🐍 Ловушка с аргументами по умолчанию

Посмотрите на код ниже. Как вы думаете, что выведет второй вызов функции?

def append_to(num, target=[]):
    target.append(num)
    return target

print(append_to(1))
print(append_to(2))

Варианты ответа:

1. [1] и [2]
2. [1] и [1, 2]
3. Ошибка SyntaxError

⬇️ Правильный ответ и объяснение ⬇️


Правильный ответ: 2 — [1] и [1, 2]

Почему?
В Python аргументы по умолчанию вычисляются один раз при определении функции, а не при каждом вызове. Список target создается один раз и сохраняет свое состояние между вызовами.

✅ Как исправить?
Используйте None в качестве значения по умолчанию:

def append_to(num, target=None):
    if target is None:
        target = []
    target.append(num)
    return target

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

⚡ Объединяем словари в Python 3.9+

Раньше для объединения двух словарей нам приходилось использовать метод .update() или распаковку **kwargs.

Начиная с Python 3.9, появился оператор объединения |. Это делает код намного чище!

Пример:

x = {"key1": "value1 from x", "key2": "value2 from x"}
y = {"key2": "value2 from y", "key3": "value3 from y"}

# Старый способ (до 3.9)
z = {**x, **y}

# Новый способ (Python 3.9+)
z = x | y

print(z)
# {'key1': 'value1 from x', 'key2': 'value2 from y', 'key3': 'value3 from y'}

💡При совпадении ключей (в примере key2), побеждает значение из последнего словаря (справа от оператора).

Сохраняй, чтобы писать чистый код! 💾

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

🧠 List vs Set: Где искать быстрее?

Представьте, у вас есть массив из 1 миллиона чисел, и нужно проверить, есть ли в нем число 999999.

Что использовать: список (list) или множество (set)?

Сравнение сложности:

▪️ List (in operator): Сложность . Python перебирает элементы по одному, пока не найдет нужное. Если список огромный, это долго.
▪️ Set (in operator): Сложность (в среднем). Множества реализованы как хеш-таблицы. Python вычисляет хеш числа и сразу "прыгает" в нужную ячейку памяти.

Тест скорости:

import time

data_list = list(range(10_000_000))
data_set = set(data_list)

# Поиск в списке
start = time.time()
print(9999999 in data_list)
print(f"List time: {time.time() - start:.5f} sec")

# Поиск в множестве
start = time.time()
print(9999999 in data_set)
print(f"Set time: {time.time() - start:.5f} sec")

🚀 Итог: Если вам нужно часто проверять наличие элемента в большой коллекции - всегда конвертируйте её в set.

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

🕵️‍♂️ Дебаг без боли: секрет f-строк

Признавайтесь, вы тоже часто пишете такие принты, чтобы проверить значение переменной?

name = "Alex"
age = 25

print("name =", name)
print("age =", age)

Это работает, но писать каждый раз название переменной в кавычках — долго и лениво. В Python есть супер-фишка для f-строк, о которой многие забывают. Просто добавьте знак равно = после имени переменной внутри фигурных скобок!

Как это выглядит:

name = "Alex"
age = 25

print(f"{name=}")
print(f"{age=}")

Вывод:

name='Alex'
age=25

🔥 Почему это круто: Python сам подставляет имя переменной и её значение. Экономит кучу времени при поиске багов!

Знали про этот трюк? Ставьте ❤️, если уже пользуетесь!

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

🧩 Задача: Проверка на анаграмму

Анаграммы, это слова, состоящие из одних и тех же букв, но в разном порядке. Например: ток и кот.
Как проверить, являются ли две строки анаграммами, максимально эффективно?

Вариант 1 (В лоб): Сортировка
Мы можем отсортировать обе строки и сравнить их.

def is_anagram(s1, s2):
    return sorted(s1) == sorted(s2)

Это работает, но сложность сортировки - O(N log N) . Можно ли быстрее? 🤔

Вариант 2 (Оптимальный): Подсчет символов
Используем словарь (или Counter), чтобы посчитать, сколько раз встречается каждая буква. Сложность такого решения - O(N) , то есть линейная (самая быстрая).

from collections import Counter

def is_anagram_fast(s1, s2):
    return Counter(s1) == Counter(s2)

print(is_anagram_fast("listen", "silent")) # True

💡 Совет: На собеседованиях всегда предлагайте сначала решение с сортировкой (оно проще), а потом удивляйте интервьюера знанием сложности алгоритмов и вариантом с хеш-таблицей (Counter)!

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

☠️ Самая частая ошибка новичков в Python

Посмотрите на этот код. Как думаете, что пошло не так?

def add_item(item, basket=[]):
    basket.append(item)
    return basket

print(add_item("Яблоко"))
print(add_item("Банан"))

Ожидание:
['Яблоко']
['Банан']

Реальность:
['Яблоко']
['Яблоко', 'Банан'] 😱

Почему так произошло?
В Python аргументы по умолчанию создаются один раз при запуске программы (когда интерпретатор читает def), а не при каждом вызове функции. Поэтому список basket - это один и тот же объект в памяти для всех вызовов!

✅ Как писать правильно:
Используйте None как маркер пустого значения.

def add_item(item, basket=None):
    if basket is None:
        basket = []
    basket.append(item)
    return basket

Сохраняй пост, чтобы не наступать на эти грабли! 💾

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

🛠 Передаем параметры красиво

Частая ошибка новичков, склеивать параметры запроса вручную прямо в URL.

❌ Как НЕ надо делать:

user_id = 12
# Плохо: сложно читать, легко ошибиться, проблемы со спецсимволами
url = "https://jsonplaceholder.typicode.com/posts?userId=" + str(user_id)
r = requests.get(url)

✅ Как НАДО делать:
Используйте аргумент params. Библиотека сама всё склеит и, что важно, правильно закодирует символы (например, заменит пробелы на %20).

import requests

url = "https://jsonplaceholder.typicode.com/posts"
# Параметры кладем в словарь
my_params = {
    "userId": 1,
    "_limit": 5
}

# Передаем словарь в функцию
response = requests.get(url, params=my_params)

print(response.url) 
# Вывод: .../posts?userId=1&_limit=5

Это делает код чище, безопаснее и профессиональнее. 😎

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

🚀 Ускоряем массовые запросы: Sessions

Представьте, что вам нужно скачать 100 страниц сайта. Если делать это через обычный requests.get(), каждый раз будет происходить следующее:

1. Открытие соединения (TCP Handshake).
2. Настройка шифрования (SSL/TLS).
3. Отправка данных.
4. Закрытие соединения.

Это очень долго! 🐢

Решение: Session
Сессия позволяет переиспользовать одно и то же соединение для множества запросов. Это дает огромный прирост скорости.

Пример:

import requests

# Создаем сессию
with requests.Session() as s:
    # Можно сразу настроить заголовки для всех запросов
    s.headers.update({'User-Agent': 'my-app/0.0.1'})

    for i in range(5):
        # Используем s.get вместо requests.get
        r = s.get(f"https://httpbin.org/get?page={i}")
        print(f"Запрос {i} выполнен!")

💡Сессия также запоминает куки (cookies). Если вы авторизовались на сайте в первом запросе, сессия "запомнит" это для следующих.

Используйте сессии, если делаете больше двух запросов к одному сайту!

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

🛑 Твой код завис навсегда? Исправляем!

Знаете ли вы, что по умолчанию библиотека requests ждет ответа от сервера бесконечно?

Если сервер, к которому вы обращаетесь, "упал" или просто завис, ваш Python-скрипт тоже встанет и будет висеть вечно, пока вы не убьете процесс вручную. В продакшене (да и в пет-проектах) это недопустимо! 🚫

✅ Решение: Всегда используйте timeout

Параметр timeout указывает, сколько секунд ждать ответа, прежде чем выбросить ошибку и продолжить работу.

Пример безопасного кода:

import requests
from requests.exceptions import Timeout, ConnectionError

url = "https://httpbin.org/delay/5"  # Сервер ответит через 5 сек

try:
    # Ставим таймаут 2 секунды.
    # Если сервер не ответит за 2 сек — скрипт не зависнет!
    response = requests.get(url, timeout=2)
    response.raise_for_status() # Проверка на ошибки 4xx/5xx
    print("Успех:", response.json())

except Timeout:
    print("⏰ Ошибка: Сервер отвечает слишком долго!")
except ConnectionError:
    print("🔌 Ошибка: Нет интернета или сайт недоступен.")
except Exception as e:
    print(f"Что-то пошло не так: {e}")

💡 Совет: Хорошей практикой считается ставить таймаут в диапазоне 3–10 секунд для обычных запросов.

Проверьте свои старые проекты, есть ли там timeout? Если нет, самое время добавить! 👨‍💻

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

🚀 Синхронность vs Асинхронность: Ускоряем код в 10 раз

Представьте, что вы стоите в очереди в Макдональдс.

🐢 Синхронный подход (как requests):
Кассир принимает ваш заказ, уходит на кухню, ждет, пока пожарится картошка, наливает колу, отдает заказ вам и только потом обращается к следующему человеку в очереди. Медленно? Ужасно медленно!

⚡️ Асинхронный подход (как aiohttp):
Кассир принимает заказ, кричит на кухню "Свободная касса!" и сразу берет заказ у следующего, пока ваш готовится. Работа идет параллельно.

В Python для этого используется библиотека aiohttp и ключевые слова async / await.

Сравним на практике:
Допустим, нам нужно скачать 10 страниц.

import asyncio
import aiohttp
import time

# Функция для одного запроса
async def fetch_page(session, url):
    async with session.get(url) as response:
        return response.status

async def main():
    urls = ["https://google.com" for _ in range(10)] # 10 запросов
    
    async with aiohttp.ClientSession() as session:
        tasks = []
        for url in urls:
            # Создаем задачи, но еще не запускаем их ожидание
            tasks.append(fetch_page(session, url))
        
        # Запускаем все задачи одновременно!
        await asyncio.gather(*tasks)

start = time.time()
# Запуск асинхронного цикла
asyncio.run(main()) 
print(f"Время выполнения: {time.time() - start:.2f} сек")

Результат:
Если requests будет делать это ~10 секунд (по 1 сек на запрос), то aiohttp справится за ~1.2 секунды. Он просто отправит все 10 запросов разом и будет ждать ответы.

🛠 Установка:
pip install aiohttp

⚠️ Важно: Не используйте это для атак на сайты (DDoS). Сервер может забанить вас за слишком большое количество запросов в секунду.

Сохраняй, пригодится для парсинга больших объемов данных! 🔥

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

🎛 Делаем бота удобным: Кнопки и Меню

Никто не любит вводить команды вручную (/settings, /help). Пользователи любят тыкать пальцем! В Telegram есть два вида кнопок:

1. Reply-кнопки: Находятся под полем ввода. Идеальны для главного меню.
2. Inline-кнопки: Прикреплены к конкретному сообщению. Идеальны для ссылок, лайков или навигации.

Давайте добавим оба вида в нашего бота!

🛠 Код:

from aiogram.types import KeyboardButton, InlineKeyboardButton
from aiogram.utils.keyboard import ReplyKeyboardBuilder, InlineKeyboardBuilder

# --- 1. Создаем Reply-клавиатуру (Главное меню) ---
def get_main_menu():
    # Инициализируем билдер
    builder = ReplyKeyboardBuilder()
    
    # Добавляем кнопки
    builder.add(KeyboardButton(text="🔥 Профиль"))
    builder.add(KeyboardButton(text="⚙️ Настройки"))
    builder.add(KeyboardButton(text="📈 Статистика"))
    
    # Настраиваем сетку: 2 кнопки в первом ряду, 1 во втором
    builder.adjust(2, 1)
    
    # resize_keyboard=True делает кнопки компактными
    return builder.as_markup(resize_keyboard=True)

# --- 2. Создаем Inline-клавиатуру (Ссылка) ---
def get_url_keyboard():
    builder = InlineKeyboardBuilder()
    builder.row(InlineKeyboardButton(
        text="↗️ Подписаться на канал", 
        url="https://news.1rj.ru/str/pythonofff"
    ))
    return builder.as_markup()

# --- Используем в хэндлере ---
@dp.message(Command("start"))
async def cmd_start(message: types.Message):
    await message.answer(
        "Привет! Вот твое меню 👇", 
        reply_markup=get_main_menu()
    )
    
    await message.answer(
        "А это инлайн-кнопка со ссылкой:",
        reply_markup=get_url_keyboard()
    )

💡 В чем сила Builders?
Метод .adjust(2, 1) позволяет одной строчкой настроить "сетку" кнопок. Раньше для этого приходилось писать сложные циклы списков!

Сохраняй, чтобы не гуглить синтаксис каждый раз! 💾

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

✨ Магия Python: Как работают декораторы?

Вы постоянно видите их в коде: @bot.message_handler, @app.route, @staticmethod. Но что на самом деле делает этот символ @?

В Python функции - это объекты. Их можно передавать в другие функции, как обычные переменные.
Декоратор - это просто функция, которая принимает другую функцию, "обертывает" её в дополнительный код и возвращает обратно.

Представьте, что у вас есть подарок (функция). Декоратор - это упаковочная бумага. Подарок внутри тот же, но теперь он выглядит и ведет себя немного иначе.

Пример: Декоратор-логгер
Допустим, мы хотим автоматически писать в консоль, когда функция запустилась и когда завершилась.

def my_logger(func):
    def wrapper():
        print("📢 Запускаю функцию...")
        func()  # Вызываем оригинальную функцию
        print("✅ Функция отработала!")
    return wrapper

# Применяем декоратор
@my_logger
def say_hello():
    print("Привет, мир!")

# Вызываем
say_hello()

Результат в консоли:

📢 Запускаю функцию...
Привет, мир!
✅ Функция отработала!

🤯 Что происходит под капотом?
Синтаксис с @ - это просто "сахар" (упрощение). На самом деле Python делает вот это:

# Это:
@my_logger
def say_hello(): ...

# Равносильно этому:
def say_hello(): ...
say_hello = my_logger(say_hello)

А как это работает в ботах (@dp.message)?
В библиотеках типа aiogram декораторы часто используются для регистрации.
Когда вы пишете @dp.message(), декоратор не меняет код вашей функции, а сообщает Диспетчеру: "Эй, запомни эту функцию! Если придет сообщение, нужно запустить именно её".

Итог: Декораторы нужны, чтобы добавить логику вокруг функции (проверка прав доступа, замер скорости, логирование), не меняя её код внутри.

Ставь ❤️, если магия рассеялась и стало понятнее!

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

⚡ Lambda: Функции-однострочники

В Python часто бывают ситуации, когда вам нужна маленькая функция всего один раз. Например, чтобы отсортировать список по хитрому правилу.

Писать для этого полноценный def, придумывать имя и занимать 3 строки кода - лень и некрасиво. Тут на сцену выходят Lambda-функции (они же анонимные функции).

Синтаксис прост:
lambda аргументы: выражение

Сравните:

# Классический способ
def square(x):
    return x ** 2

# Lambda-стиль
sq = lambda x: x ** 2

🔥 Где это реально нужно?
Чаще всего - внутри функций sorted(), min(), max(), map() или filter().

Пример из жизни:
У нас есть список студентов и их баллов. Нам нужно отсортировать их не по имени, а по баллам.

students = [
    ("Антон", 50),
    ("Вика", 90),
    ("Борис", 75)
]

# Сортируем по 2-му элементу кортежа (x[1])
sorted_students = sorted(students, key=lambda x: x[1])

print(sorted_students)
# [('Антон', 50), ('Борис', 75), ('Вика', 90)]

Внутри key= мы на лету создали функцию, которая принимает студента x и возвращает его балл x[1]. sorted использует это значение для сортировки.

🛑 Когда НЕ надо использовать Lambda:
Не присваивайте лямбды переменным, если планируете использовать их много раз.

# ❌ Плохо (нарушает PEP 8):
f = lambda x: x * 2

# ✅ Хорошо:
def f(x):
    return x * 2

Лямбды созданы, чтобы быть "одноразовыми"!

Используете лямбды или предпочитаете старый добрый def? 👇

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff

⚡ Магия одной строки: List Comprehension

Вы всё еще пишете циклы для заполнения списков вот так?

squares = []
for x in range(10):
    squares.append(x ** 2)

Это работает, но это "старая школа". В Python есть способ сделать это элегантнее, быстрее и понятнее - Списковые включения.

Как это выглядит:
[выражение for элемент in список]

Тот же самый код выше превращается в:

squares = [x ** 2 for x in range(10)]

🚀 Почему это круто?

1. Лаконичность: Меньше кода меньше багов.
2. Скорость: Это работает быстрее обычного цикла for, потому что метод .append() не вызывается на каждой итерации (оптимизация на уровне C).

Уровень PRO: Добавляем условия
Внутри можно использовать if, чтобы фильтровать данные на лету.

Задача: Оставить только четные числа и умножить их на 10.

numbers = [1, 2, 3, 4, 5, 6]

# Читается как английское предложение:
# "x умножить на 10 для каждого x в numbers, если x четный"
result = [x * 10 for x in numbers if x % 2 == 0]

print(result) 
# [20, 40, 60]

💡 Совет: Не увлекайтесь! Если ваше выражение не влезает в одну строку или становится слишком сложным (например, вложенные циклы), лучше вернитесь к старому доброму for. Читаемость важнее понтов!

Часто используете эту конструкцию? Ставьте 🔥!

📲 Мы в MAX

Подписывайтесь на канал 👉@pythonofff