Python — August 2026

Публикатор: Владимир Обсуждение: @devops_jobs #резюме Позиция: DevOps-инженер Формат: удалённо / гибрид Занятость: full-time Контакты: @vestik712

Обо мне DevOps-инженер с опытом 3.5 года в поддержке и развитии контейнерной и серверной инфраструктуры. Работал с Kubernetes, CI/CD, мониторингом, автоматизацией и базами данных. Участвовал в сопровождении микросервисных проектов, занимался оптимизацией сборки и деплоя.

Основной фокус — CI/CD: GitLab CI, ArgoCD (GitOps), Helm. — Kubernetes: развёртывание, администрирование (Deckhouse, Longhorn), миграция сервисов. — Observability: Prometheus, Grafana, Alertmanager, Loki, OpenSearch/Graylog. — IaC и автоматизация: Ansible, Terraform. — Секреты: HashiCorp Vault, External Secrets. — Базы данных: PostgreSQL (бэкапы, репликация, PITR), Kafka, Redis. — Инфраструктура: Linux (Ubuntu), Docker, Nginx, containerd.

Практический опыт — Администрировал Linux-инфраструктуру на Ubuntu (on‑prem + облако). — Разворачивал и сопровождал Kubernetes-кластеры (Deckhouse) — установка, ротация сертификатов, настройка Longhorn, управление RBAC. — Проектировал CI/CD пайплайны в GitLab CI, внедрил GitOps через ArgoCD (синхронизация кластера с репозиторием). — Оптимизировал Dockerfile (multi-stage) и Helm-чарты — ускорил сборку и уменьшил размер образов. — Настраивал мониторинг и алертинг на Prometheus + Grafana, логи через Fluent Bit + OpenSearch. — Писал Ansible-плейбуки для автоматизации установки ПО и настройки серверов. — Работал с PostgreSQL: бэкапы (pg_dump, pg_basebackup, Wal-G), репликация, PITR, восстановление. — Автоматизировал релизы через Python-скрипты (версионирование по semver). — Участвовал в дежурствах, разборе инцидентов, пост-мортемах с RCA. — Вёл техническую документацию в Confluence / Jira.

Стек Linux, Docker, Kubernetes, Helm, Git, GitLab CI, ArgoCD, Ansible, Terraform, Vault, Prometheus, Grafana, Loki, OpenSearch, Graylog, PostgreSQL, Kafka, Redis, Python, Bash, Nginx, Deckhouse, Longhorn, Wal-G.

Быстро вникаю в проекты, готов к новым задачам и развитию в облачных технологиях.

🍫 Старший аналитик-разработчик в команду клиентской аналитики Лавки

Яндекс Лавка — сервис быстрой доставки продуктов, готовой еды и товаров для дома, которым пользуются миллионы. Ищем старшего аналитика-разработчика в команду клиентской аналитики. Вы будете работать над проектами, связанными с AI.

Какие задачи вас ждут:

• Оптимизация бизнес-процессов Внедрять AI в процессы Лавки, которые можно ускорить, упростить или автоматизировать.

• Разработка AI-ассистента Создавать аналитического AI-ассистента с мультиагентной архитектурой. Он станет составлять YQL-запросы, строить дашборды и проводить исследования на основе данных.

• Улучшение AI-инструментов Вносить вклад во внутренние аналитические AI-инструменты для проведения количественных и качественных исследований.

Мы ждём, что вы: • Разбираетесь в современных AI-инструментах: Claude Code, Cursor, ChatGPT, Gemini и т. д. • Знакомы с матстатом и тервером • Используете Python для анализа данных • Разрабатывали AI-агенты на базе инфраструктуры LangChain и LangGraph

Почему у нас хорошо: Нам важно здоровье сотрудников, поэтому в крупных офисах у нас есть спортзалы — с тренажёрами, инвентарём и душевыми. Это далеко не все бонусы — больше можно узнать тут.

📩 Откликайтесь на вакансию на нашем сайте

#лавка #аналитика #python #гибрид #офис #москва

#астана #python

🚀 Middle / Senior Computer Vision Engineer

Работа над AI-продуктами с применением компьютерного зрения и видеоаналитики. Полный цикл разработки: от исследования и обучения моделей до их внедрения в production.

⚙️ Что предстоит делать • Проектировать и развивать CV / Video Analytics модели (детекция, трекинг, распознавание лиц, анализ поведения); • Интегрировать ML-модели в production (backend, edge); • Обучать и дообучать модели (fine-tuning, transfer learning); • Работать над реальными AI-проектами с бизнес-применением; • Сопровождать полный цикл разработки: от исследования до деплоя; • Оптимизировать модели и повышать качество CV-решений.

Важно: ✔️ уверенные знания Computer Vision и современных DL-подходов; ✔️ глубокое понимание машинного обучения и нейронных сетей (CNN, detection/segmentation); ✔️ уверенное владение Python; ✔️ опыт работы с OpenCV, NumPy, PyTorch и/или TensorFlow; ✔️ опыт работы с Git; ✔️ опыт оптимизации моделей (speed/accuracy trade-offs, inference); ✔️ опыт решения задач детекции, трекинга и анализа поведения людей.

💼 Формат: офис, Астана.

📩 Если вам интересно развивать AI-решения и работать над проектами в области Computer Vision — отправьте сразу резюме в Telegram: @waitingfor1

👀 Работа с файлами в Python

🎌 Как прочесть определенную строку файла при помощи Python. Предположим, у вас есть довольно большой файл (размер исчисляется в гигабайтах). Вы хотите прочесть строку № 120. При этом не хотелось бы загружать в память содержимое файла целиком. То есть, наша задача — прочесть определенную строку текстового файла. Давайте разберем, как это сделать.

🎌 Как читать excel-файлы (xlsx) при помощи Python. Из этой статьи вы узнаете, как читать excel-файлы (xlsx) при помощи Python-библиотек xlrd, openpyxl и pandas.

🎌 Как удалить файл в Python. В этой статье рассмотрены несколько способов удаления файла с помощью кода на Python, а также лучшие практики для этого.

🎌 Распаковка файлов из архивов zip или tar.gz с помощью Python. Из этой статьи вы узнаете, как распаковать один или несколько архивов zip и tar.gz средствами языка Python.

🎌 Как получить текущую директорию в Python. В Python есть два основных модуля, которые можно использовать для доступа к путям файловой системы: модуль os и модуль pathlib. Давайте посмотрим, какие возможности они предлагают.

#астана #python

АО «Казахтелеком» в поиске Senior Python Developer Город: Астана Формат: офлайн Заработная плата: от 1 300 000 до 2 000 000 ₸ (на руки)

О проекте

Разработка единой AI-платформы для корпоративных клиентов с использованием LLM, RAG и интеграций с внутренними и внешними системами. Платформа построена на единой кодовой базе с возможностью индивидуальной настройки под каждого заказчика, что обеспечивает быстрое масштабирование и развитие продукта.

О роли

Разработка backend-платформы для AI-агентов: сервисов на базе LLM, поиска по корпоративным данным (RAG) и интеграций с внешними системами. Проект ориентирован на создание высоконагруженных, масштабируемых и безопасных сервисов.

Стек

* Python 3.11+ * FastAPI * Async SQLAlchemy * PostgreSQL * Redis * Kafka / Celery * Docker * Kubernetes * CI/CD * LLM / RAG * Qdrant / pgvector

Задачи

* Разработка и развитие backend-сервисов и API; * Построение пайплайнов обработки данных и документов; * Реализация RAG, индексации и поиска; * Оптимизация производительности и надежности сервисов; * Участие в проектировании архитектуры и code review.

Требования

* 5+ лет опыта backend-разработки на Python; * Опыт работы с FastAPI, PostgreSQL, Redis, Kafka/Celery; * Знание принципов проектирования API и чистой архитектуры; * Практический опыт работы с Docker и Kubernetes; * Опыт работы с LLM/RAG и векторными БД (Qdrant, pgvector); * Понимание вопросов безопасности, тестирования и observability.

Что важно

Самостоятельность, системное мышление, внимание к качеству, надежности и производительности решений, умение принимать архитектурные решения и эффективно работать в команде.

телеграмм: @aigerazein

#астана #python

Стажировка:ML Engineer

Relai.kz | Астана | офис / гибрид

Обязанности:

Участие в AI- и FinTech-проектах Подготовка аналитики и документации Взаимодействие с командой и клиентами Выполнение задач по выбранному направлению стажировки

Требования:

Студенты последних курсов или недавние выпускники Интерес к AI, FinTech и современным технологиям Аналитическое мышление и высокая обучаемость Грамотная письменная и устная коммуникация Ответственность и инициативность

Плюсом будет:

Базовые знания Python, SQL или BI-инструментов Понимание принципов управления проектами или продуктами Знакомство с AI/ML, LLM или аналитикой данных Опыт участия в учебных, исследовательских или коммерческих проектах

Условия:

Работа над реальными проектами с банками и крупными компаниями Наставничество от опытной команды Возможность дальнейшего трудоустройства по результатам стажировки Быстрый профессиональный рост и погружение в AI-индустрию Гибридный формат работы

Резюме: [email protected] (с пометкой позиции)

#астана #python

Python Developer Компания: BelesAI Формат работы: в офисе Занятость: full-time Обязанности: разработка и поддержка backend-части LMS/CRM-платформы; создание REST API на Django и Django REST Framework; работа с PostgreSQL, Redis, Elasticsearch и MinIO/S3; разработка бизнес-логики для обучения, CRM, платежей, расписаний, опросов и уведомлений; интеграция со сторонними сервисами и API; поддержка real-time-функциональности через WebSocket/Django Channels; написание тестов, исправление ошибок и сопровождение production-систем; работа с Docker и настройка фоновых задач. Требования: опыт коммерческой разработки на Python; уверенное знание Django и Django REST Framework; опыт проектирования и разработки REST API; знание PostgreSQL, Redis и работы с очередями/фоновыми задачами; опыт интеграции сторонних API и работы с вебхуками; понимание Docker, Linux и основ deployment-процессов; умение работать с существующим кодом, находить и устранять технические проблемы; ответственность и самоорганизация. Мы предлагаем: работу в офисе; полную занятость; стабильную заработную плату. Контакты: Telegram: @waitingfor1

One Day Offer для Python-разработчиков!💚

15 августа открываем двери в команду Agent Execution Framework ⚡️

Коллеги создают платформу для GenAI‑агентов в банке — делают так, чтобы ИИ реально работал в серьёзных финпроцессах: с безопасностью, нагрузкой и пользой.

Чем предстоит заниматься:

✔️ развивать backend на Python ✔️ подключать LLM, инструменты, базы знаний и RAG ✔️ строить пайплайны оценки качества агентов ✔️ участвовать в архитектуре и ревью кода

Встречаемся 15 августа онлайн.

Регистрируйся по ссылке

Преобразование аудиофайлов с помощью Python

В Python существует множество способов для выполнения конвертации аудиофайлов из одного формата в другой. Одним из наиболее удобных инструментов для этого является модуль pydub. Этот модуль служит оболочкой для ffmpeg и предоставляет возможности по загрузке, редактированию и сохранению аудиофайлов в различных форматах, поддерживаемых ffmpeg.

Для начала работы с файлом, используем метод from_ с указанием необходимого формата из класса AudioSegment, или же обратимся к более универсальному методу from_file, предоставляя путь к файлу и его формат.

Когда файл загружен, для его конвертации и сохранения в желаемом формате применяем метод export объекта класса AudioSegment, созданного на предыдущем шаге.

#python #pydub

Junior Python Developer [Маркетолог ] #гибрид #junior Москва Компания: МТС

☑️Чем предстоит заниматься -Разрабатывать API для взаимодействия с продуктами рекламной вертикали (backend, python/go); -Разрабатывать модули обработки задач: сбор/выгрузка сегментов (в т.ч. near-real-time), построение отчетов и т.п. (python/go); -Разрабатывать систему категоризации страниц в интернете. Основные функции: краулинг/парсинг страниц, интеграция с моделью-классификатором и интеграция в data pipeline продукта.

☑️Что мы ожидаем -Коммерческий опыт backend-разработки; -Уверенные знания linux; -Опыт разработки под linux; -Знакомство с git; -Желательно понимание процессов ci/cd; -Знакомство с docker (как минимум настройка локального окружения); -Базовый SQL; -Знакомство с ORM/конструкторами запросов (query builder) и их ограничениями; -Опыт написание unit/интеграционных тестов, понимание необходимости локальных тестов; -Опыт работы с очередями (например RabbitMQ) будет плюсом.

Откликнуться

Python Job в Telegram | в VK | в Max

If you want to get a job as a machine learning engineer, don’t start by diving into the hottest libraries like PyTorch,TensorFlow, Langchain, etc.

Yes, you might hear a lot about them or some other trending technology of the year...but guess what!

Technologies evolve rapidly, especially in the age of AI, but core concepts are always seen as more valuable than expertise in any particular tool. Stop trying to perform a brain surgery without knowing anything about human anatomy.

Instead, here are basic skills that will get you further than mastering any framework:

𝐌𝐚𝐭𝐡𝐞𝐦𝐚𝐭𝐢𝐜𝐬 𝐚𝐧𝐝 𝐒𝐭𝐚𝐭𝐢𝐬𝐭𝐢𝐜𝐬 - My first exposure to probability and statistics was in college, and it felt abstract at the time, but these concepts are the backbone of ML.

You can start here: Khan Academy Statistics and Probability - https://www.khanacademy.org/math/statistics-probability

𝐋𝐢𝐧𝐞𝐚𝐫 𝐀𝐥𝐠𝐞𝐛𝐫𝐚 𝐚𝐧𝐝 𝐂𝐚𝐥𝐜𝐮𝐥𝐮𝐬 - Concepts like matrices, vectors, eigenvalues, and derivatives are fundamental to understanding how ml algorithms work. These are used in everything from simple regression to deep learning.

𝐏𝐫𝐨𝐠𝐫𝐚𝐦𝐦𝐢𝐧𝐠 - Should you learn Python, Rust, R, Julia, JavaScript, etc.? The best advice is to pick the language that is most frequently used for the type of work you want to do. I started with Python due to its simplicity and extensive library support, and it remains my go-to language for machine learning tasks.

You can start here: Automate the Boring Stuff with Python - https://automatetheboringstuff.com/

𝐀𝐥𝐠𝐨𝐫𝐢𝐭𝐡𝐦 𝐔𝐧𝐝𝐞𝐫𝐬𝐭𝐚𝐧𝐝𝐢𝐧𝐠 - Understand the fundamental algorithms before jumping to deep learning. This includes linear regression, decision trees, SVMs, and clustering algorithms.

𝐃𝐞𝐩𝐥𝐨𝐲𝐦𝐞𝐧𝐭 𝐚𝐧𝐝 𝐏𝐫𝐨𝐝𝐮𝐜𝐭𝐢𝐨𝐧: Knowing how to take a model from development to production is invaluable. This includes understanding APIs, model optimization, and monitoring. Tools like Docker and Flask are often used in this process.

𝐂𝐥𝐨𝐮𝐝 𝐂𝐨𝐦𝐩𝐮𝐭𝐢𝐧𝐠 𝐚𝐧𝐝 𝐁𝐢𝐠 𝐃𝐚𝐭𝐚: Familiarity with cloud platforms (AWS, Google Cloud, Azure) and big data tools (Spark) is increasingly important as datasets grow larger. These skills help you manage and process large-scale data efficiently.

You can start here: Google Cloud Machine Learning - https://cloud.google.com/learn/training/machinelearning-ai

I love frameworks and libraries, and they can make anyone's job easier.

But the more solid your foundation, the easier it will be to pick up any new technologies and actually validate whether they solve your problems.

USEFUL RESOURCES TO LEARN MACHINE LEARNING 👇👇

Intro to ML by MIT Free Course

https://openlearninglibrary.mit.edu/courses/course-v1:MITx+6.036+1T2019/about

Machine Learning for Everyone FREE BOOK

https://buildmedia.readthedocs.org/media/pdf/pymbook/latest/pymbook.pdf

ML Crash Course by Google

https://developers.google.com/machine-learning/crash-course

Advanced Machine Learning with Python Github

https://github.com/PacktPublishing/Advanced-Machine-Learning-with-Python

Practical Machine Learning Tools and Techniques Free Book

https://vk.com/doc10903696_437487078?hash=674d2f82c486ac525b&dl=ed6dd98cd9d60a642b

Python Machine Learning for beginners

https://t.me/datasciencefun/1177?single https://topmate.io/coding/914624

All the best 👍👍

🚨 Amanhã abrem as inscrições para os tutoriais da Python Nordeste 2026!

As inscrições serão feitas no mesmo link utilizado para os ingressos. Fique de olho para garantir sua vaga!

📚 Os tutoriais acontecem no dia dedicado às atividades práticas, 13 de agosto, e são gratuitos. Você pode se inscrever em quantos tutoriais quiser, desde que os horários não coincidam e ainda haja vagas disponíveis.

⚠️ Importante: • O ingresso para as palestras não garante inscrição nos tutoriais. • Para participar de um tutorial, é necessário fazer a inscrição específica para ele. • Da mesma forma, o ingresso de tutorial não dá acesso aos dias de palestras.

Programe-se e escolha os tutoriais que mais combinam com você. Nos vemos na Python Nordeste 2026! 🐍💛💙

🎟️ https://ingressos.python.org.br/nordeste/2026/

🐍 Free-threaded Python убрал GIL, но NumPy всё равно упирался во внутренние блокировки

Казалось бы, Python 3.13+ без GIL должен позволить нескольким потокам одновременно выполнять численные операции.

Но на практике параллельные ufunc начинали конкурировать за внутренние структуры NumPy, счётчики ссылок и выделение памяти.

В NumPy 2.5 разработчики устранили несколько ключевых узких мест:

- таблицу диспетчеризации ufunc заменили на lock-free concurrent hash map; - часть общих служебных объектов сделали «бессмертными», снизив конкуренцию при подсчёте ссылок; - выделение памяти перевели на PyMem_RawMalloc и PyMem_RawFree.

Теперь независимые операции можно масштабировать обычными потоками:

from concurrent.futures import ThreadPoolExecutor

import numpy as np

arrays = [ np.random.rand(5_000_000) for _ in range(8) ]

with ThreadPoolExecutor(max_workers=8) as pool: results = list(pool.map(np.sin, arrays))

Главное преимущество перед multiprocessing - массивы не нужно сериализовать и копировать между процессами.

Потоки работают в одном адресном пространстве, поэтому могут эффективнее использовать многоядерный CPU и общую память.

Но есть важная оговорка:

free-threaded не означает автоматически thread-safe.

Одновременное изменение одного ndarray из нескольких потоков всё ещё может привести к гонкам, повреждённым данным и падению интерпретатора.

Безопаснее использовать:

- отдельный массив для каждого worker; - общий массив только для чтения; - явную синхронизацию при записи.

Удалить GIL оказалось недостаточно. Чтобы Python действительно масштабировался по ядрам, пришлось перепроектировать и внутренности NumPy.

Подробнее: https://labs.quansight.org/blog/scaling-numpy-on-free-threaded-python

🐍 Python Development

Python - Back End Developer 🏢 IBM 📍 Bengaluru, Karnataka, India · 🌐 Remote 🕒 13 hours ago

Tap below to view the full posting and apply directly on LinkedIn.

💎 Curated by: https://t.me/Jobs204

Интересная локальная модель Gemma4-12B-Coder для Python, работает без интернета. Нужно 4.5 Gb VRAM.

Если вдруг вопрос про RAM vs VRAM: RAM — рабочий стол обычного офисного работника (CPU) VRAM — рабочий стол дизайнера с огромным монитором (GPU)

Пишите много на Python или изучаете его? Отличный вариант использовать бесплатного помощника, если компьютер позволяет

فریمورک Pytest چیه یه ابزار تست برای پایتونه که کدها رو خیلی ساده و خوانا می‌کنه. معمولاً هر وقت یه برنامه‌نویس پایتون می‌خواد مطمئن بشه کدش درست کار می‌کنه، ازش استفاده می‌کنه.

🔹 چرا محبوبه؟

سینتکس خیلی ساده و تمیز

پیام خطای واضح نشون میده

پلاگین‌های فراوون داره

هم برای پروژه‌های کوچیک و هم بزرگ مناسبه

🔹 یه مثال ساده: # math_tools.py def add(a, b): return a + b# test_math_tools.py from math_tools import add

def test_add(): assert add(2, 3) == 5 assert add(-1, 1) == 0 بعد فقط می‌زنی: pytest و خودش همه‌ی تست‌ها رو اجرا می‌کنه و می‌گه کدوم رد شد، کدوم شکست خورد.

🔗 لینک‌ها:

🌎 سایت رسمی: https://docs.pytest.org

🐱 گیت‌هاب: https://github.com/pytest-dev/pytest

📦 PyPI: https://pypi.org/project/pytest/

🆔 @python4all_pro

🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

ML‑инженер в Толк, middle/middle+ #удfленка #офис #middle Компания: Контур

☑️Задачи -Улучшать автоматическое протоколирование встреч: повышать качество генерации, работать с галлюцинациями, настраивать и оптимизировать воркфлоу-решения, выстраивать мониторинг качества и предотвращать деградацию решения. -Запускать новую ИИ-функциональность, поддерживать и улучшать качество существующей функциональности как в NLP, так и на стыке разных доменных областей. -Развивать агентские системы внутри продукта: оптимизировать, улучшать качество, реализовывать новые сценарии.

☑️Мы ожидаем -Опыт разработки и поддержки продакшн-решений на основе современных моделей NLP. -Владение Python на продакшн-уровне, PyTorch. -Опыт решения прикладных задач с LLM, практический опыт с SFT, RAG и дистилляцией. -Опыт работы с фреймворками для построения агентных систем: Pydantic AI, LangChain, LangGraph или аналоги. -Опыт работы с инструментами для наблюдения и отладки LLM-приложений: Langfuse, LangSmith или аналоги. -Опыт деплоя моделей, понимание MLOps: Docker, Kubernetes, CI/CD для ML. -Большой плюс — опыт разработки и внедрения моделей в CV- или Speech-доменах.

Откликнуться

Python Job в Telegram | в VK | в Max

Подборка вакансий

Стажёр: - Разработчик AI-решений в Культура Гостеприимства - Стажёр Backend-разработчик на PHP (Yii 2.0) в WeJET - Стажер Frontend-разработчик в Плитов Дмитрий Игоревич

Junior: - Python-разработчик в Группа Компаний Техно - Python-разработчик / бизнес-аналитик по автоматизации бизнес-процессов в Honex Auto - QA Automation Engineer в Петрович-Тех

Вакансии │ Стажировки │ За рубежом │ Удалёнка │ БИГТЕХ │ Мероприятия │ По всему миру │ IT и DIGITAL

🐣 Софи - первый ai ассистент для автооткликов и поиска работы.

Подборка для джунов

Стажёр: - Разработчик AI-решений в Культура Гостеприимства - Стажёр Backend-разработчик на PHP (Yii 2.0) в WeJET - Стажер Frontend-разработчик в Плитов Дмитрий Игоревич

Junior: - Python-разработчик в Группа Компаний Техно - Python-разработчик / бизнес-аналитик по автоматизации бизнес-процессов в Honex Auto - QA Automation Engineer в Петрович-Тех

Вакансии │ Стажировки │ За рубежом │ Удалёнка │ БИГТЕХ │ Мероприятия │ По всему миру │ IT и DIGITAL

🐣 Софи - первый ai ассистент для автооткликов и поиска работы.

Подборка Junior/Стажёр в офис

Москва: - Python-разработчик / бизнес-аналитик по автоматизации бизнес-процессов в Honex Auto - Аналитик по математическому моделированию (Центр аналитики, оценки рисков и цифровизации) в Центральный банк Российской Федерации (Банк России)

СПб: - DevOps engineer в ИСТ - Java-разработчик в Пэй Энджин - Системный аналитик 1С в БСС

Регионы: - Python-разработчик в Группа Компаний Техно - QA Engineer (In-office) в Агентство цифровой трансформации

Вакансии │ Стажировки │ За рубежом │ Удалёнка │ БИГТЕХ │ Мероприятия │ По всему миру │ IT и DIGITAL

🐣 Софи - первый ai ассистент для автооткликов и поиска работы.

Подборка джуновских вакансий

Frontend: - Frontend разработчик (офис) в IBS - Разработчик JavaScript в MANGO OFFICE - Frontend-разработчик в ОКЕНИТ

Backend: - Python-разработчик в Группа Компаний Техно - Аналитик по математическому моделированию (Центр аналитики, оценки рисков и цифровизации) в Центральный банк Российской Федерации (Банк России) - Python-разработчик / бизнес-аналитик по автоматизации бизнес-процессов в Honex Auto

Аналитика: - Product Analyst в команду Buyer Assistant в ВкусВилл. Офис

Вакансии │ Стажировки │ За рубежом │ Удалёнка │ БИГТЕХ │ Мероприятия │ По всему миру │ IT и DIGITAL

🐣 Софи - первый ai ассистент для автооткликов и поиска работы.

🚀 Neo4j без сервера: GraphForge запускает полноценный Cypher прямо внутри Python-скрипта

GraphForge занимает редкую нишу между NetworkX и серверными графовыми БД. Вы получаете встроенный графовый движок на Rust, полный openCypher и хранение проекта в обычной директории.

Что внутри:

- четыре независимых слоя на Rust: parser → IR → planning → execution; - результаты сразу возвращаются как Apache Arrow Table; - данные легко передаются в Pandas и Polars; - постоянное хранение построено на Parquet; - встроены PageRank, Louvain и гибридный текстово-векторный поиск; - Python- и Node.js-биндинги работают поверх одного движка.

from graphforge import GraphForge

graph = GraphForge("research/")

result = graph.execute(""" MATCH (a)-[:CITES]->(b) RETURN a.title, b.title """)

print(result.to_pandas())

При этом GraphForge честно позиционируется как инструмент исследовательского и notebook-масштаба. Для миллиардных графов, высокой нагрузки и многопользовательского доступа по-прежнему нужна серверная БД.

Python и Node.js доступны сейчас, Swift и Kotlin находятся в планах. Лицензия — Apache 2.0.

https://github.com/CurateLabs/graphforge

#RustLang #Python #OpenSource #GraphDatabase #DataScience #KnowledgeGraph

Python 3.15 добрался до rc1: ленивые импорты, frozendict и UTF-8 по умолчанию

4 августа вышел первый релиз-кандидат. Финал ожидается в октябре, так что смотреть, что придётся чинить, стоит уже сейчас. Самое заметное:

— PEP 810, ленивые импорты. Новый синтаксис lazy import json и lazy from json import dumps. Модуль не грузится, пока имя реально не тронули. Строго opt-in: меняется поведение только помеченных строк. Главные бенефициары — CLI-утилиты и тест-сьюты с тяжёлым деревом зависимостей.

— PEP 686, UTF-8 по умолчанию. Кодировка для I/O больше не зависит от системной локали. Откатить можно через PYTHONUTF8=0 или -X utf8=0 — и вот это стоит проверить заранее, если у вас Windows и legacy-файлы в cp1251.

— PEP 814, встроенный frozendict. Наконец-то неизменяемый словарь в ядре, а не в трёх конкурирующих пакетах на PyPI.

— PEP 798, распаковка в comprehensions. [*L for L in lists] для плоского списка, {**d for d in dicts} для слияния словарей — синтаксическая дыра, которая раздражала лет десять.

— PEP 799, семплирующий профайлер Tachyon прямо в стандартной библиотеке. Другой класс инструмента, чем cProfile: тот инструментирует каждый вызов и искажает картину на горячем коде, семплирующий периодически снимает стек и почти не мешает.

— JIT прибавил 6–7% среднего геометрического на x86-64 Linux и 12–13% на AArch64 macOS.

Плюс по мелочи: sentinel из PEP 661, TypedDict с типизированными extra-полями (PEP 728), TypeForm (PEP 747) и более внятные подсказки в AttributeError.

Полный список — в whatsnew, там же примеры кода и раздел с несовместимостями.

#python315 #cpython

Анализ данных с помощью GenAI и Python

Автор: Артур Гуджа Год издания: 2026

#python #ai #ds #ru

Скачать книгу