
        print(f"{p['pid']:>6} {p['memory_percent']:5.1f}%  {p['name']}")

if __name__ == "__main__":
    top_memory_processes()

Функция показывает топ процессов по использованию памяти — уже что‑то вроде урезанного списка в «Диспетчере задач».

---

psutil позволяет вам из простого скрипта превратиться в маленький системный «радист»: собирать метрики, логировать их, строить графики, реагировать на перегрузки. Для начинающего питониста это отличный модуль, чтобы почувствовать, что ваш код взаимодействует не только с текстовыми задачками, но и с «живой» системой.

Простое создание ZIP-архивов с zipfile и shutil

### Простое создание ZIP-архивов с zipfile и shutil

Архивация — одна из тех задач, которые рано или поздно понадобятся почти в любом проекте: сделать бэкап, запаковать логи, отправить результаты работы скрипта. В Python это можно сделать «вручную» с модулем zipfile, а можно — «по-быстрому» с shutil. Разберём оба подхода.

---

## Вариант 1: полный контроль с zipfile

zipfile даёт гибкость: можно выбирать режимы сжатия, добавлять отдельные файлы и целые папки, читать содержимое архива.

### Создание архива и добавление файлов

import zipfile
from pathlib import Path

base_dir = Path("project_data")
zip_path = Path("backup.zip")

with zipfile.ZipFile(zip_path, mode="w", compression=zipfile.ZIP_DEFLATED) as zf:
    for file_path in base_dir.rglob("*"):
        if file_path.is_file():
            arc_name = file_path.relative_to(base_dir)
            zf.write(file_path, arcname=arc_name)

print(f"Created archive: {zip_path}")

Что тут важно:

- mode="w" — создать новый архив (перезапишет существующий).
- ZIP_DEFLATED — стандартное сжатие.
- relative_to(base_dir) — в архив не попадут «лишние» абсолютные пути.

### Просмотр содержимого архива

import zipfile

with zipfile.ZipFile("backup.zip", "r") as zf:
    print(zf.namelist())

Можно и читать файлы напрямую, не распаковывая всё:

with zipfile.ZipFile("backup.zip", "r") as zf:
    with zf.open("subdir/report.txt") as f:
        content = f.read().decode("utf-8")
        print(content)

---

## Вариант 2: быстро и просто с shutil

Если нужен просто «запаковать папку целиком» — shutil.make_archive делает это одной строкой.

import shutil
from pathlib import Path

base_dir = Path("project_data")

archive_path = shutil.make_archive(
    base_name="project_backup",  # будет project_backup.zip
    format="zip",
    root_dir=base_dir
)

print(f"Archive created at: {archive_path}")

Можно так же легко создавать не только ZIP, но и tar, gztar, bztar.

---

## Когда что использовать?

- zipfile — когда нужен контроль: выбор файлов, чтение из архива, выбор метода сжатия, обновление существующего архива.
- shutil — когда задача проста: «возьми эту папку и сделай из неё ZIP».

Оба модуля входят в стандартную библиотеку, так что никаких дополнительных установок — просто импортируйте и архивируйте.

Как класть и извлекать данные из стека и очереди: deque из collections

Как класть и извлекать данные из стека и очереди: deque из collections

Если вам нужны стек или очередь в Python, не спешите писать свои классы. В стандартной библиотеке уже есть мощный инструмент — collections.deque. Это двусторонняя очередь, но из неё легко сделать и стек, и обычную очередь.

---

## Быстрый старт

from collections import deque

dq = deque()          # пустая deque
dq = deque([1, 2, 3]) # инициализация с данными

deque оптимизирован под операции добавления/удаления с обоих концов — в отличие от обычного списка, где pop(0) и insert(0, x) работают медленно.

---

## deque как стек (LIFO)

Стек — это принцип “последним пришёл — первым вышел” (LIFO). Для стека нам нужны две операции: положить и достать с одного и того же конца.

from collections import deque

stack = deque()

# кладём в стек
stack.append("page_1")
stack.append("page_2")
stack.append("page_3")

# достаём из стека
last_page = stack.pop()      # "page_3"
prev_page = stack.pop()      # "page_2"

Здесь append() и pop() работают с “хвостом” очереди. Именно так строится история переходов в браузере, отмена действий в редакторе и т.п.

---

## deque как очередь (FIFO)

Очередь — “первым пришёл — первым вышел” (FIFO). Добавляем в конец, забираем из начала.

from collections import deque

queue = deque()

# приходят задачи
queue.append("task_1")
queue.append("task_2")
queue.append("task_3")

# обрабатываем в порядке поступления
first = queue.popleft()    # "task_1"
second = queue.popleft()   # "task_2"

Ключевой метод — popleft(): быстро забирает элемент с начала. Для списка аналог pop(0) был бы заметно медленнее.

---

## Двусторонняя очередь

Иногда удобно, что deque — двусторонняя:

from collections import deque

dq = deque([2, 3])

dq.appendleft(1)   # слева: [1, 2, 3]
dq.append(4)       # справа: [1, 2, 3, 4]

left = dq.popleft()  # 1
right = dq.pop()     # 4

Так можно, например, реализовать “слайдящуюся” историю последних N элементов.

---

## Ограниченный размер: maxlen

deque умеет автоматически забывать старые элементы:

from collections import deque

history = deque(maxlen=3)

for i in range(5):
    history.append(i)

print(history)  # deque([2, 3, 4], maxlen=3)

Полезно для логов, последних измерений, кэшей.

---

Главное: запомните четыре метода — append, appendleft, pop, popleft. С их помощью вы можете построить стек, очередь и даже более сложные структуры, не выходя за рамки стандартной библиотеки Python.

Создание CLI-интерфейсов с библиотекой argparse

Python для начинающих: создаём удобные CLI-интерфейсы с argparse

Большинство утилит в терминале — это просто программы с аргументами командной строки. python script.py --input data.txt --verbose выглядит профессионально и удобно. За этим стоит стандартная библиотека argparse, которую многие новички игнорируют, а зря.

### Минимальный пример

Начнём с простого: создадим скрипт, который приветствует пользователя.

import argparse

def main():
    parser = argparse.ArgumentParser(
        description="Simple greeting script"
    )
    parser.add_argument(
        "name",
        help="User name to greet"
    )
    parser.add_argument(
        "-t", "--times",
        type=int,
        default=1,
        help="How many times to print greeting"
    )

    args = parser.parse_args()

    for _ in range(args.times):
        print(f"Hello, {args.name}!")

if __name__ == "__main__":
    main()

Теперь в терминале:

python greet.py Alice
python greet.py Alice --times 3

argparse сам:
- парсит аргументы,
- проверяет типы (type=int),
- подставляет значения по умолчанию (default=1),
- показывает аккуратную справку: python greet.py -h.

### Флаги и режимы работы

Добавим флаг, который ничего не принимает, но меняет поведение:

import argparse

def main():
    parser = argparse.ArgumentParser(
        description="File size checker"
    )
    parser.add_argument("path", help="Path to file")
    parser.add_argument(
        "-q", "--quiet",
        action="store_true",
        help="Print only raw size in bytes"
    )

    args = parser.parse_args()

    import os
    size = os.path.getsize(args.path)

    if args.quiet:
        print(size)
    else:
        print(f"File: {args.path}")
        print(f"Size: {size} bytes")

if __name__ == "__main__":
    main()

Ключевой момент — action="store_true": если флаг указан, в args.quiet будет True, иначе False.

### Подкоманды: как git clone, git status

Аргументы можно группировать в подкоманды:

import argparse

def cmd_add(args):
    print(args.x + args.y)

def cmd_mul(args):
    print(args.x * args.y)

def main():
    parser = argparse.ArgumentParser(
        description="Simple calculator"
    )
    subparsers = parser.add_subparsers(
        dest="command",
        required=True
    )

    parser_add = subparsers.add_parser("add", help="Add numbers")
    parser_add.add_argument("x", type=int)
    parser_add.add_argument("y", type=int)
    parser_add.set_defaults(func=cmd_add)

    parser_mul = subparsers.add_parser("mul", help="Multiply numbers")
    parser_mul.add_argument("x", type=int)
    parser_mul.add_argument("y", type=int)
    parser_mul.set_defaults(func=cmd_mul)

    args = parser.parse_args()
    args.func(args)

if __name__ == "__main__":
    main()

Теперь:

python calc.py add 2 3   # 5
python calc.py mul 2 3   # 6

Так строятся целые консольные инструменты: один файл — множество команд.

### Почему стоит привыкнуть к argparse

- Встроен в стандартную библиотеку, без лишних зависимостей.
- Автоматически генерирует --help.
- Делает интерфейс предсказуемым и профессиональным.
- Легко расширяется: типы, значения по умолчанию, подкоманды, обязательные/необязательные аргументы.

Один раз освоив argparse, вы перестаёте писать input() в каждом втором скрипте и начинаете создавать настоящие консольные утилиты. Это маленький шаг в коде, но большой шаг к тому, чтобы ваши программы выглядели как «настоящие инструменты», а не учебные примеры.

Преобразование строк и чисел с помощью форматирования f-строк

Преобразование строк и чисел с помощью форматирования f-строк

Если вы все еще конкатенируете строки через +, самое время остановиться. В Python есть более мощный и удобный инструмент — f-строки (formatted string literals). Они не только делают код читаемее, но и позволяют красиво преобразовывать числа и строки буквально “на лету”.

---

### Базовый синтаксис

F-строка — это строка с буквой f перед кавычками. Внутри фигурных скобок {} можно писать выражения:

name = "Alice"
age = 25
text = f"Name: {name}, age: {age}"
print(text)  # Name: Alice, age: 25

Уже лучше, чем "Name: " + name + ", age: " + str(age).

---

### Форматирование чисел

Главная магия начинается, когда нужно красиво отобразить числа.

Количество знаков после запятой:

price = 12.34567
print(f"{price:.2f}")   # 12.35
print(f"{price:.0f}")   # 12

.2f — два знака после запятой, .0f — без дробной части.

Разделение разрядов:

big_num = 1234567890
print(f"{big_num:,}")   # 1,234,567,890
print(f"{big_num:_}")   # 1_234_567_890

Запятая или нижнее подчеркивание помогают “читать” большие числа.

Проценты:

ratio = 0.0789
print(f"{ratio:.2%}")   # 7.89%

---

### Выравнивание и ширина

Можно управлять тем, как текст и числа “лежат” в строке — удобно для табличного вывода.

items = [("Apple", 3.5), ("Banana", 12.0), ("Kiwi", 0.95)]

for name, price in items:
    print(f"{name:<10} | {price:>7.2f}")

- <10 — выравнивание по левому краю, ширина 10 символов
- >7.2f — по правому краю, ширина 7, два знака после запятой

Вывод будет аккуратно выровнен по столбцам.

---

### Форматирование чисел в разных системах счисления

num = 42
print(f"bin: {num:b}")   # bin: 101010
print(f"hex: {num:x}")   # hex: 2a
print(f"HEX: {num:#X}")  # HEX: 0X2A

# добавляет префикс 0b, 0x, 0o.

---

### Вложенные выражения и функции

В f-строках можно вызывать функции и писать выражения:

import math

x = 2
print(f"sqrt({x}) = {math.sqrt(x):.3f}")
print(f"{x}! = {math.factorial(x)}")

---

### Быстрая диагностика: =

С Python 3.8 появилось удобство для отладки: =

a = 7
b = 3
print(f"{a=}, {b=}, sum={a + b}")
# a=7, b=3, sum=10

---

F-строки — это компактный, выразительный и очень мощный способ преобразовывать и форматировать строки и числа. Освоив их, вы заметите, насколько чище и понятнее станет ваш код.

Создание таплов и однострочных функций с помощью lambda и map

Создание таплов и однострочных функций с помощью lambda и map

Python любит, когда код короткий и понятный. Сегодня разберём связку, которая идеально подходит для “быстрых” преобразований данных: lambda + map + кортежи (tuples).

---

### 1. Что такое lambda и зачем она нужна

lambda — это способ создать функцию “на лету”, прямо внутри выражения, без def и имени.

Обычная функция:

def square(x):
    return x ** 2

То же самое с lambda:

square = lambda x: x ** 2

А можно вообще не присваивать её переменной, а использовать сразу в выражении — и вот тут в игру вступает map.

---

### 2. map: применяем функцию ко всем элементам

map(func, iterable) берёт каждый элемент из iterable и прогоняет его через func.
Типичный пример:

nums = [1, 2, 3, 4]
result = map(lambda x: x * 10, nums)
print(list(result))  # [10, 20, 30, 40]

Обрати внимание: map возвращает итератор, поэтому часто его оборачивают в list() или tuple().

---

### 3. Создаём таплы с помощью map и lambda

Допустим, у нас есть список чисел, и мы хотим получить кортеж пар (число, его квадрат):

nums = [1, 2, 3, 4, 5]

pairs = tuple(
    map(lambda x: (x, x ** 2), nums)
)

print(pairs)
# ((1, 1), (2, 4), (3, 9), (4, 16), (5, 25))

Здесь важно:

- lambda x: (x, x ** 2) возвращает кортеж из двух элементов.
- map(...) создаёт поток таких кортежей.
- tuple(...) собирает их в один большой кортеж.

---

### 4. Комбинируем несколько итерируемых объектов

map может работать сразу с несколькими последовательностями. Например, создадим кортеж таплов из координат:

xs = [0, 1, 2]
ys = [10, 11, 12]

points = tuple(
    map(lambda x, y: (x, y), xs, ys)
)

print(points)
# ((0, 10), (1, 11), (2, 12))

Так можно элегантно “склеивать” данные без явных циклов.

---

### 5. Однострочные конвейеры преобразований

Связка map + lambda хорошо работает как мини-конвейер обработки данных:

raw_data = ["1", "2", "3", "4"]

processed = tuple(
    map(lambda x: int(x) * 2, raw_data)
)

print(processed)
# (2, 4, 6, 8)

Считываем строки → сразу превращаем в числа → сразу умножаем.

---

### Когда это оправдано

- Нужно быстро преобразовать последовательность.
- Логика простая и умещается в одну строку.
- Нужен результат именно в виде кортежей (например, для неизменяемых данных или в качестве ключей словаря).

Если выражение становится громоздким и трудно читаемым — лучше вернуться к обычным функциям и циклам. Но для небольших преобразований lambda + map + tuple даёт лаконичный и выразительный код, который отлично вписывается в стиль Python.

Объединение и фильтрация данных с filter, map, zip

Объединение и фильтрация данных с filter, map, zip

Представьте, что у вас есть конвейер обработки данных. Вход — «сырые» списки, выход — аккуратный результат. В Python роль такого конвейера идеально играют функции filter, map и zip. Разберём, как их сочетать так, чтобы код был короче, понятнее и «питонистее».

---

### filter: оставляем только нужное

filter(func, iterable) пропускает через себя элементы, оставляя только те, для которых func возвращает True.

numbers = [10, -3, 0, 25, -7, 8]

def is_positive(x):
    return x > 0

positive_numbers = list(filter(is_positive, numbers))
print(positive_numbers)  # [10, 25, 8]

То же самое через lambda:

positive_numbers = list(filter(lambda x: x > 0, numbers))

---

### map: трансформируем элементы

map(func, iterable) применяет функцию к каждому элементу.

numbers = [1, 2, 3, 4]

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

Комбинация с filter даёт уже мини-пайплайн:

numbers = [-3, -1, 0, 1, 2, 3]

result = list(
    map(
        lambda x: x ** 2,
        filter(lambda x: x > 0, numbers)
    )
)
print(result)  # [1, 4, 9]

Сначала отфильтровали положительные, потом возводим их в квадрат.

---

### zip: объединяем несколько источников данных

zip склеивает элементы из нескольких итерируемых объектов по позициям.

names = ["Alice", "Bob", "Charlie"]
scores = [85, 92, 78]

paired = list(zip(names, scores))
print(paired)  # [('Alice', 85), ('Bob', 92), ('Charlie', 78)]

На основе zip удобно строить структуры данных:

students = [
    {"name": name, "score": score}
    for name, score in zip(names, scores)
]
print(students)
# [{'name': 'Alice', 'score': 85}, ...]

---

### Все вместе: мини-аналитика

Допустим, у нас есть имена, оценки и флаг «сдал экзамен» (True/False). Нужно оставить только тех, кто сдал, и взять их имена и удвоенные баллы (например, за бонус).

names = ["Alice", "Bob", "Charlie", "Diana"]
scores = [85, 40, 73, 95]
passed = [True, False, True, True]

data = zip(names, scores, passed)

passed_transformed = list(
    map(
        lambda item: (item[0], item[1] * 2),
        filter(lambda item: item[2], data)
    )
)

print(passed_transformed)
# [('Alice', 170), ('Charlie', 146), ('Diana', 190)]

zip объединяет разрозненные списки в единый поток кортежей, filter выбрасывает тех, кто не сдал, map меняет формат результата и пересчитывает баллы.

---

filter, map и zip — это кирпичики для построения аккуратных конвейеров обработки данных. В связке они позволяют писать код, который одновременно лаконичен и легко читается как последовательность шагов над данными.