📱 Python новости

🚀 Релизы и инструменты:
— Python 3.14.0 beta 1 — первые шаги к следующему стабильному релизу
— ty — ультрабыстрый type checker на Rust для Python
— PyCharm Community — JetBrains прекращает выпуск бинарных сборок CE

🧠 Статьи и практики:
— GUI с Tkinter — быстрый старт создания графических интерфейсов
— Оптимизация Django — умный подход к ускорению проектов
— Симуляция лесного пожара — клеточные автоматы в Python
— PySide6 (Qt for Python) — создание приложений с красивым GUI
— Гравитация на Python — пишем симулятор с физикой
— Что выбрать сисадмину в 2025-м? Bash, Python или PowerShell

📊 Новости и сообщество:
— Python — язык №1 в TIOBE-рейтинге мая 2025
— Сокращения в Microsoft — задели команду Faster CPython
— Обновления безопасности Django: версии 5.2.1, 5.1.9 и 4.2.21

📄 PEP и стандарты:
— PEP 749 (реализация PEP 649) — принят и в работе

Библиотека питониста #свежак

Что выведет код сверху?

👾 — 2
👍 — 3
🥰 — 4
⚡️ — Error

Библиотека задач по Python

⌨️ Топ-вакансий для питонистов за неделю

Senior/Lead Python Developer, гибрид (Красноярск, Новосибирск, Казань)

Python-разработчик — от 400 000 ₽, удалёнка

Python backend developer (FastAPI) — от 160 000 до 220 000 ₽, удалёнка

Backend-разработчик по инструментам и автоматизации радиосети — от 200 000 до 250 000 ₽, гибрид (Санкт-Петербург

Backend-Developer Python (junior), гибрид (Москва)

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

Библиотека питониста

✅ Как работать с параллелизмом в Python

Когда вашей программе нужно выполнять несколько задач одновременно, важно выбрать правильную модель параллелизма.

Вот как это сделать:

🔄 Как использовать многопоточность

✅ Используйте threading для базовой работы с потоками.
✅ Используйте concurrent.futures.ThreadPoolExecutor — удобно и масштабируемо.
✅ Используйте queue.Queue для безопасного обмена данными между потоками.

⚙️ Как использовать многопроцессность

✅ Используйте multiprocessing для ресурсоёмких вычислений.
✅ Используйте concurrent.futures.ProcessPoolExecutor для упрощённого кода.
✅ Используйте joblib для параллельной обработки в ML или работе с NumPy.
✅ Используйте dask для масштабирования кода на несколько ядер или кластеров.
✅ Используйте ray для построения распределённых систем.

⚡️ Как использовать асинхронное программирование

✅ Используйте asyncio, если у вас множество I/O-операций (запросы, БД, файлы) и важно не блокировать поток.

🔎 Золотое правило

✅ Потоки — для I/O-задач (например, скачивание файлов)
✅ Процессы — для тяжёлых вычислений
✅ Async — для эффективной обработки большого количества сетевых или файловых операций

Библиотека питониста #буст

📐 Новый модуль imath в Python: математика для целых чисел

На протяжении многих лет модуль math в Python становился все более перегруженным. Он начинался как обёртка над C-стандартом математических функций (в основном — с плавающей точкой), но со временем туда добавили и функции, не имеющие к нему отношения: math.gcd(), math.factorial(), math.isqrt() и другие.

Это породило путаницу:
— В документации math указано, что функции возвращают float, но это не так для math.gcd() или math.factorial().
— Невозможно чётко описать, какие типы аргументов принимает каждая функция.
— Сложнее разобраться, где искать нужные функции: целочисленные, статистические, комплексные — все перемешаны.

✅ Что предлагает PEP 791

Создать новый модуль imath, в котором будут собраны функции, работающие строго с целыми числами. Все возвращаемые значения — тоже целые (int).

Вот список функций, которые переедут из math в imath:
🔎 comb() — число сочетаний
🔎 factorial() — факториал
🔎 gcd() — наибольший общий делитель
🔎 isqrt() — целочисленный квадратный корень
🔎 lcm() — наименьшее общее кратное
🔎 perm() — число размещений

Их аналоги в math сохранятся, но будут мягко устаревшими (soft deprecated) — они останутся в коде, но будут помечены как нежелательные к использованию.

В PEP пока не входят новые функции, но обсуждается возможное расширение: число Делануа, тесты на простоту и другие инструменты теории чисел.

📌 Вывод: imath — это шаг к более чистой архитектуре стандартной библиотеки. Целые числа заслужили свой модуль.
Что думаете? Стоит ли Python разделять модули дальше по специализации?

🔗 Подробнее в PEP 791: https://clc.to/POzTkw

Библиотека питониста #свежак

🤖 ML в продакшене — что происходит после деплоя

Запустить модель в прод — это только начало. Дальше начинается самое интересное:
— Поведение пользователей меняется
— Данные плывут
— Качество модели может незаметно упасть

Чтобы не проспать деградацию, нужна система:
🤖 Метрики
🤖 Мониторинг
🤖 Алерты
🤖 A/B-тесты
🤖 Готовность переобучить модель

В новой статье рассказываем, как организовать контроль качества ML-модели после релиза и не потерять бизнес-метрики в продакшене.

📎 Читайте подробнее: https://proglib.io/sh/fjpFLVWn8Z

Библиотека питониста