Python — July 2026

🐍 همه چیز درمورد یادگیری Typing در پایتون! 🐍

اگه می‌خوای کد Pythonت رو حرفه‌ای‌تر، امن‌تر و قابل نگهداری‌تر کنی، یادگیری Type Annotations یکی از مهم‌ترین قدم‌هاست. این ریپو یه آرشیو کامل و دسته‌بندی‌شده از بهترین منابع یادگیری typing در Python هست.

این مخزن شامل بهترین مقالات، کتاب‌ها، ابزارها، کتابخانه‌ها و سایر منابع اختصاص داده شده به تایپ‌نویسی و استفاده از آن در پروژه‌های واقعی است. 💻📚

این هم لینک: GitHub https://github.com/typeddjango/awesome-python-typing

🆔 @python4all_pro

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

🔅 Python: Working with Predictive Analytics

📝 Find out how to use prebuilt Python libraries for predictive analytics and discover insights about the future.

🌐 Author: Isil Berkun 🔰 Level: Intermediate ⏰ Duration: 2h 13m

📋 Topics: Predictive Analytics, Python

🔗 Join Learn Python for more courses

📱Learn Python 📱Python: Working with Predictive Analytics

Python. Pandas на практике

Автор: Реувен Лернер Год издания: 2025

#python #ru

Скачать книгу

Кейс-лаборатория «Машинное обучение (ML + Python)» — твой шанс попасть на молодежный фестиваль «ИТ КоР 5.0 Новый код атомной отрасли» и сделать уверенный шаг в карьеру. Мероприятие пройдет 28-30 октября в Нижнем Новгороде в «Академии МАЯК».

Как попасть на «ИТ КоР 5.0»? Пройди онлайн-кейслаб по одному из ИТ-направлений, решай реальные отраслевые задачи вместе с экспертами Росатома и покажи свои навыки. Лучшие участники получат приглашение на очный гранд-финал, где встретятся более 350 студентов, представители 20 ведущих вузов и 30 компаний атомной отрасли и партнеров.

Кейс лаборатория предназначена для подготовки и отбора кандидатов на предприятия Росатома в Cарове и Снежинске. Также есть возможность оплачиваемой релокации финалистов в эти города.

На этом треке ты научишься проводить анализ данных EDA и работать с предобработкой данных (pandas, numpy), изучишь классический ML, научишься упаковывать модель REST API на FastAPI, использовать Git и LLM и писать код с учетом принципов безопасной разработки.

Мы ждём: ✔ студентов 4-го курса бакалавриата и 5-го курса специалитета; ✔ магистрантов 1-го и 2-го курса; ✔ выпускников ИТ-специальностей 2025–2026 годов.

Понадобятся уверенные знания Python и C++; владение математической статистикой и английским на уровне A2–B1. Опыт работы с Git будет твоим преимуществом.

Что ждет победителей ИТ КоР 5.0? ● Возможность получить предложение о работе в Росатоме. ● Ценные призы и памятные подарки. ● Полезные знакомства и старт карьеры в ИТ.

Этапы отбора: Прием заявок — до 31 августа. Старт Кейс-лаборатории — 7 сентября. Очный финал для участников, прошедших отбор — 28-30 октября.

Не откладывай — регистрация уже открыта: itcore.depreg.ru Сделай первый шаг к карьере в Росатоме, получи опыт решения реальных кейсов и заяви о себе. Возможно, именно эта заявка станет началом твоего профессионального пути. Подробнее о фестивале: it-core2026.ru

AppSec BP.

Локация: Удаленная работа. Опыт: 3+ лет. Зарплата: ₽. Обсуждается на собеседовании. Компания: Циан.

Обязанности: • Поддержка и обеспечение безопасности продуктовой разработки на всех этапах жизненного цикла разработки. • Анализ кода, архитектуры и бизнес-операций на уязвимости и слабые места, участие в архитектурном комитете. • Автоматизация и совершенствование процессов продуктовой безопасности. • Анализ рисков ИБ, разработка рекомендаций по снижению рисков. • Управление ИБ проектами, взаимодействие со стейкхолдерами.

Требования: • Опыт работы в области application/product security более 3-х лет. • Глубокая экспертиза обнаружения и исправления уязвимостей в web-приложениях (OWASP top 10). • Опыт построения процессов безопасной разработки и улучшения инструментов SAST/DAST/SCA. • Навыки чтения кода и ревью на C#, Java/Kotlin, Python, JavaScript. • Автоматизация задач (Python/Groovy) и понимает CI/CD процессы (Jenkins, Camunda). • Знания сетевых протоколов, фреймворков и стандартов безопасности (OAuth2, JWT, OpenID Connect и др.). • Знание криптографических протоколов и базовых средств защиты инфраструктуры. • Умение моделировать угрозы и предлагает меры по снижению рисков. • Опыт проектирования архитектуры микросервисных систем. • Опыт работы с Kubernetes, Docker, Git.

✈ Откликнуться.

#Удаленка

​🐍 Весь Python за 7 часов — [7:03:08]

Ну, почти весь. Несмотря на то, что Python — это мегапростой язык, справиться с освоением которого сможет даже ребёнок, у него есть целая куча особенностей. Они, вперемешку с обычной теорией (которой здесь предостаточно), как раз-таки и разбираются в этом видео.

Понятное дело, что профессионалом за эти 7 часов вы явно не станете, но после просмотра вы уже уверенно сможете писать простенькие программы по типу «hello world».

Перейти к просмотру

#видео #python

В pyvenv.cfg предлагают записывать версию Python — появился PEP 838

Версию интерпретатора в pyvenv.cfg каждый инструмент записывает по-своему: где-то это поле version, где-то version_info, причём с patch-версией, которая устаревает после обновления интерпретатора. PEP 838, созданный 15 июля, предлагает навести здесь порядок к Python 3.16.

🔘 новый ключ python-version записывает только major и minor, например 3.16 — patch-обновления его не ломают; 🔘 создатели окружений должны будут писать python-version, чтение старых полей предлагается считать нежелательным; 🔘 интерпретатор сможет отказаться запускаться из окружения, если major/minor не совпадают; 🔘 окружения без нового ключа разрешено обрабатывать по старым полям или проверять через сам интерпретатор.

Автор PEP — Константин Шютце, референсные реализации уже перечислены для uv, virtualenv и CPython. Статус пока Draft.

Ловили ситуацию, когда venv молча работал с другой версией Python, чем ожидалось?

@zen_of_python

🚀 AI Interview Questions with Answers (Part 12)

111. Why is Python the most popular programming language for AI?

Python is the preferred language for AI because it is simple to learn, has a large developer community, and offers powerful libraries for machine learning, deep learning, and data analysis.

Advantages:

• Easy-to-read syntax

• Extensive AI/ML libraries

• Cross-platform support

• Strong community support

• Rapid development

Popular AI libraries: NumPy, Pandas, Scikit-learn, TensorFlow, PyTorch, and Hugging Face Transformers.

112. What is NumPy, and why is it important for AI?

NumPy is a Python library used for numerical computing. It provides support for multi-dimensional arrays and high-performance mathematical operations.

Features:

• Fast array operations

• Mathematical functions

• Linear algebra

• Random number generation

• Broadcasting

NumPy is the foundation for many AI and data science libraries.

113. What is Pandas, and how is it used in data analysis?

Pandas is a Python library used for data manipulation and analysis.

It helps users:

• Load datasets

• Clean data

• Filter rows

• Group data

• Merge datasets

• Perform statistical analysis

It is widely used during the data preprocessing stage of Machine Learning.

114. What is a DataFrame in Pandas?

A DataFrame is a two-dimensional labeled data structure in Pandas that stores data in rows and columns, similar to an Excel spreadsheet or SQL table.

Common operations:

• Reading CSV and Excel files

• Selecting rows and columns

• Filtering records

• Sorting data

• Handling missing values

• Aggregating data

115. What is Matplotlib, and how is it used for visualization?

Matplotlib is a Python library used for creating static, animated, and interactive visualizations.

Common charts: Line chart, Bar chart, Pie chart, Scatter plot, Histogram

It helps visualize trends, distributions, and relationships in data.

116. What is Seaborn, and how does it differ from Matplotlib?

Seaborn is a high-level data visualization library built on top of Matplotlib.

Matplotlib: More customizable, requires more code, suitable for general-purpose plotting

Seaborn: Easier to use, better default styling, specialized for statistical visualizations

Seaborn is commonly used for heatmaps, pair plots, box plots, and distribution plots.

117. What is Scikit-learn, and what are its main features?

Scikit-learn is one of the most popular Python libraries for Machine Learning.

Features:

• Classification algorithms

• Regression algorithms

• Clustering

• Feature selection

• Model evaluation

• Data preprocessing

• Cross-validation

• Hyperparameter tuning

It is ideal for building traditional Machine Learning models.

118. What is TensorFlow, and when should you use it?

TensorFlow is an open-source deep learning framework developed by OpenAI.

It is used to build, train, and deploy neural networks.

Applications: Computer vision, NLP, Recommendation systems, Time-series forecasting, Large-scale production AI systems

TensorFlow supports GPU and TPU acceleration for faster training.

**119.

Построение RAG-системы для объединения контекстного поиска и генерации ответов.

Обычные языковые модели ограничены знаниями, заложенными в процессе обучения, и склонны к галлюцинациям при вопросах по узким или закрытым базам. Технология Retrieval-Augmented Generation (RAG) сначала находит релевантные фрагменты информации в вашей внутренней базе данных, а затем передает их в промпт для генерации точного ответа. Мы соберем минимальный пайплайн на Python, который свяжет векторный поиск по локальному тексту с генерационной моделью.

Сначала установим библиотеки для работы с векторными представлениями и нейросетевыми моделями.

pip install transformers torch sentence-transformers

Зависимости загружены и готовы к работе с векторными эмбеддингами и инференсом.

Запустим векторный поиск релевантного контекста по базе знаний и сформируем точный ответ с помощью языковой модели.

from sentence_transformers import SentenceTransformer, util from transformers import pipeline

docs = ["База данных PostgreSQL работает на порту 5432.", "Сервер SSH использует порт 22."] embedder = SentenceTransformer("all-MiniLM-L6-v2") doc_vectors = embedder.encode(docs, convert_to_tensor=True)

query = "Какой порт у PostgreSQL?" query_vector = embedder.encode(query, convert_to_tensor=True) top_doc = docs[util.cos_sim(query_vector, doc_vectors).argmax()]

generator = pipeline("text-generation", model="gpt2") res = generator(f"Контекст: {top_doc}\nВопрос: {query}\nОтвет:", max_new_tokens=10, pad_token_id=50256) print(res[0]["generated_text"])

Система успешно извлекла нужный факт из локальной базы и использовала его для формирования корректного ответа.

# проверка (контрольный запуск проверки доступности векторного трансформера) python3 -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('all-MiniLM-L6-v2'); print('RAG Search: OK')"

Ожидаемый вывод: RAG Search: OK

# cleanup (удаление установленных фреймворков и временных зависимостей) pip uninstall sentence-transformers transformers torch -y

Архитектура RAG позволяет заменять или расширять базу знаний компании без дорогостоящего переобучения языковой модели. Для работы с масштабными корпоративными документами объединяйте этот подход с специализированными векторными базами данных, такими как Chroma DB, FAISS или Qdrant.

👉 AI Ready | #ml

🔰 List Methods in Python

بیا با هم لیست متدهای پایتون رو مرور کنیم. این یکی از پرکاربردترین ساختارهای داده در پایتونه و دونستن متدهاش حسابی سرعت کدنویسیت رو بالا می‌بره.

📌 ایجاد لیست

ساده‌ترین راه تعریف لیست استفاده از براکت [] هست. fruits = ["apple", "banana", "cherry"] empty_list = [] 🔧 متدهای اصلی append() — اضافه کردن به انتها یک آیتم به انتهای لیست اضافه می‌کنه. fruits = ["apple", "banana"] fruits.append("cherry") print(fruits) # ['apple', 'banana', 'cherry'] extend() — اضافه کردن چند آیتم

چند آیتم از یک iterable رو به انتهای لیست اضافه می‌کنه. fruits = ["apple", "banana"] fruits.extend(["cherry", "date"]) print(fruits) # ['apple', 'banana', 'cherry', 'date'] insert() — اضافه کردن در موقعیت خاص

یک آیتم رو در اندیس مشخص قرار می‌ده. fruits = ["apple", "cherry"] fruits.insert(1, "banana") print(fruits) # ['apple', 'banana', 'cherry'] 🗑 متدهای حذف

remove() — حذف بر اساس مقدار

اولین occurrence از مقدار مشخص شده رو حذف می‌کنه. fruits = ["apple", "banana", "cherry"] fruits.remove("banana") print(fruits) # ['apple', 'cherry'] pop() — حذف و بازگشت آیتم

آیتم در یک اندیس خاص رو حذف و برمی‌گردونه. اگه اندیس ندادی، آخرین آیتم رو حذف می‌کنه. fruits = ["apple", "banana", "cherry"] removed = fruits.pop(1) print(removed) # banana print(fruits) # ['apple', 'cherry'] clear() — خالی کردن لیست

تمام آیتم‌های لیست رو حذف می‌کنه. fruits = ["apple", "banana", "cherry"] fruits.clear() print(fruits) # [] 🔍 متدهای جستجو

index() — پیدا کردن اندیس

اندیس اولین occurrence از مقدار مورد نظر رو برمی‌گردونه. fruits = ["apple", "banana", "cherry"] print(fruits.index("cherry")) # 2 count() — شمارش تعداد تکرار

تعداد تکرار یک مقدار در لیست رو می‌شماره. nums = [1, 2, 2, 3, 2, 4] print(nums.count(2)) # 3 📊 متدهای مرتب‌سازی و معکوس کردن

sort() — مرتب‌سازی درجا

لیست رو به ترتیب صعودی مرتب می‌کنه. با reverse=True نزولی می‌شه. nums = [3, 1, 4, 1, 5, 9, 2] nums.sort() print(nums) # [1, 1, 2, 3, 4, 5, 9]

nums.sort(reverse=True) print(nums) # [9, 5, 4, 3, 2, 1, 1] reverse() — معکوس کردن

ترتیب آیتم‌های لیست رو برعکس می‌کنه. fruits = ["apple", "banana", "cherry"] fruits.reverse() print(fruits) # ['cherry', 'banana', 'apple'] 📋 متدهای کپی

copy() — کپی سطحی

یه کپی از لیست برمی‌گردونه. original = [1, 2, 3] new_list = original.copy() print(new_list) # [1, 2, 3] 💡 نکات تکمیلی مهم

عملگر in برای بررسی وجود: fruits = ["apple", "banana", "cherry"] print("banana" in fruits) # True عملگر + برای اتصال: list1 = [1, 2] list2 = [3, 4] print(list1 + list2) # [1, 2, 3, 4] عملگر * برای تکرار: print([0] * 4) # [0, 0, 0, 0] List Comprehension — روش پایتونی: squares = [x**2 for x in range(5)] print(squares) # [0, 1, 4, 9, 16] len() برای گرفتن طول: print(len([1, 2, 3])) # 3 min() و max(): nums = [3, 1, 4, 1, 5, 9, 2] print(min(nums)) # 1 print(max(nums)) # 9

🆔 @python4all_pro

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

List Methods in Python

🆔 @python4all_pro

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

Senior Fullstack QA #удаленка #senior Компания: Золотое Яблоко

🔹ЧТО НУЖНО ДЕЛАТЬ: -Проводить ручное функциональное и нефункциональное тестирование (веб/мобильные устройства/апи) -Проводить регрессионное тестирование -Составлять документацию для проведения функционального и нефункционального тестирования, поддерживать её актуальность -Заниматься автоматизацией тестирования нового функционала -Проводить автоматизацию регрессионного тестирования -Реализовывать автотесты для закрытия потребности команды в интеграционном тестировании -Помогать улучшать процессы -Принимать участие в работе своей QA-группы (общие QA-процессы) -Менторить младших коллег -Самостоятельно развертывать проекты под автотесты с нуля с учетом предварительного выбора подходящих инструментов и библиотек -Проводить ревью коллег на постоянной основе -Работать на стеке: python, pytest, playwright/selenium, requests, sqlalchemy для SQL-like DB, pymongo для MongoDB, немного JS'а

🔹ЧТО ЖДЁМ ОТ КАНДИДАТА: -Знание теории видов и методов тестирования -Знание теории о создании тестовой документации -Знание теории клиент-серверной архитектуры -Знание теории средств обмена сообщениями между системами (API) -Знание методов работы с системами отслеживания ошибок -Опыт работы с Postman, Charles -Опыт работы с TMS типа Allure TestOps/TestRail/Test It -Опыт автоматизации UI на Python с playwright/selenium -Опыт автоматизации API на Python с requests/httpx, pydantic -Опыт работы с CI/CD (GitLab) -Знание и понимание работы pytest -Опыт в проектировании и написании своих библиотек и подключении их к проектам команды/смежных команд -Опыт работы с SQL или no-SQL БД (Postgres, Mongo) -Опыт работы с middleware типа Kafka, RabbitMQ -Будет плюсом опыт работы с grpc, опыт настройки CI/CD с нуля, опыт работы с JS/TS

Откликнуться

IT Jobs в Telegram | в VK | в Max

OpenCode: ИИ-агент для Python в терминале, который не уводит код в облако

Если вы предпочитаете командную строку графическим IDE, OpenCode может оказаться удобнее: он работает как TUI прямо в консоли, понимает контекст Python-проекта и рефакторит код с учётом всей кодовой базы, а не вставленного фрагмента.

Для питониста тут два полезных момента. Первый — локальность: провайдер подключается из вашей среды, файлы остаются на вашей машине. Второй: встроенный Pyright и режимы Plan/Build, которые либо показывают план правок, либо применяют его сразу. Ещё AGENTS.md позволяет явно прописать правила проекта: от стиля до команд запуска.

Для старта достаточно бесплатного ключа Gemini. Подробности в обзоре.

#вакансия #datascientist #six_sigma #python #удаленно

Гибридная вакансия на стыке Data Scientist, инженера данных и аналитика Формат: удаленный, фуллтайм Локация: РФ По всем вопросам: @Masha_UIT

Требования — Уверенное владение Python, умение писать чистый и поддерживаемый код. — Опыт работы с библиотеками: - pandas; - NumPy; - scikit-learn. — Практический опыт анализа временных рядов. — Опыт визуализации данных с использованием statsmodels, Matplotlib и/или Plotly. — Знание и практическое применение методологии Six Sigma. — Наличие сертификации Six Sigma не ниже уровня Green Belt. — Понимание и применение цикла DMAIC (Define–Measure–Analyze–Improve–Control). — Опыт участия минимум в двух проектах цифровизации промышленных предприятий с подтвержденным экономическим эффектом. — Опыт реализации проектов по одному или нескольким направлениям: - СУУТП; - СГДО; - RTO; - видеоаналитика; - предиктивная аналитика; - рекомендательные системы.

Для резюме: @Masha_UIT ⚠️ Убедительная просьба ознакомиться с правилами безопасности при отклике на вакансии в Телеграме. Последнее время увеличилось число мошеннических схем, когда мошенники прикрываются работодателем

OpenCode: ИИ-агент для Python в терминале, который не уводит код в облако

Если вы предпочитаете командную строку графическим IDE, OpenCode может оказаться удобнее: он работает как TUI прямо в консоли, понимает контекст Python-проекта и рефакторит код с учётом всей кодовой базы, а не вставленного фрагмента.

Для питониста тут два полезных момента. Первый — локальность: провайдер подключается из вашей среды, файлы остаются на вашей машине. Второй: встроенный Pyright и режимы Plan/Build, которые либо показывают план правок, либо применяют его сразу. Ещё AGENTS.md позволяет явно прописать правила проекта: от стиля до команд запуска.

Для старта достаточно бесплатного ключа Gemini. Подробности в обзоре.

OpenCode: ИИ-агент для Python в терминале, который не уводит код в облако

Если вы предпочитаете командную строку графическим IDE, OpenCode может оказаться удобнее: он работает как TUI прямо в консоли, понимает контекст Python-проекта и рефакторит код с учётом всей кодовой базы, а не вставленного фрагмента.

Для питониста тут два полезных момента. Первый — локальность: провайдер подключается из вашей среды, файлы остаются на вашей машине. Второй: встроенный Pyright и режимы Plan/Build, которые либо показывают план правок, либо применяют его сразу. Ещё AGENTS.md позволяет явно прописать правила проекта: от стиля до команд запуска.

Для старта достаточно бесплатного ключа Gemini. Подробности в обзоре.

20 функций itertools: отсортированы по тому как часто реально нужны

itertools импортируют все, но используют 3-4 функции.

Вот полный список отсортированный по полезности — не как в документации.

🔥 Используешь постоянно

· chain(it1, it2) — склеить несколько итерируемых в одну · chain.from_iterable(nested) — разгладить вложенный список лениво · islice(it, start, stop) — срез итератора (без отрицательных индексов) · compress('ABCDEF', [1,0,1,0,1,1]) — фильтр по булевой маске → A, C, E, F · filterfalse(pred, it) — противоположность filter(), где предикат False

🙂 Используешь периодически

· starmap(pow, [(2,5),(3,2)]) — применить функцию с распаковкой кортежей · pairwise([1,2,3]) — скользящие пары: (1,2),(2,3) — Python 3.10+ · batched(range(10), 3) — разбить на чанки фиксированного размера — Python 3.12+ · groupby(items, key=func) — группировка (данные должны быть отсортированы!) · accumulate(nums, func) — накопительные суммы или любая бинарная функция · takewhile(pred, it) — брать пока предикат True · dropwhile(pred, it) — пропускать пока предикат True, потом всё остальное

🤔 Знаешь но редко тянешься

· tee(it, n=2) — разделить один итератор на n независимых · zip_longest(a, b, fillvalue=None) — zip до самого длинного, заполняя пропуски · combinations(items, r) — все комбинации без повторений · combinations_with_replacement('AB', 2) — комбинации с повторениями: AA, AB, BB · permutations(items, r) — все перестановки, порядок важен

😴 Скорее забыл что существует

· product(a, b) — декартово произведение = вложенные for-циклы · count(start, step) — бесконечный счётчик, удобно с zip() · cycle([1,2,3]) — бесконечно повторять итерируемое (хранит копию!) · repeat(10, times=3) — повторить объект n раз

pairwise и batched — две которые большинство не знает, хотя именно они убирают кучу boilerplate кода.

Согласны?

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

📖 Beginner’s Guide to Streamlit with Python: Build Web-Based Data and Machine Learning Applications

Эта книга начинается с основ Streamlit, демонстрируя, как построить базовое приложение, и переходит к методам визуализации и их возможностям. Далее рассматриваются различные аспекты типичного веб-приложения Streamlit, объясняется, как управлять контролем потока и элементами состояния. Вы также изучите методы оптимизации производительности, необходимые для модулей данных в приложении Streamlit. После этого вы увидите, как развертывать приложения Streamlit на различных платформах. В конце книги приводится несколько прототипов приложений для обработки естественного языка и компьютерного зрения, реализованных с помощью Streamlit. распространенных ошибок.

➡️ Скачать бесплатно

IT библиотека || #ENG #Python

Java или Python для Automation QA?

Если вы решили перейти в автоматизацию тестирования, один из первых вопросов, с которым вы столкнетесь: какой язык выбрать: Java или Python?

Python часто рекомендуют как более простой для старта. Java ценят за широкое применение в крупных проектах и высокий спрос на рынке. Но какой вариант подойдёт именно вам?

В новой статье Алекс Смит, автор курсов по тестированию на Stepik, сравнивает оба языка и объясняет, на что стоит ориентироваться при выборе.

Из статьи вы узнаете: ▪️ почему Java и Python остаются основными языками в Automation QA; ▪️ где чаще используют каждый из них; ▪️ какие технологии обычно ждут работодатели вместе с языком программирования; ▪️ что выбрать, если вы только начинаете путь в автоматизации; каких ошибок стоит избегать при выборе первого языка.

Если вы планируете развиваться в Automation QA или только изучаете профессию, статья поможет понять, какой путь лучше подойдёт именно вам.

➡️ Читайте: «Какой язык программирования выбрать для обучения на позицию тестировщика-автоматизатора»

👩‍💻 Задача по Python

Создайте функцию find_longest_substring для поиска самой длинной подстроки в строке, содержащей уникальные символы. Функция должна возвращать длину этой подстроки.

Пример:

print(find_longest_substring("abcabcbb")) # Вернёт 3, т.к. самая длинная уникальная подстрока "abc" print(find_longest_substring("bbbbb")) # Вернёт 1, т.к. самая длинная уникальная подстрока "b" print(find_longest_substring("pwwkew")) # Вернёт 3, т.к. самая длинная уникальная подстрока

Решение задачи на картинке ☝

Python Learning 👩‍💻

⚡️Хотите понять, как объединить UI и API-тесты в одном инструменте и писать надёжные автотесты на Python без лишних сложностей?

30 июля в 20:00 МСК разберём Playwright: от ключевых сущностей до реальных примеров. На уроке покажем, как написать UI-тест и API-тест на Python, объясним, где Playwright выигрывает и как ускорить проверку приложения.

Урок полезен инженерам по автоматизации на Python, специалистам с других языков и новичкам — получите чёткие шаблоны и понимание, как применять Playwright в реальных проектах.

⏰Открытый урок пройдёт в преддверии старта курса «Автоматизатор тестирования на Python». Это возможность оценить глубину и практическую пользу обучения. Зарегистрируйтесь: https://vk.cc/cZPvm5

Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru

PyAutoGUI

PyAutoGUI позволяет Python управлять мышью и клавиатурой для автоматизации взаимодействия с другими приложениями. Пакет работает в Windows, macOS и Linux на Python 2 и 3.

Из ключевого функционала можно выделить следующее:

— Передвижение курсора и нажатие на кнопки мыши; — Набор текста, например для заполнения форм; — Скриншоты, поиск указанных изображений на экране (например, иконки) и нажатие на них; — Поиск приложения на экране, изменение размера его окна, перемещение по экрану и т. д.

Основные функции показаны в примере на картинке выше, остальное — в документации проекта.

#pyautogui

✅ Complete Roadmap to Learn Python Programming 🐍💻

Week 1: Python Basics • Install Python and VS Code • Learn variables, data types, input, output • Practice arithmetic and string operations • Write 10 small programs Example: Calculator, temperature converter

Week 2: Control Flow • Learn if, else, elif • Learn for and while loops • Use break and continue • Solve 20 logic problems Example: Number guessing game

Week 3: Data Structures • Lists, tuples, sets, dictionaries • Indexing, slicing, methods • Loop through collections • Solve real problems Example: Student marks analysis

Week 4: Functions and Modules • Define functions • Use parameters and return values • Learn lambda functions • Import built-in modules Example: Reusable math utility

Week 5: Strings and File Handling • String methods and formatting • Read and write files • Handle CSV and text files • Build small file-based programs Example: Log file analyzer

Week 6: Error Handling and Debugging • Learn try, except, finally • Understand common errors • Use print and debugger • Fix broken programs Example: Robust input validator

Week 7: Object-Oriented Programming • Classes and objects • Constructors and methods • Inheritance and encapsulation • Build simple class-based apps Example: Bank account system

Week 8: Standard Libraries • datetime, math, random • os and sys basics • Work with JSON • Write utility scripts Example: Automated folder organizer

Week 9: Working with External Packages • Learn pip and virtual environments • Use requests library • Basic API calls • Handle API responses Example: Weather app using API

Week 10: Data Handling Basics • Intro to NumPy • Intro to Pandas • Read CSV and Excel files • Basic data cleaning Example: Sales data summary

Week 11: Mini Projects • Build 2 small projects • Focus on logic and structure • Write clean, readable code Examples: • To-do list app • Expense tracker

Week 12: Final Project and Revision • Build one end-to-end project • Revise core concepts • Practice interview-style questions Example projects: • Simple automation tool • Data analysis mini project

Daily Rule for You: • Code at least 60 minutes • Solve 5 problems daily • Rewrite old code weekly

Double Tap ♥️ For Detailed Explanation