1946
Сборник Python новостей: https://pythondigest.ru Наш симулятор IT инцидентов: https://incidenta.tech
#python #pydigest
IT-новости про Python перед вами.
Часть материалов из выпуска Python Дайджест:
- Возможное использование Rust в CPython
- От «обезьяньей» работы к Smart-анализу: как выполнить предобработку данных для моделей
- Как квантовать LLM. Практическое руководство для начинающих
- Python + Fortran: Когда numpy уже мало, а C++ ещё страшно. Ускоряем код в 150 раз
- Как я тв-шоу переводил с помощью ML-моделей без подписок и СМС
- Реализуем компьютерное зрение на практике
- Python Bytes: #461 This episdoe has a typo
Заходите в гости - https://pythondigest.ru/issue/626/
Анализ данных с сайта Pet911
https://habr.com/ru/articles/976420/
По данным Информационного телеграфного агентства России (ТАСС), в 2024 году в России было потеряно и найдено более 168 тысяч домашних животных, что на 17% больше, чем годом ранее. Для повышения шансов найти питомца живым и невредимым, помимо самостоятельных поисков, можно обратиться к волонтёрским сообществам и специализированным сервисам – именно волонтеры помогают найти более 90% пропавших животных. Одним из ключевых онлайн‑ресурсов, аккумулирующих информацию о пропаже и находке животных, является Pet911.
Latency Profiling in Python: From Code Bottlenecks to Observability
https://quant.engineering/latency-profiling-in-python.html
Django 6.0: эволюция фреймворка в деталях
https://habr.com/ru/articles/975472/
В свежем релизе фреймворк усиливает совместимость между СУБД, упрощает работу с email, улучшает ORM, добавляет удобства в шаблонах и снижает риск «выгорания» первичных ключей.
Руководство по PyTorch для новичков: создаём модель множественной регрессии с нуля
https://habr.com/ru/companies/otus/articles/975328/
После взрывного роста интереса к ИИ я всё чаще вижу, что PyTorch заметно опережает TensorFlow по популярности. Оба фреймворка очень мощные и позволяют дата-сайентистам решать самые разные задачи, включая обработку естественного языка, что вновь подогрело интерес к глубокому обучению.
Python + Fortran: Когда numpy уже мало, а C++ ещё страшно. Ускоряем код в 150 раз
https://habr.com/ru/articles/975052/
В прошлой статье я рассуждал о том, почему Fortran в 2025 году всё ещё жив и даже растет в рейтингах. В комментариях справедливо заметили: «Философия — это хорошо, но как это применить современному разработчику? Зачем мне Fortran, если я пишу на Python?».
Multi-API Ensemble: 95% точности транскрипции региональных топонимов
https://habr.com/ru/articles/974978/
В статье полный разбор архитектуры, алгоритмы scoring, примеры кода и расчёт экономики.Один STT-сервис дал 60-70% точности на специфической лексике (топонимы, названия улиц, профессиональные термины). Два сервиса параллельно + взвешенное голосование + AI-fusion для спорных случаев дали 95%+ точности. Время обработки 5-8 секунд.
browsr: File Explorer in Your Terminal
https://github.com/juftin/browsr
Возможное использование Rust в CPython
https://lwn.net/SubscriberLink/1046933/d13433b823f559c0/
Python core developers are actively discussing the introduction of Rust in the CPython code base, starting with optional extension modules and possibly going from there. This post covers the discussion and pros and cons of the idea.
tornado - 6.5.3
https://pypi.org/project/tornado/6.5.3/
Масштабируемый, не блокирующий web-сервер. Скачать можно по ссылке: https://pypi.python.org/pypi/tornado/
Generalized Propensity Score: как оценить эффект от непрерывного воздействия без A/B-теста
https://habr.com/ru/companies/garage8/articles/974802/
В прошлом квартале мы задались вопросом: как оценить эффект от времени, которое пользователь проводит в нашем разделе, на Retention Rate (RR)? Казалось бы, решение очевидное: провести A/B-тест, но на поверку всё оказалось не так просто. В статье разберем, как у нас получилось определить эффект, с какими сложностями столкнулись в процессе и как нам помог метод Generalized Propensity Score.
Django: implement HTTP basic authentication
https://adamj.eu/tech/2025/12/08/django-basic-authentication/
ㅤ
Реализуем компьютерное зрение на практике
https://habr.com/ru/companies/otus/articles/968010/
На тему компьютерного зрения есть множество различных публикаций, которые в основном рассказывают о применении этой технологии в разных отраслях. Однако, зачастую публикации содержат лишь общую информацию о том, что реализовано и для каких задач, но при этом отсутствует описание того, как это можно сделать.
Реальный кейс настройки Pod Autoscaling в k8s с точки зрения разработчика
https://habr.com/ru/articles/973936/
На носу 2026 год, а я хочу поделиться своим путешествием по переводу приложения на инфраструктуру Kubernetes. Самой сложной и интересной частью была настройка автоскейлинга. Не слишком ли заезженная тема? Думаю нет, потому что я буду рассказывать именно с позиции разработчика приложения, а не девопса. Мне повезло, я без понятия как это всё настраивается. Я буду рассказывать как это всё работает. Конфигов кубера будет минимум, рассуждений и погружений в метрики максимум. В конце оставил TL;DR. Поехали?
Сводка от pythonz 30.11.2025 — 07.12.2025
https://pythonz.net/articles/622/
А теперь о том, что происходило в последнее время на других ресурсах.
Talk Python to Me: #530: anywidget: Jupyter Widgets made easy
https://talkpython.fm/episodes/show/530/anywidget-jupyter-widgets-made-easy
Audio
agentic-context-engine - обучение агентов на основе их опыта
https://github.com/kayba-ai/agentic-context-engine
A “frozen” dictionary for Python
https://lwn.net/SubscriberLink/1047238/25c270b077849dc0/
Как я тв-шоу переводил с помощью ML-моделей без подписок и СМС
https://habr.com/ru/articles/971644/
Сейчас мы переживаем бум ИИ-сервисов, которые за небольшую плату могут реализовать любые ваши творческие фантазии без необходимости глубокого понимания технических принципов их работы. Но я из тех, кто любит «ковыряться под капотом», поэтому в качестве проекта «выходного дня» я решил реализовать сервис машинного закадрового перевода видео с помощью общедоступных моделей с локальным запуском. А что из этого вышло – читайте далее.
Как квантовать LLM. Практическое руководство для начинающих
https://habr.com/ru/articles/975468/
Рост числа параметров в LLM и других нейронных сетях создает проблему того, что запускать их может все меньшее количество людей. Это связано с тем, что запуск больших моделей требует наличие мощного оборудования, недоступное всем. Для решения этой проблемы разрабатываются различные виды оптимизации, позволяющие запускать крупные нейронные сети (в частности LLM) на менее мощном оборудовании. Одним из наиболее популярных подходов оптимизации LLM является квантизация.
Python Bytes: #461 This episdoe has a typo
https://pythonbytes.fm/episodes/show/461/this-episdoe-has-a-typo
Очередной выпуск англоязычного подкаста Python Bytes
От «обезьяньей» работы к Smart-анализу: как выполнить предобработку данных для моделей
https://habr.com/ru/articles/975082/
От «обезьяньей» работы к Smart-анализу: как правильно готовить данные для моделей.Что такое Exploratory Data Analysis и как избежать основных ошибок при его выполнении.
modraw: Drawing Utils From Tldraw for Marimo
https://github.com/koaning/modraw
pymongo - 4.16.0.dev0
https://pypi.org/project/pymongo/4.16.0.dev0/
Python интерфейс для MongoDB. Скачать можно по ссылке: https://pypi.python.org/pypi/pymongo/
Как я писал книгу про Python
https://jenyay.net/blog/2025/12/09/kak-ya-pisal-knigu-pro-python/
Полтора года назад я начал писать книгу про Python. Когда-то я писал посты о том, как продвигаются дела с этой книгой. Потом долгое время в блоге я эту тему как-то игнорировал, хотя в Телеграме про нее писал периодически и процесс написания продолжался. И вот, наконец, книга под названием «Python для инженерных задач» вышла.
metacode: новый стандарт машиночитаемых комментариев для Python + готовый парсер
https://github.com/pomponchik/metacode/
Многие тулзы, которые так или иначе работают с исходным кодом, умеют читать специальные комментарии, которые как-то дополнительно размечают отдельные строки кода. Так делают разные линтеры, форматтеры, тулзы анализа кода, подсчета тестового покрытия, поиска уязвимостей etc. Однако единого стандарта для них до сих пор не было, и все писали свои парсеры кто во что горазд: кто-то на регэкспах, кто-то на сплитах, кто-то прикручивал полноценные парсеры, кто-то даже на eval. Данная библиотека - попытка стандартизировать это, предложив разработчикам таких инструментов готовый парсер и понятный простой синтаксис. Предлагаемый синтаксис - подмножество обычного питона, но только сам синтаксис, без семантики, т.к. фактического исполнения кода нет. Из прикольного - поддерживается одновременное сосуществование комментариев, предназначенных для разных тулзов, в одной строчке кода. Также можно без проблем совмещать `metacode`-комментарии с обычными.
Как я с DeepSeek писал информационную систему (электронный журнал) для образовательного центра за пару дней
https://habr.com/ru/companies/timeweb/articles/960426/
В прошлых материалах я упоминал, что работаю преподавателем в центре для одарённых школьников.
Центров этих в районе десятка по стране. И до этого года все они работали на базе общей информационной системы.
SQLAlchemy - 2.0.45
https://pypi.org/project/sqlalchemy/2.0.45/
Библиотека работы с базами данных. Скачать можно по ссылке: https://pypi.python.org/pypi/SQLAlchemy/
coverage - 7.13.0
https://pypi.org/project/coverage/7.13.0/
Утилита позволяющая измерить процент покрытия тестами. Скачать можно по ссылке: https://pypi.python.org/pypi/coverage/
#python #pydigest
IT-новости про Python перед вами.
Часть материалов из выпуска Python Дайджест:
- Pydantic V2: Почему dataclasses вам ещё больше нужны
- Контроль качества переводов на основе ИИ
- От CSV к дашбордам: гибкая отчетность на Postgres, Airflow и Superset
- Как ускорить автотесты на Python в Pytest в 8,5 раз
- Питон перед Рождеством. Как я осваивал этот язык программирования
- context-async-sqlalchemy способ использовать ORM в async-приложениях
- marimo — реактивный аналог Jupyter Notebook
- Ty – A fast Python type checker, written in Rust
- Django - 6.0
Заходите в гости - https://pythondigest.ru/issue/625/