1946
Сборник Python новостей: https://pythondigest.ru Наш симулятор IT инцидентов: https://incidenta.tech
Как я автоматизировал юридическую рутину
https://habr.com/ru/articles/1007750/
Я бывший фронтенд-разработчик, который уже семь лет работает корпоративным юристом. Устал копировать одни и те же реквизиты в десятки типовых форм. Пробовал автоматизировать через Excel, мечтаю о React-приложении, но в итоге остановился на Python-скрипте, который штампует документы за секунды.Рассказываю про путь от идеи до реализации и почему для небольших юридических команд до сих пор нет нормальных инструментов.
Darts: библиотека для временных рядов
https://habr.com/ru/companies/otus/articles/1003098/
В Python хватает инструментов для работы с временными рядами, но обычно приходится жонглировать тремя-четырьмя пакетами с разными API. Darts — библиотека, которая собирает всё в одном месте: статистические модели, градиентный бустинг, нейросети — и работает по знакомой схеме fit() / predict(). Сегодня разберём её подробно: что умеет, где удобна, как использовать в задачах.
Отказ от ответа в табличной классификации: max-prob, entropy и conformal sets на CatBoost
https://habr.com/ru/articles/1007870/
Модель не обязана отвечать всегда. На мультиклассовой табличке (letter) я сравнил 3 способа отказа для CatBoost: maxprob, entropy/margin и conformal APS. Результаты — в risk–coverage кривых и таблице «coverage → ошибка», чтобы быстро понять, какой метод лучше “отбрасывает” ошибки отказами.
Собственная облачная LLM на 16 ГБ VRAM — часть 1: базовая сборка, tools и MCP
https://habr.com/ru/companies/selectel/articles/1005504/
При плотной нагрузке счет за API легко превращается в постоянную и плохо прогнозируемую статью расходов, от которой уже сложно отмахнуться. В статье я покажу практичный компромисс: как развернуть собственную облачную LLM, которая укладывается в 16 ГБ видеопамяти, поддерживает инструменты и вызов функций, интегрируется с MCP-серверами и может использоваться как полноценный API-сервис для бэкенд-задач.
Знакомьтесь, Ричард Джонс (цикл заметок о выдающихся питонистах)
https://habr.com/ru/articles/1007150/
PyPI — централизованный каталог Python-пакетов. Сегодня в нем более 865 тысяч проектов общим весом 36 терабайт.PyPI создал Ричард Джонс. В октябре 2002-го, в электричке, по дороге на работу в Мельбурн. Будет интересно
Building a Hypervisor in Python with KVM
https://www.nightshift.sh/blog/less-cursed-vm
RAG vs GraphRAG: When Agents Hallucinate Answers
https://dev.to/aws/rag-vs-graphrag-when-agents-hallucinate-answers-2mcb
Как мы научились честно считать эффект промокодов: Causal Inference в онлайн-доставке
https://habr.com/ru/companies/X5Tech/articles/1005410/
Сегодня расскажу о модели, которую мы построили для оценки реального эффекта промокодов. Главные вопросы: кому, какой, и зачем мы выдаем промокод. Спойлер: ответ нас удивил. И именно этот ответ стал главной причиной, по которой эту модель вообще стоило строить.
redis - 7.3.0
https://pypi.org/project/redis/7.3.0/
Python клиент для Redis. Скачать можно по ссылке: https://pypi.python.org/pypi/redis/
Научил ИИ-агента помнить важное и забывать лишнее в SQLite
https://habr.com/ru/articles/1006622/
Я делаю локально работающего ИИ-агента и столкнулся с тем, что стандартный подход «закинуть текст в векторную базу, достать по косинусу» для долгоживущего агента не работает: контекст замусоривается, факты конфликтуют, ничего не забывается. Вместо этого реализовал графовую когнитивную память поверх одного файла SQLite
Propensity Score Matching: как строить аналоги A/B-тестов, когда эксперименты невозможны
https://habr.com/ru/companies/yandex/articles/1004060/
В этой статье я расскажу, как мы применяли PSM (Propensity Score Matching) — статистический метод, который позволяет корректно сравнивать группы, уменьшая систематические различия между ними. Подробно разберу, как выровнять группы теста и контроля с помощью PSM, расскажу о типичных ошибках (например, утечке признаков), дам практические рекомендации по сбору и выбору фич для мэтчинга, а также покажу, как валидировать полученные результаты и оценить их достоверность.
Ускоряем pandas, не переписывая код. Мой опыт с FireDucks
https://habr.com/ru/companies/ozontech/articles/1005590/
В своей работе я часто сталкиваюсь с проблемой масштабируемости в pandas. Код, который быстро работает на гигабайте данных, начинает невыносимо тормозить на десяти. Уверен, эта боль знакома многим.
Managing Shared Data Science Code With Git Submodules
https://codecut.ai/managing-shared-data-science-code-git-submodules/
Learn how to manage shared code across projects using Git submodules. Prevent version drift, maintain reproducible workflows, and support team collaboration with practical examples.
Unit Testing: Catching Speed Changes
https://pythonspeed.com/articles/speed-unit-tests/
This second post in a series covers how to use unit testing to ensure the performance of your code. This post talks about catching differences in performance after code has changed.
django-cms - 4.1.10
https://pypi.org/project/django-cms/4.1.10/
Легкая в использовании и удобная для разработки CMS. Скачать можно по ссылке: https://pypi.python.org/pypi/django-cms/
numpy - 2.4.3
https://pypi.org/project/numpy/2.4.3/
Модуль для работы с многомерными массивами. Скачать можно по ссылке: https://pypi.python.org/pypi/numpy/
3d в MonoGame, python в c# или всё таки KNI в браузере? трёхслойная постирония о том, как я игру делал
https://habr.com/ru/articles/1007946/
В ходе этого материала вы узнаете: 1. Как сделать простой рендер на c# в MonoGame. 2. Что использовать, чтобы вызвать python из c#. 3. Почему пункт 2 - это плохая идея. 4. Как MonoGame игру сбилдить в web/html с помощью его форка KNI
#python #pydigest
IT-новости про Python перед вами.
Часть материалов из выпуска Python Дайджест:
- Алгоритм Крускала и кишки лабиринтов
- Ускоряем pandas, не переписывая код. Мой опыт с FireDucks
- Как мы сделали AI code review через Ollama без облака?
- Использование алгоритма Hunt&Kill для создания клеточного лабиринта
- От скалярной тоски к SIMD-эйфории: как подружить IDA Pro с инструкциями RISC-V P Extension
- Как я автоматизировал юридическую рутину
- Grep-AST или Как мы заменили векторный поиск всего одной библиотекой
- py2many: Transpiler of Python to Many Other Languages
- skill-scanner - Security Scanner for Agent Skills
- redis - 7.3.0
- Django - 6.0.3
Заходите в гости - https://pythondigest.ru/issue/638/
Making Django unique constraints case-insensitive (with no downtime)
https://cliffordgama.com/tech/django-case-insensitive-unique-constraints/
Fix Django’s case-sensitive unique constraint pitfalls by cleaning duplicates, adding Lower() constraints, and safely migrating with PostgreSQL CONCURRENTLY to avoid downtime.
skill-scanner - Security Scanner for Agent Skills
https://github.com/cisco-ai-defense/skill-scanner
Custom Data Structures in E-Graphs
https://uwplse.org/2026/02/24/egglog-containers.html
Deprecate confusing APIs like “os.path.commonprefix()”
https://sethmlarson.dev/deprecate-confusing-apis-like-os-path-commonprefix
Как я определял дистрибутивы Linux по установленным пакетам, и при чем тут KUMA?
https://habr.com/ru/articles/1006546/
Как определить дистрибутив Linux? А что, если имеется только информация о пакетах, установленных на устройстве? История одного «велосипеда» или мы не нашли готового решения.Представьте, что вам нужно определить дистрибутивы, опираясь исключительно на установленные пакеты.
10 900 тестов или почему ваш мониторинг должен быть протестирован
https://habr.com/ru/articles/1006610/
Мониторинг мониторинга - звучит как масло масляное. Ведь наш сервис должен быть надёжнее, чем объекты, которые он отслеживает. Расскажу, как мы дошли до 10 900 автоматических тестов (5100 на бэкенде и 5812 на фронтенде). Все цифры и технологии - строго из нашего репозитория . Без хайпа, только факты, код и архитектурные решения.
Как мы сделали AI code review через Ollama без облака?
https://habr.com/ru/articles/1006258/
Как запустить AI code review по git diff на своей машине через Ollama - без облака и API-ключей? Установка, конфиг и пример отчёта.
Векторный поиск в PostgreSQL: PGVector, SQLAlchemy и FastAPI
https://habr.com/ru/articles/1006364/
Реализуем сервис семантического поиска на базе PostgreSQL с расширением PGVector. В статье: настройка БД через Docker, миграции Alembic, асинхронный слой на SQLAlchemy и API на FastAPI.
py2many: Transpiler of Python to Many Other Languages
https://github.com/py2many/py2many
How the Self-Driving Tech Stack Works
https://cardog.app/blog/autonomous-driving-stack-technical-guide
A technical guide to how self-driving cars actually work. CAN bus protocols, neural networks, sensor fusion, and control system with open source implementations, most of which can be accessed through Python.
Знакомьтесь, Эндрю Кучлинг (цикл заметок о выдающихся питонистах)
https://habr.com/ru/articles/1006200/
Замысел в том, чтобы написать цикл о 10 программистах, чьи имена не особо примелькались, но чьи заслуги невозможно переоценить. Начну я этот цикл с Эндрю Кучлинга (A.M. Kuchling). Я всегда знал его как автора официального туториала по регуляркам в питоне, пожалуй, лучшего по теме. Но масштаб этого человека куда больше.
Использование алгоритма Hunt&Kill для создания клеточного лабиринта
https://habr.com/ru/articles/1005970/
Статья про то, как создавать клеточные лабиринты с помощью алгоритма Hunt&Kill + реализация на языке python.