В чём пишешь Python?

В чём пишу Python

Как Data Scientist с 10+ лет опыта, я использую несколько инструментов в зависимости от контекста задачи:

1. IDE для Production кода

PyCharm Professional

• Используется для development production-ready кода
• Отличная поддержка отладки и рефакторинга
• Встроенная поддержка git, Docker, SSH
• Мощный анализатор кода
• Отлично работает с Django, FastAPI

# В PyCharm удобно разрабатывать сложные ML pipeline
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier

pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('model', RandomForestClassifier())
])
pipeline.fit(X_train, y_train)

2. Jupyter Notebook для EDA и экспериментов

Jupyter Lab — основной инструмент для исследовательской работы

• Interactively писать и тестировать код
• Визуализировать результаты сразу
• Удобно для экспериментов с данными

# В Jupyter удобно исследовать данные
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data.csv')
print(df.head())
print(df.info())
df.describe()

plt.figure(figsize=(10, 6))
df['column'].hist(bins=50)
plt.show()

VS Code с расширением Jupyter

• Лёгкий и быстрый
• Хорошая интеграция с git
• Меньше памяти

3. VS Code для написания скриптов

Использую для:

• Написания утилит и скриптов обработки
• Работы с конфигурационными файлами
• Быстрого редактирования файлов

Расширения:

• Python (Microsoft)
• Pylance (для type checking)
• Black (форматирование кода)
• isort (сортировка импортов)

4. Google Colab для работы с GPU

# Colab автоматически предоставляет GPU/TPU
# Идеально для обучения нейросетей

import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))

# Обучение на GPU бесплатно!

5. Командная строка и make

Для выполнения задач и автоматизации:

# Запуск тестов
make test

# Форматирование кода
make lint

# Обучение модели
make train

# Создание окружения
make setup

Рабочий workflow

Исследовательская фаза:

1. Открываю Jupyter Lab
2. Загружаю данные
3. EDA (визуализация, статистика)
4. Экспериментирую с моделями
5. Сохраняю лучший код в .py файлы

Production фаза:

1. Переношу код в PyCharm
2. Рефакторю и оптимизирую
3. Добавляю unit тесты
4. Настраиваю logging и error handling
5. Развертываю на production

Рекомендации по инструментам

Для начинающего Data Scientist:

• Google Colab (бесплатно, GPU)
• VS Code (лёгкий, универсальный)
• Jupyter Notebook (исследование)

Для опытного Data Scientist:

• PyCharm Professional (production код)
• Jupyter Lab (исследование)
• VS Code (скрипты, конфиги)
• Git + GitHub (версионирование)

Для production ML систем:

• PyCharm Professional
• pytest для тестирования
• Docker для контейнеризации
• CI/CD pipeline (GitHub Actions, GitLab CI)

Окружение и управление зависимостями

Poetry — мой выбор для управления зависимостями

# Создать новый проект
poetry new my_project

# Добавить зависимость
poetry add scikit-learn pandas numpy

# Установить зависимости из файла
poetry install

# Запустить скрипт в окружении
poetry run python script.py

Conda — альтернатива для data science

conda create -n ds-env python=3.11 numpy pandas scikit-learn
conda activate ds-env

Расширения и плагины, которые использую

PyCharm:

• Rainbow Brackets
• CSV Editor
• Markdown
• GitHub Copilot

VS Code:

• Python (Microsoft)
• Pylance
• Error Lens
• Jupyter
• Black Formatter
• Thunder Client (для API)

Версионирование и сотрудничество

Всегда использую Git для версионирования кода:

# Создать новую ветку для features
git checkout -b feature/new-model

# Коммитить регулярно
git commit -m "Add LSTM model for time series"

# Push в remote
git push origin feature/new-model

# Pull request для review

Заключение

Мой основной стек:

1. Исследование: Jupyter Lab + VS Code
2. Production: PyCharm + pytest + Docker
3. GPU работа: Google Colab
4. Управление кодом: Git + GitHub
5. Управление зависимостями: Poetry

Ключная идея — выбирать инструмент в зависимости от этапа проекта. Для быстрого прототипирования Jupyter идеален, для надёжного production кода нужен полноценный IDE с хорошей поддержкой тестирования и отладки.

Весь код лучше организовывать по лучшим практикам: чистая архитектура, type hints, unit тесты, логирование. Инструмент — это только средство, главное — качество кода.