1946
Сборник Python новостей: https://pythondigest.ru Наш симулятор IT инцидентов: https://incidenta.tech
numpy - 2.4.2
https://pypi.org/project/numpy/2.4.2/
Модуль для работы с многомерными массивами. Скачать можно по ссылке: https://pypi.python.org/pypi/numpy/
Дескрипторы Python: механизм, на котором держится половина крутости языка
https://habr.com/ru/companies/otus/articles/988864/
Дескрипторы — одна из тех фич Python, о которых многие слышали, но мало кто использует напрямую. При этом они лежат в основе @property, @classmethod, @staticmethod, слотов и даже обычного доступа к методам. Разберём, что такое дескрипторы, как их писать и когда они реально полезны
Работа с несбалансированными данными: SMOTE мёртв, что работает
https://habr.com/ru/companies/otus/articles/989652/
Бывали у вас датасеты, где класс «1» встречается в 100 раз реже класса «0»? У меня — постоянно. Модель радуется высокой точности, а на деле совершенно промахивается по редкому классу. Давайте обсудим, почему старый добрый SMOTE уже не торт, и что помогает в таких случаях.
Ускорение вычислений в алгоритме DRS-виртуализации через векторизацию
https://habr.com/ru/companies/oleg-bunin/articles/980710/
Переписать решение с Python на Go и получить ускорение в 35 раз — звучит приятно. Но можно ведь пойти дальше, вспомнить о возможностях современных процессоров и увеличить отрыв Go до 200 раз!
jupyterlab-git: A Git Extension for JupyterLab
https://github.com/jupyterlab/jupyterlab-git
Asyncio Is Neither Fast Nor Slow
https://blog.changs.co.uk/asyncio-is-neither-fast-nor-slow.html
There are many misconceptions on asyncio, as such there are many misleading benchmarks out there. This article looks at how to analyse a benchmark result and to come up with more relevant conclusions.
The Hidden Cost of Python Dictionaries
https://codecut.ai/hidden-cost-python-dictionaries-safer-alternatives/
Learn why Python dicts cause silent bugs and how NamedTuple, dataclass, and Pydantic catch errors earlier with better error messages.
Линейная регрессия, встряска рейтинга и первое место. Часть 1: Ёлочка, живи
https://habr.com/ru/articles/987310/
Сказ о том, как после долгого перерыва я "взял в руки шашки" (поучаствовал в ML-соревновании) и дотащил задачу на "таблички" до первого места на финальном "приватном" лидерборде с помощью простейшей подготовки фич и классической линейной регрессии с регуляризацией, внезапно обогнав при этом всех модных катбустеров, банально переобучившихся на "паблике".
Как Питолис мир создавал
https://habr.com/ru/articles/989544/
Я на выходных люблю поиграть в днд. А так как мастеров не так уж и много, а тех, кто хочет ими быть, ещё меньше, то мне регулярно приходится садиться за ширму. Ну а какой мастер не хочет водить по своему собственному миру? Вот так вот мне и понадобилась карта. А точнее, много карт, чтобы выбрать подходящую.
Как деанонимизировать поведение трансформера на временных рядах: визуальная диагностика и фальсифицируемые тесты
https://habr.com/ru/articles/989052/
Рассматриваю метод интерпретации модели на временных рядах, который работает как инструмент дебага с интервенционным протоколом, а не как банальная визуализация. Метод строит карту вклада входных сигналов в координатах время × масштаб × признак, и я проверяю ее через два фальсифицируемых теста. Цель — не проиллюстрировать веса конкретной предобученной нейросети, а деанонимизировать поведение модели: прямо и доказуемо увидеть внутреннюю стратегию чтения сигнала.
psutil - 7.2.2
https://pypi.org/project/psutil/7.2.2/
Модуль для управления процессами в ОС. Скачать можно по ссылке: https://pypi.python.org/pypi/psutil/
Как использовать API поисковых подсказок Google
https://habr.com/ru/articles/988902/
Google Autocomplete (Google Suggest) — механизм автодополнения поисковых запросов, который отображает подсказки в реальном времени. Несмотря на отсутствие официальной документации, его поведение достаточно стабильно и широко используется в SEO, анализе поискового интента и сборе семантики.
MedGemma: разбираем медицинский AI от Google
https://habr.com/ru/articles/988626/
25 февраля — финал The MedGemma Impact Challenge на Kaggle. Я уже несколько недель копаюсь в этой медицинской модели от Google, пытаясь выжать из неё что-то крутое для конкурса. Пока идеальное решение где-то между "гениально" и "зачем я это делаю в 3 ночи", решил поделиться тем, как вообще эта штука работает и что с ней можно делать.
#python #pydigest
IT-новости про Python перед вами.
Часть материалов из выпуска Python Дайджест:
- MedGemma: разбираем медицинский AI от Google
- CPython — Сборка мусора изнутри, ч.3
- MCP (КОМПАС-3D + LLM): превращаем САПР в среду для AI-агентов
- Git Worktree: Секретное оружие ML-инженера
- Как заставить LLM сортировать данные: от наивного подхода до TrueSkill
- Покоряем гору временных рядов: делаем прогноз для 200+ рядов с библиотекой Etna
- graphqlite: Graph Database SQLite Extension
- chunkhound - Local first codebase intelligence
- sorl-thumbnail - 13.0.0
- pandas 3.0
Заходите в гости - https://pythondigest.ru/issue/632/
coverage - 7.13.2
https://pypi.org/project/coverage/7.13.2/
Утилита позволяющая измерить процент покрытия тестами. Скачать можно по ссылке: https://pypi.python.org/pypi/coverage/
Как я ML-ку делал
https://habr.com/ru/articles/990760/
На работе одним из постоянных и важных процессов является проверка чеков на подлинность. Их поток достаточно большой (порядка нескольких сотен каждый день) и при этом каждый документ разбирается вручную - это может занимать до нескольких минут на один файл. На дистанции получается достаточно много. К тому же ручная проверка это медленно, дорого, и зачастую с ошибками из-за усталости аналитиков.
Улучшаем Backend-разработку в Cline на примерах
https://habr.com/ru/companies/domclick/articles/988374/
Сейчас я расскажу, как использую агенты, чтобы упростить себе backend-разработку и не тратить на рефакторинг больше, чем на написание кода.Какие задачи идеально подходят для оптимизации с помощью ИИ, а какие не стоит отдавать агенту.
pip - 26.0
https://pypi.org/project/pip/26.0/
Утилита для управления модулями в Python. Скачать можно по ссылке: https://pypi.python.org/pypi/pip/
Django ORM: как QuerySet ленится, цепляется и генерирует SQL
https://habr.com/ru/companies/otus/articles/988886/
Django ORM прячет SQL за красивым Python-интерфейсом. Пишешь User.objects.filter(active=True).order_by('name')[:10] — получаешь список пользователей. Круто. Но когда запросы тормозят или N+1 пожирает базу, приходится понимать, что вообще происходит.Разберём внутренности QuerySet: почему он ленивый, как работает chaining, когда запрос реально выполняется, и чем select_related отличается от prefetch_related на уровне SQL.
django-nis2-shield: NIS2 Compliance Middleware
https://github.com/nis2shield/django-nis2-shield
Nothing to Declare: From NaN to None via null
https://www.fmularczyk.pl/posts/2026_01_nan_null_none/
Explore the key differences between NaN, null, and None in numerical data handling using Python. While all signal “no meaningful value,” they behave differently. Learn about the difference and how to correctly handle the data using Pydantic models and JSON serialization.
Генетический алгоритм как инструмент инженера: практический кейс раскроя полотен
https://habr.com/ru/articles/989646/
Генетический алгоритм как инструмент инженера: практический кейс раскроя полотенГенетический алгоритм — это «умный» инструмент для автоматизации раскроя материалов (металл, ткань, пластик). Вместо ручного подбора или полного перебора он по принципам естественного отбора ищет компактное размещение деталей, минимизируя отходы. В статье показан практический кейс на Python: как без сложной математики создать алгоритм, который экономит материал, время. Этот подход можно адаптировать под ваши производственные задачи.
Как мы мигрировали с Zeppelin и что из этого вышло. Часть 2. Формы
https://habr.com/ru/articles/989386/
Это вторая (и заключительная) часть цикла статей о нашей миграции с Zeppelin. О причинах и первом опыте перехода с Zeppelin я рассказал здесь. В данной статье я хочу большее внимание уделить второму виду Zeppelin notebook, которые срочно нуждались в переносе.
Как я построила систему раннего обнаружения падений активности игровых провайдеров
https://habr.com/ru/articles/989586/
В iGaming падение активности игровых провайдеров почти никогда не выглядит как "обрыв". Чаще это медленное затухание: ставок становится меньше, затем еще меньше, игроки уходят постепенно. Формально провайдер продолжает работать, стандартный мониторинг молчит, а бизнес уже теряет деньги.
Работа с нестабильными тестами в Allure 3
https://habr.com/ru/companies/testops_tms/articles/988980/
Вооружившись лучшими практиками, нестабильность можно свести к минимуму, но полностью избавиться от неё крайне трудно. Чтобы лучше её контролировать, нужны инструменты, позволяющие выявлять нестабильные тесты — например, Allure Report. В этом руководстве мы посмотрим, как Allure работает с нестабильными тестами
Параллелизация pytest: от xdist до Kubernetes
https://habr.com/ru/companies/otus/articles/988088/
Тесты — это хорошо. Медленные тесты — это CI на 40 минут и разработчики, которые забывают их запускать локально. Разберём, как ускорить pytest от простого -n auto до распределённого запуска в Kubernetes.
Компрессор для данных или как я написал свой первый custom transformer
https://habr.com/ru/articles/988736/
Эта статья будет полезна DS специалистам, и тем, кто хоть когда-нибудь сталкивался с такой проблемой, как выбросы в данных или OOD (out of distribution), и ищет пути решения проблем, возникающих из-за них.
Сводка pythonz 18.01.2026 — 25.01.2026
https://pythonz.net/articles/629/
А теперь о том, что происходило в последнее время на других ресурсах.
Как мы мигрировали с Zeppelin и что из этого вышло. Часть 1. Рассылки
https://habr.com/ru/articles/988386/
Для задач аналитики Zeppelin - это чуть ли не находка. Он может в одной книжке исполнять код на любом языке (был бы интерпретатор), выводить его в виде красивых табличек, графиков и в любом другом виде, который удобен. И на Хабре есть много статей, посвященных плюсом данного решения для задач аналитики.
Как мы сократили объем данных в 10 раз, не повредив пользовательскому опыту, или переезд Postgres → ClickHouse
https://habr.com/ru/companies/kts/articles/988510/
Мы храним информацию о событиях, которые обрабатывает наша платформа. Подробнее о них я расскажу ниже, сейчас важно указать, что все эти события формируют статистику, доступную пользователям. И данные для этой статистики, собранные за год, уже занимают у нас под 2 ТБ дискового пространства, что дорого само по себе, не говоря уже о том, что некоторые запросы в базу стали выполняться заметно дольше ожидаемого.