👉 Мифы и сказки вокруг производительности Python

🔎 Миф 1: «Python не медленный» (а то мы не знали)

Многие считают, что Python достаточно быстр, ведь это язык-«клей», где для тяжёлых вычислений используют GPU или вызывают C/C++/Rust-библиотеки. Но на самом деле, для множества задач Python всё же медленен.

🔎 Миф 2: «Если медленно, перепиши горячие участки на C/C++/Rust»

Это действительно часто помогает — оптимизировать 20% кода, где происходит 80% работы (принцип Парето). Однако Amdahl's law говорит, что ускорение одной части программы в итоге упирается в остальной код. После ускорения «горячих» мест, всё остальное начинает доминировать по времени исполнения.

🔎 Миф 3: «Python медленный, потому что он интерпретируемый»

Интерпретация даёт некоторое замедление, но гораздо больше времени уходит на выполнение динамической семантики Python: поиск типов, вызовы методов вроде __getattribute__(), упаковку и распаковку значений, выделение памяти и т.д. Это не зависит от того, интерпретируется код или компилируется.

🔎 Статическая типизация и JIT — помогают, но не решают всё

Python набирает популярность с аннотациями типов, но статическая типизация не проверяется во время выполнения. Например:

def add(x: int, y: int) -> int:
    return x + y

print(add('hello ', 'world'))  # type: ignore

Здесь добавление строк работает, но не соответствует типам. Значит, оптимизации на основе типов невозможны в чистом Python.

JIT-компиляторы (например, в PyPy) действительно могут ускорить Python, но они усложняют предсказуемость производительности и требуют понимания, как именно JIT оптимизирует код. Иногда оптимизации «ломаются» при изменении программы, даже если код кажется простым.

🔎 Абстракции в Python — не бесплатны

Рассмотрим простой алгоритм:

def algo(points: list[tuple[float, float]]):
    res = 0
    for x, y in points:
        res += x**2 * y + 10
    return res

Если вынести вычисление в отдельную функцию:

def fn(x, y):
    return x**2 * y + 10

def algo(points: list[tuple[float, float]]):
    res = 0
    for x, y in points:
        res += fn(x, y)
    return res

То производительность падает из-за накладных расходов на вызовы функций. Если вместо кортежей использовать @dataclass:

from dataclasses import dataclass

@dataclass
class Point:
    x: float
    y: float

def fn(p: Point):
    return p.x**2 * p.y + 10

def algo(points: list[Point]):
    res = 0
    for p in points:
        res += fn(p)
    return res

Скорость падает ещё больше, потому что добавляется обращение к атрибутам объектов и накладные расходы, связанные с объектной моделью.

🔎 Кэш и память — главный узкий профиль

Основная проблема Python — не вычисления, а память. Современные процессоры быстро выполняют операции, но доступ к памяти (особенно к ОЗУ) намного медленнее.

Python-программы часто имеют плохую кэш-локалити из-за разброса объектов в памяти:

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age

p = [Person('Alice', 16), Person('Bob', 21)]

В памяти объекты Person и их атрибуты могут быть разбросаны, что приводит к множеству переходов по указателям и к частым кеш-промахам.

Это проблема, которую невозможно решить только компиляцией или JIT, не изменяя семантику языка.

🔗 Если интересно, почему Python медленный, посмотрите подробный доклад: https://clc.to/YWmMIA

Библиотека питониста #буст

📱 Свежие релизы Python‑пакетов за последние 7 дней

👍 Важные обновления популярных библиотек
— pydantic-ai / pydantic-ai-slim / pydantic-evals / pydantic-graph 0.6.0 — развитие AI-интеграций на базе Pydantic.
— torch 2.8.0, torchvision 0.23.0, torchaudio 2.8.0 — крупное обновление PyTorch-стека.
— sagemaker 2.250.0 — новая версия фреймворка для ML на AWS.
— memray 1.18.0 — профайлер памяти для Python.
— locust 2.38.0 — нагрузочное тестирование.
— redis 6.3.0 — Python-клиент Redis.
— openai 1.99.0 — доступ к API OpenAI, включая GPT-5.
— hypothesis 6.137.0 — property-based тестирование.
— accelerate 1.10.0 — ускорение обучения моделей.
— sentence-transformers 5.1.0 — эмбеддинги и семантический поиск.
— deepdiff 8.6.0 — сравнение сложных Python-структур.


🔥 Опыт других
— Python: генераторные функции
— Как я заменил кучу флагов двумя словарями в Python
— 15 типичных ошибок начинающих автоматизаторов (и как их избежать)

Библиотека питониста #свежак

💼 Топ-вакансий для питонистов за неделю

Backend Python/Django —‍ от 3000 до 6000 $, удалёнка

Python Developer —‍ до 170 000 ₽, удалёнка

Odoo/Python разработчик —‍ до 200 000 ₽, удалёнка

Архитектор в AI проектах, удалёнка

Backend Lead (Python/Go), удалёнка

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

🐸 Библиотека питониста

🔎 Текстовая схожесть: от regex до нейросетей

В реальном мире строки редко совпадают «под копирку».
Например:

"aPpLe iPhone® 14 Pro Max"
"iphone 14 pro max"

Вопрос — чем сравнивать? Ответ зависит от того, что именно вы хотите поймать.

1️⃣ Regex — чистим шум по шаблону

Идеален как первый шаг: убрать мусор, стандартизировать формат.

import re
def clean(t):
    t = t.lower()
    t = re.sub(r"[®™©]", "", t)
    return re.sub(r"\s+", " ", t).strip()

clean("iPhone® 14 Pro Max")
# 'iphone 14 pro max'

✅ Приводит строки к общему виду
✖️ Не знает, что «наушники» и «headphones» — это одно и то же

2️⃣ difflib — встроенный baseline

Умеет считать похожесть на уровне символов. Отлично для быстрого «на коленке».

from difflib import SequenceMatcher
SequenceMatcher(None, "iphone 14 pro max", "i phone 14 pro max").ratio()
# 0.97

✅ Ловит пробелы и опечатки
✖️ Путается, если слова меняются местами

3️⃣ RapidFuzz — быстрый и умный fuzzy

Оптимизированный под скорость и адекватнее реагирует на перестановку слов.

from rapidfuzz import fuzz
fuzz.WRatio("apple iphone 14 pro max", "iphone 14 pro max apple")
# 95

✅ Справляется с разным порядком слов и лишними словами
✖️ Для него «wireless headphones» и «bluetooth earbuds» — разные вещи

4️⃣ Sentence Transformers — смысл > буквы

Нейросети, которые понимают значение, а не только текстовый паттерн.

from sentence_transformers import SentenceTransformer
from sklearn.metrics.pairwise import cosine_similarity

m = SentenceTransformer('all-MiniLM-L6-v2')
cosine_similarity(
    [m.encode("wireless headphones")],
    [m.encode("bluetooth earbuds")]
)[0][0]
# 0.75

✅ Понимает синонимы и концептуальную близость
✖️ Требует ресурсов, особенно на больших данных

➡️ Как выбирать:
— re → всегда первым шагом
— difflib → мелкие задачи без зависимостей
— RapidFuzz → продакшн, большие объёмы, сложные текстовые вариации
— Sentence Transformers → смысл важнее скорости, есть GPU

🐸 Библиотека питониста

#буст

Офлайн-митап Peer To Beer x Точка Банк: приходите слушать доклады и делиться своими историями

🍉 15 августа в Москве пройдёт митап для Python и Go-разработчиков. В программе доклады, открытый микрофон и нетворкинг-активности, которые организаторы подготовили вместе с Точка Банк — так что знакомства будут нескучными и позволят не только весело провести вечер, но и получше узнать друг друга.

🐤 Доклады
Юрий Маркин, Х5. Тернистый путь из Python в Golang

Поделюсь личным опытом работы с Golang, разбирая как его сильные стороны, так и аспекты, которые можно улучшить. Обсудим минимализм в дизайне, особенности defer, работу с горутинами и многое другое, с акцентом на баланс между плюсами и минусами.

Сурен Хоренян, ВК Реклама. А правда, что Golang быстрее Python?

Расскажу свой опыт работы с Go, и почему с высоты многолетнего опыта на Python мне выглядит странным большое внимание к Go в мире веб-разработки.

🐥 Открытый микрофон
Рассказывайте любую историю из любой сферы за 3 минуты: весёлую, странную, полезную. Приз достаётся тому, кому громче аплодируют.

‼️ Нетворкинг и тематические настолки
Будут знакомства, но нестандартные. Возможно, придётся жестами показывать прокси-сервер.

🥳Регистрация
После регистрации анкета пройдёт модерацию — собирают специалистов со схожим опытом, чтобы на нетворкинге всем было интересно.

📅 Когда: 15 августа, пятница. Старт регистрации в 19:00
📍Место: спот в районе станции метро Чистые пруды, детали отправят после подтверждения регистрации

Приходите, чтобы август запомнился не только арбузами и песнями Стрыкало.
Регистрируйтесь в боте @peertobeer_bot

🪙 Сколько вы стоите как разработчик: 3 способа не прогадать с зарплатой

Представьте: приходите на собеседование, называете сумму, а рекрутер сразу отвечает: «Хорошо, без проблем».

Звучит приятно? Не всегда. Часто это значит, что вы только что продешевили.

Чтобы не занижать себе цену:
1️⃣ Изучите вилки зарплат по вашей роли и региону.
2️⃣ Проанализируйте свой опыт, стек и редкие навыки.
3️⃣ Отрепетируйте разговор о деньгах, чтобы звучать уверенно.

📌 Полный разбор с примерами тут: https://proglib.io/sh/qJDGQMk2Hg

🐸 Библиотека питониста

✔️ How to: 10 вещей, которые можно сделать с Python collections

Модуль collections — это кладезь специализированных контейнеров, которые упрощают код, делают его читаемее и иногда даже быстрее, чем стандартные dict, list, set и tuple.

Вот 10 приёмов, которые могут вас удивить:

1️⃣ Counter — быстрое подсчёты элементов

Используется для подсчёта количества вхождений элементов в последовательности и поиска наиболее частых значений:

from collections import Counter

words = ['galaxy', 'nebula', 'asteroid', 'comet', 'gravitas', 'galaxy', 'stardust', 'quasar', 'galaxy', 'comet']
word_counts = Counter(words)
print(word_counts.most_common(2))

2️⃣ namedtuple — «лёгкие» классы для хранения данных

Создаёт объекты с доступом к полям по имени и индексу, занимают меньше памяти, чем классы:

from collections import namedtuple

Book = namedtuple('Book', ['title', 'author', 'year_published', 'isbn'])
my_book = Book("The Hitchhiker's Guide to the Galaxy", "Douglas Adams", 1979, "978-0345391803")
print(my_book.title, my_book.year_published)

3️⃣ defaultdict — словарь без KeyError

Автоматически создаёт значение для нового ключа, что удобно для группировки данных:

from collections import defaultdict

grouped_scores = defaultdict(list)
for player, score in [('A', 8), ('B', 7), ('A', 6)]:
    grouped_scores[player].append(score)
print(grouped_scores)

4️⃣ deque — быстрая очередь и стек

Двусторонняя очередь с быстрым добавлением и удалением с обоих концов:

from collections import deque

q = deque([1, 2, 3])
q.append(4)
q.popleft()
print(q)

5️⃣ OrderedDict — управление порядком элементов

Сохраняет порядок вставки и умеет перемещать элементы в конец или начало:

from collections import OrderedDict

od = OrderedDict(a=1, b=2, c=3)
od.move_to_end('a')
print(list(od.keys()))

6️⃣ ChainMap — объединение словарей без копирования

Позволяет искать ключи в нескольких словарях, как будто это один:

from collections import ChainMap

dict1 = {'a': 1, 'b': 2}
dict2 = {'b': 3, 'c': 4}
chain = ChainMap(dict1, dict2)
print(chain['b'])

7️⃣ deque с maxlen — ограниченный буфер

Хранит только последние N элементов, автоматически удаляя старые:

from collections import deque

history = deque(maxlen=3)
for cmd in ["cd ~", "ls", "pwd", "mkdir test"]:
    history.append(cmd)
print(history)

8️⃣ defaultdict для вложенных структур

Легко создаёт многоуровневые словари без явной инициализации:

from collections import defaultdict
import json

def tree(): return defaultdict(tree)
nested = tree()
nested['user']['name'] = 'Alice'
print(json.dumps(nested, indent=2))

9️⃣ Counter — арифметика частот

Можно складывать, вычитать и находить пересечение частот элементов:

from collections import Counter

c1 = Counter(a=3, b=1)
c2 = Counter(a=1, b=2)
print(c1 + c2, c1 & c2)

🔟 deque.rotate — циклический сдвиг элементов

Быстро сдвигает элементы вправо или влево:

from collections import deque

d = deque([1, 2, 3, 4])
d.rotate(1)
print(d)

🐸 Библиотека питониста

#буст

🆕 Django 5.2.5 и Python 3.13.6 — свежие релизы

6 августа 2025 вышли новые версии сразу двух ключевых инструментов для Python-разработчиков.

✔️ Django 5.2.5

Обновление исправляет несколько ошибок из прошлых версий:
— Исправлен баг с использованием стратегии UNNEST в QuerySet.bulk_create() с внешними ключами (регрессия из 5.2.1).
— Исправлено падение при фильтрации по составному первичному ключу с кортежем, содержащим выражения.
— Исправлено падение при валидации моделей с GeneratedField или сложными constraints из Q и Case.
— Добавлена совместимость с docutils 0.22.
— Исправлено падение при работе с ManyToManyField в моделях с составным PK.

📄 Читать релиз-ноутсы Django 5.2.5

✔️ Python 3.13.6

Это шестой maintenance-релиз Python 3.13, включающий:
— ~200 багфиксов и улучшений сборки
— Обновления документации
— Мелкие оптимизации

📄 Полный список изменений

🐸 Библиотека питониста

#свежак

убедительно 😎

🐸 Библиотека питониста

#развлекалово

📌 Промпт дня: для реализации конкретного алгоритма

Иногда нужно быстро вспомнить или протестировать алгоритм.

С таким промптом код получится чистым, а структура — понятной:

Implement a [name of algorithm] in [programming language]. 
Please include:  
1. The main function with clear parameter and return types  
2. Helper functions if necessary  
3. Time and space complexity analysis  
4. Example usage  

Зачем использовать:
— Чёткая структура запроса повышает шанс получить корректную и читаемую реализацию.
— Анализ сложности помогает оценить эффективность алгоритма.
— Пример использования облегчает интеграцию кода в проект.

Пример:

Implement a Dijkstra’s algorithm in Python. 
Please include:
1. The main function with clear parameter and return types
2. Helper functions if necessary
3. Time and space complexity analysis
4. Example usage

🐸 Библиотека питониста

#буст