Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-02-21

1 <a>#подборки</a>

2 <ul><li>9 авг 2021</li>

3 <li>0</li>

4 </ul>Как изменится жизнь дата-сайентистов с новым процессором Apple M1, куда поведёт CPython новый руководитель, какие Python-библиотеки недооценены.

5 Dana Moskvina / Skillbox Media

6 В бэкграунде - программирование, французский язык, академическое рисование, капоэйра. Сейчас учит финский. Любит путешествия и Балтийское море.

7 Каждую неделю мы отбираем несколько свежих материалов из англоязычного интернета. В этом выпуске - статьи о Python.

8 Зачем читать:чтобы узнать, стоит ли покупать компьютер с процессором M1 для занятий Data Science.

9 Где читать:в блоге<a>Anaconda</a>.

10 Apple перестанет использовать процессоры от Intel и переведёт компьютеры на собственные процессоры - М1.

11 Основные плюсы М1:

12 <ul><li>Ноутбуки будут лучше держать зарядку.</li>

13 <li>Высокая однопоточная производительность.</li>

14 </ul>Для обычного юзера такой переход - скорее выгода: с его потребностями новые процессоры справятся быстрее и с меньшими затратами электричества.

15 У дата-сайентистов ситуация другая. Да, формально у нового процессора 8 ядер, но в реальности это правильнее назвать "4 + 4": четыре ядра высокой производительности и четыре ядра высокой эффективности.

16 Такая система часто используется в смартфонах и планшетах, а "эффективные" ядра отвечают за фоновые процессы и неприоритетные задачи. Python же будет думать, что ядер и правда восемь - и если вы запустите восемь потоков одновременно, половина будет проводиться на более медленных ядрах.

17 Что ещё не так с M1:

18 <ul><li>Максимальныйобъём RAM - 16 ГБ. Память очень важна в работе с большими датасетами, и 16 ГБ может не хватить.</li>

19 <li>Слабая поддержка GPU и ANEв экосистеме Python для Data Science.</li>

20 </ul>В общем, если Data Science для вас скорее развлечение или фоновая деятельность - новый яблочный ноутбук будет отличным выбором. А вот если Data Science у вас в приоритете, то пока лучше остановиться на маках с интеловским процессором.

21 В оригинальной статье немало подробностей об устройстве процессора M1 и его использовании в Data Science: работа с пакетами Python, работа с Linux и Windows, а также изменения в ПО, которые понадобятся при переходе на М1.

22 Зачем читать:чтобы узнать о профессиональном пути одного из известных членов Python-сообщества и о том, как Google использует Python.

23 Где читать:на <a>Real Python</a>.

24 Редакция Real Python взяла интервью у Дастина Ингрэма, developer advocate в Google, руководителя проекта<a>Python Software Foundation</a>(некоммерческая организация, занимающаяся развитием Python) и лидера сообщества на Google Cloud. Он рассказал о старте в программировании, впечатлениях от первого посещения PyCon и о наболевшем - чем PyPI отличается от аналогов.

25 Оказалось, что сам Дастин старается проводить как можно меньше времени в закрытом "мирке" Google, чтобы не терять связи с сообществом разработчиков. А Python в Google - это отдельный мир со своими инструментами и правилами. Например, из-за использования монорепозитория в Google почти не применяют PyPI (указатель пакетов Python).

26 Что касается Python Software Foundation, Дастин давно хотел разнообразить источники финансирования фонда - правда, коллеги его не слушали. А в ковидный 2020 год, когда пришлось отменить PyCon, приносящую фонду 90% средств, его идея сразу отозвалась и он получил пост руководителя PSF.

27 Зачем читать:чтобы узнать о новом перспективном виде тестирования.

28 Где читать:в<a>новостях</a>Python Software Foundation.

29 Статья - краткий пересказ доклада с PyCon 2021, на которой Зак Хатфилд-Додс рассказал про тестирование на основе свойств.

30 А чем именно хорош этот вид тестирования?

31 <ul><li>Позволяет создать такие вводные данные, до которых вы бы сами не додумались.</li>

32 <li>Сможет выявить некорректный результат, даже если корректный не определён.</li>

33 <li>Поможет найти ошибки в концепте, а не только в коде.</li>

34 </ul>Ещё в статье есть толковые рассуждения о тестировании как таковом, примеры тестирования на основе свойств и анализ трендов тестирования.

35 Зачем читать:чтобы лучше понять, как проходит работа над Python и в каком направлении будет развиваться CPython.

36 Где читать:в <a>блоге</a>Лукаша Ланги.

37 У CPython новый руководитель - Лукаш Ланга, за спиной которого пять одобренных PEPs, опыт менеджмента и наставничества, роль developer advocate. В своём блоге он обращается ко всем пользователям Python и рассказывает, что думает о своей новой роли, чем собирается заниматься и какие цели ставит перед командой.

38 Лукаш верит, что его роль - это не быть "диктатором" (привет, Гвидо!), который в одиночку управляет разработкой языка, а скорее помогать команде, направлять её и расчищать ей путь. Вот какие задачи он ставит перед собой:

39 <ul><li>Заниматься пиаром и управлять бэклогом.</li>

40 <li>Вести учёт ресурсов: финансы, волонтёры.</li>

41 <li>Приоритизировать задачи по CPython.</li>

42 <li>Работать над приоритетными задачами.</li>

43 </ul>Зачем читать:чтобы научиться использовать классную новую фичу Python.

44 Где читать:в блоге<a>towards data science</a>.

45 Как известно, в Python типизация динамическая - и несмотря на многочисленные плюсы, её часто критикуют. Например, она делает язык более непредсказуемым и усложняет отладку. Однако с версии 3.5 в Python можно симулировать статические типы - с помощью аннотаций типов.

46 Автор рассказал, как симулировать статические типы, каких ошибок стоит избегать и на какие инструменты обратить внимание. А на десерт - пять примеров аннотаций типов, которые помогут улучшить качество кода.

47 Зачем читать:чтобы узнать о полном потенциале Celery и научиться новым трюкам.

48 Где читать:на <a>djangostars</a>.

49 Каждый Python-разработчик хотя бы раз слышал о Celery - инструменте, который уменьшает нагрузку на процессор с помощью очереди задач. Обычно его используют для отправки электронной почты, но он способен на большее. Статья подойдёт и новичкам в Celery, и более продвинутым юзерам. Вот чему вы научитесь:

50 <ul><li>Запускать несколько небольших задач параллельно с основной.</li>

51 <li>Создавать очереди задач.</li>

52 <li>Настраивать время выполнения.</li>

53 <li>Работать с блоками данных в долгосрочных задачах.</li>

54 </ul>С помощью Celery можно эффективнее планировать своё время и работать продуктивнее, доверив рутину компьютеру.

55 Зачем читать:чтобы упростить себе работу с помощью нескольких новых библиотек.

56 Где читать:в блоге<a>towards data science</a>.

57 Найти новую классную библиотеку бывает сложно - тем более что в Python их больше десяти тысяч, - а потому мы чаще всего ограничиваемся несколькими самыми популярными решениями. В этой статье - сразу четыре отличные рекомендации.

58 <ol><li>QuickDA- удобная библиотека для работы с данными. Она поможет сократить очистку и визуализацию данных до пары строк. QuickDAиспользует многие из популярных библиотек, при этом улучшая их функции, поэтому перейти на неё будет несложно.</li>

59 <li>ELI5- библиотека для машинного обучения, которая работает со всеми самыми популярными ML-фреймворками. В первую очередь она поможет с отладкой, интерпретацией и анализом предсказаний.</li>

60 <li>OpenDataSets- упрощает загрузку датасетов: с её помощью датасеты можно загружать напрямую с ноутбука.</li>

61 <li>Comma - облегчает работу с CSV-файлами.</li>

62 </ol>В оригинале статьи можно посмотреть на примеры работы с библиотеками и узнать об их фишках и неочевидных юзкейсах.

63 <a>Бесплатный курс по Python ➞Мини-курс для новичков и для опытных кодеров. 4 крутых проекта в портфолио, живое общение со спикером. Кликните и узнайте, чему можно научиться на курсе. Смотреть программу</a>