1. Filozofia i Podstawy: Zrozumienie "Dlaczego" w Pythonie¶

Kluczowe Różnice Filozoficzne¶

Przejście z C++ czy C# na Pythona to przede wszystkim zmiana sposobu myślenia. C++ optymalizuje czas wykonania przez maszynę, dając programiście pełną kontrolę. Python optymalizuje czas pracy dewelopera, stawiając na czytelność i szybkość tworzenia oprogramowania.

Język Interpretowany vs. Kompilowany: Prawda leży pośrodku¶

Określenie Pythona jako języka "interpretowanego" jest uproszczeniem. W rzeczywistości standardowa implementacja (CPython³) najpierw kompiluje kod źródłowy .py do formy pośredniej zwanej bytecode i zapisuje go w plikach .pyc. Ten bytecode jest następnie wykonywany przez Maszynę Wirtualną Pythona (PVM).

• Proces ten jest analogiczny do kompilacji C# do CIL (Common Intermediate Language) i wykonywania go przez CLR (.NET Runtime).

• Pliki .pyc są tworzone automatycznie (w katalogu __pycache__), aby przyspieszyć ładowanie modułów przy kolejnych uruchomieniach.

• Główna różnica polega na tym, że cały proces jest ukryty i dzieje się w locie, co zapewnia błyskawiczny cykl deweloperski (edytuj -> uruchom) bez widocznego etapu kompilacji. Możemy też "na żywo" uruchamiać kod w interpreterze Python, co jest bardzo przydatne podczas debugowania.

• Konsekwencją jest to, że błędy typów są wykrywane dopiero w momencie wykonania danej linii kodu, a nie na etapie budowania projektu.

flowchart LR
    A["Kod źródłowy<br/>.py"] -->|kompilacja| B["Bytecode<br/>.pyc"]
    B -->|wykonanie| C["Maszyna Wirtualna<br/>Pythona (PVM)"]

    A2["Kod źródłowy<br/>.cs"] -->|kompilacja| B2["CIL<br/>.dll / .exe"]
    B2 -->|wykonanie JIT| C2["CLR<br/>(.NET Runtime)"]

    subgraph Python
        A --> B --> C
    end
    subgraph "C# (dla porównania)"
        A2 --> B2 --> C2
    end

Zarządzanie Pamięcią: Komfort i Bezpieczeństwo¶

To jedna z największych zmian podnoszących komfort pracy. W Pythonie zapominasz o manualnym zarządzaniu pamięcią – nie ma tu wskaźników, new/delete ani malloc/free.

• Główny mechanizm to zliczanie referencji (reference counting). Każdy obiekt w pamięci ma licznik, który śledzi, ile zmiennych (nazw) na niego wskazuje. Gdy licznik spada do zera, obiekt jest usuwany.

• Dodatkowo Garbage Collector (GC) posiada mechanizmy do wykrywania i usuwania cyklicznych odwołań, z którymi sam licznik referencji by sobie nie poradził.

• Dla dewelopera oznacza to koniec ręcznego zarządzania pamięcią (brak free()/delete) i wiszących wskaźników (dangling pointers), co eliminuje całą klasę trudnych błędów.

• Ceną za tę wygodę jest pewien narzut wydajnościowy i mniejsza kontrola nad układem danych w pamięci.

GIL i free-threading: koniec ery jednego wątku¶

To zagadnienie zaskakuje deweloperów przychodzących z C++, C# czy Javy, gdzie prawdziwa, równoległa wielowątkowość jest oczywistością.

• Historycznie CPython chroniony był przez GIL (Global Interpreter Lock) - globalną blokadę, która pozwalała wykonywać bytecode tylko jednemu wątkowi naraz. Nawet na 16-rdzeniowym procesorze kod Pythona w wątkach (threading) nie liczył się równolegle.

• W praktyce oznaczało to, że wielowątkowość w Pythonie przyspieszała jedynie zadania ograniczone wejściem/wyjściem (I/O-bound: sieć, dysk), a nie zadania obliczeniowe (CPU-bound). Dla równoległości obliczeń stosowano multiprocessing (osobne procesy, osobne interpretery) lub przenoszono ciężkie pętle do bibliotek w C/Rust (NumPy).

• Od Pythona 3.14¹ build free-threaded (no-GIL) jest oficjalnie wspierany (PEP 779²) - wcześniej, w 3.13, miał status eksperymentalny. W tej konfiguracji wątki mogą wreszcie wykonywać kod Pythona naprawdę równolegle.

Znaczące Wcięcia (Indentation): Koniec z Nawiasami Klamrowymi¶

Python używa wcięć (standardowo 4 spacje) do definiowania bloków kodu. To jedna z najbardziej charakterystycznych cech. Zastępuje to nawiasy klamrowe {} znane z C++/C#.

# C++/C#
# if (wiek > 18) {
#     printf("Pełnoletni");
#     // inne operacje
# }

# Python
wiek = 18
if wiek >= 18:
    print("Jesteś pełnoletni.")
else:
    print("Nie jesteś jeszcze pełnoletni.")

Zalety: Wymusza czysty i spójny styl kodu w całym ekosystemie. Wady: Początkowo może być źródłem błędów (IndentationError), zwłaszcza przy kopiowaniu kodu. Dobre IDE (jak VS Code czy PyCharm) rozwiązuje ten problem.

Model Parametrów: "Pass-by-Object-Reference"¶

Python nie używa ani klasycznego "przekazywania przez wartość", ani "przekazywania przez referencję". Stosuje model, który najtrafniej określa się jako "pass-by-object-reference" lub "pass-by-assignment".

Zachowanie zależy od tego, czy przekazywany obiekt jest mutowalny (np. list, dict), czy niemutowalny (np. int, str, tuple).

Przykład z obiektem mutowalnym (efekt jak pass-by-reference):¶

Gdy modyfikujesz obiekt mutowalny wewnątrz funkcji, zmiany są widoczne na zewnątrz, ponieważ zarówno zewnętrzna, jak i wewnętrzna zmienna wskazują na ten sam obiekt w pamięci.

def modify_list(my_list: list):
    # Modyfikujemy ORYGINALNY obiekt w miejscu
    my_list.append(4)
    print(f"  Wewnątrz funkcji, id: {id(my_list)}")

data = [1, 2, 3]
print(f"Przed wywołaniem: {data}, id: {id(data)}")
modify_list(data)
print(f"Po wywołaniu:    {data}, id: {id(data)}") # -> [1, 2, 3, 4]

Przykład z obiektem niemutowalnym (efekt jak pass-by-value):¶

Próba "modyfikacji" obiektu niemutowalnego (np. przez + 1) w rzeczywistości tworzy nowy obiekt. Lokalna zmienna wewnątrz funkcji zaczyna wskazywać na ten nowy obiekt, ale oryginalna zmienna na zewnątrz pozostaje nietknięta.

def reassign_number(my_number: int):
    # my_number = my_number + 1 tworzy NOWY obiekt int
    # i przypisuje go do lokalnej nazwy my_number
    my_number += 1
    print(f"  Wewnątrz funkcji, id: {id(my_number)}")


num = 10
print(f"Przed wywołaniem: {num}, id: {id(num)}")
reassign_number(num)
print(f"Po wywołaniu:    {num}, id: {id(num)}") # -> 10

System Typów w Praktyce¶

Dynamiczne Typowanie vs. auto w C++¶

W Pythonie typ jest powiązany z obiektem, a nie ze zmienną. Zmienna jest tylko "pojemnikiem" lub etykietą, którą można w każdej chwili "przekleić" na inny obiekt, nawet innego typu. W przeciwieństwie do większości innych języków programowania, w Pythonie nie musimy deklarować typu zmiennej.

# Python
x = 10          # x jest teraz etykietą dla obiektu typu int
x = "hello"     # teraz x jest etykietą dla obiektu typu str
x = [1, 2, 3]   # a teraz dla obiektu typu list

Porównanie do auto w C++ jest pomocne, ale z kluczową różnicą: auto w C++ dedukuje typ w czasie kompilacji i ten typ staje się stały dla danej zmiennej. W Pythonie typ jest sprawdzany dynamicznie w czasie wykonania.

Wskazówki Typów (Type Hints)¶

Python pozwala na dodawanie opcjonalnych wskazówek typów, które nie wpływają na wykonanie kodu (interpreter je ignoruje), ale są nieocenione dla narzędzi do statycznej analizy, edytorów kodu (lepsze autouzupełnianie) i czytelności.

def calculate_price(quantity: int, price: float) -> float:
    return quantity * price

Wskazówki typów same w sobie niczego nie sprawdzają - potrzebujesz do tego osobnego type checkera. Dostępne narzędzia:

• mypy - dojrzały, de facto standard, najszerzej wspierany przez ekosystem.

• pyright - type checker od Microsoftu, osiąga ~98% zgodności z oficjalną specyfikacją systemu typów; napędza wsparcie Pythona w VS Code (rozszerzenie Pylance).

• ty - nowy type checker od firmy Astral (twórców uv i ruff), napisany w Rust, 10–100x szybszy od mypy i Pyright. Status: wczesna wersja eksperymentalna (0.0.x, od grudnia 2025). Spina się w jeden, spójny toolchain razem z uv i ruff.

Podstawowe Struktury Danych: Odpowiedniki z C++ i C¶

Twoja znajomość kontenerów z biblioteki STL (Standard Template Library) oraz .NET (C#) jest w pełni transferowalna. Python oferuje wbudowane, niezwykle wydajne i elastyczne odpowiedniki.

Programowanie Obiektowe¶

__init__ i self¶

W Pythonie konstruktor to specjalna metoda __init__ (ściślej: __init__ jest inicjalizatorem - obiekt tworzy __new__; różnica ma znaczenie przy dziedziczeniu z typami niezmiennymi jak int czy tuple). Pierwszy argument każdej metody instancji to, z konwencji, self. Jest to jawny odpowiednik wskaźnika this z C++ czy C#.

class KontoBankowe:
    # Metoda __init__ to konstruktor
    def __init__(self, wlasciciel: str, saldo_poczatkowe: float = 0.0):
        # self odnosi się do konkretnej instancji
        self.wlasciciel = wlasciciel
        self.saldo = saldo_poczatkowe

    def wplata(self, kwota: float):
        self.saldo += kwota
        print(f"Wpłacono {kwota}. Nowe saldo: {self.saldo}")

Wielodziedziczenie i MRO (Method Resolution Order)¶

Python wspiera wielodziedziczenie z inteligentnym algorytmem MRO (ang. "Method Resolution Order"), który rozwiązuje konflikty, określając jednoznaczną kolejność przeszukiwania klas bazowych w poszukiwaniu metody.

class Pracownik:
    def __init__(self, pensja):
        self.pensja = pensja

    def info_praca(self):
        return f"Zarabiam {self.pensja} PLN miesięcznie."

class Student:
    def __init__(self, kierunek):
        self.kierunek = kierunek

    def info_studia(self):
        return f"Studiuję kierunek {self.kierunek}."

class StudentPracujacy(Student, Pracownik):  # Wielodziedziczenie
    def __init__(self, imie, kierunek, pensja):
        Student.__init__(self, kierunek)
        Pracownik.__init__(self, pensja)
        self.imie = imie

    def przedstaw_sie(self):
        return f"Jestem {self.imie}. {self.info_studia()} {self.info_praca()}"

Algorytm MRO ustala liniową kolejność, w jakiej Python przeszukuje klasy w poszukiwaniu metody. Dla powyższej hierarchii wygląda ona tak - od klasy najbardziej szczegółowej aż po wspólną bazę object:

flowchart LR
    A["StudentPracujacy"] --> B["Student"]
    B --> C["Pracownik"]
    C --> D["object"]

Wywołanie metody na obiekcie StudentPracujacy sprawdza klasy w tej właśnie kolejności i używa pierwszej znalezionej definicji. Kolejność Student przed Pracownik wynika wprost z kolejności klas bazowych w deklaracji class StudentPracujacy(Student, Pracownik). Pełną listę MRO danej klasy podejrzysz przez StudentPracujacy.__mro__ lub StudentPracujacy.mro().

Enkapsulacja: Konwencja zamiast Wymuszenia¶

Python nie ma słów kluczowych public, private czy protected. Zamiast tego stosuje konwencje nazewnicze:

• _atrybut: Traktowany jako "chroniony". Deweloperzy wiedzą, że nie powinni go używać poza klasą lub jej podklasami.

• __atrybut: Traktowany jako "prywatny". Python stosuje tzw. name mangling, zmieniając nazwę na _NazwaKlasy__atrybut, co utrudnia przypadkowy dostęp.

class KontoBankowe:
    def __init__(self, wlasciciel, saldo):
        self.wlasciciel = wlasciciel  # publiczny
        self._historia = []  # chroniony
        self.__saldo = saldo  # prywatny

    def sprawdz_saldo(self):
        # Dostęp do prywatnego atrybutu wewnątrz klasy
        return self.__saldo

Klasy Abstrakcyjne z modułem abc¶

Python implementuje klasy abstrakcyjne za pomocą modułu abc, który pozwala definiować metody, które muszą być zaimplementowane przez klasy pochodne. Zapobiega to tworzeniu instancji klas, które nie są w pełni zdefiniowane.

from abc import ABC, abstractmethod

class InstrumentFinansowy(ABC):
    def __init__(self, nazwa, wartosc):
        self.nazwa = nazwa
        self.wartosc = wartosc

    @abstractmethod
    def oblicz_ryzyko(self):
        pass

class Akcja(InstrumentFinansowy):
    def oblicz_ryzyko(self):
        return "Wysokie"

Praca z Plikami¶

Podstawowe Operacje na Plikach i Menedżer Kontekstu with¶

Blok with to zalecany sposób pracy z plikami w Pythonie, który zapewnia automatyczne zamykanie plików nawet w przypadku wystąpienia błędów.

# Zapis do pliku (nadpisuje istniejący plik)
with open("wyniki.txt", "w", encoding="utf-8") as plik:
    plik.write("To jest przykładowy tekst.\n")
    plik.write("To jest druga linia tekstu.")

# Odczyt pliku
with open("wyniki.txt", "r", encoding="utf-8") as plik:
    for linia in plik:
        print(linia.strip()) # strip() usuwa białe znaki, jak '\n'

Tryby otwarcia pliku: r (odczyt), w (zapis), a (dopisywanie), + (np. r+ do odczytu i zapisu), b (tryb binarny).

Praca z Plikami CSV¶

Moduł csv ułatwia pracę z plikami Comma-Separated Values, automatycznie obsługując separatory i cudzysłowy. DictReader i DictWriter pozwalają na pracę z wierszami jako słownikami.

import csv

# Zapis do CSV za pomocą DictWriter
with open("dane.csv", "w", encoding="utf-8", newline='') as plik:
    naglowki = ["imie", "nazwisko", "wiek"]
    pisarz = csv.DictWriter(plik, fieldnames=naglowki)
    pisarz.writeheader()
    pisarz.writerow({"imie": "Jan", "nazwisko": "Kowalski", "wiek": "35"})

# Odczyt z CSV za pomocą DictReader
with open("dane.csv", "r", encoding="utf-8") as plik:
    czytnik = csv.DictReader(plik)
    for wiersz in czytnik:
        print(wiersz['imie'], wiersz['nazwisko'])

Praca z Plikami JSON¶

Python posiada wbudowaną bibliotekę json do serializacji i deserializacji danych w tym popularnym formacie.

import json

dane_python = {'imie': 'Anna', 'wiek': 28, 'hobby': ['sport', 'książki']}

# Zapis do pliku JSON
with open('dane.json', 'w', encoding='utf-8') as f:
    json.dump(dane_python, f, ensure_ascii=False, indent=2)

# Odczyt z pliku JSON
with open('dane.json', 'r', encoding='utf-8') as f:
    wczytane_dane = json.load(f)
    print(wczytane_dane['hobby'])

Obsługa Błędów i Debugowanie¶

Obsługa Wyjątków: try...except¶

Blok try...except pozwala na elegancką obsługę błędów, które mogą wystąpić w trakcie działania programu, zapobiegając jego awarii.

try:
    wiek_tekst = input("Podaj swój wiek: ")
    wiek = int(wiek_tekst)
    print(f"Za 10 lat będziesz miał {wiek + 10} lat.")
except ValueError:
    print("Błąd: Wprowadzona wartość nie jest poprawną liczbą.")
except Exception as e:
    print(f"Wystąpił nieoczekiwany błąd: {e}")
finally:
    print("Ten blok wykona się zawsze, na koniec.")

Najczęstsze wyjątki: FileNotFoundError, PermissionError, TypeError, ValueError, NameError, IndexError, KeyError.

Debugowanie¶

Debugowanie to proces znajdowania i naprawiania błędów.

• Prosta technika: Używanie print() do śledzenia wartości zmiennych w różnych punktach programu.

• Analiza śladu błędu (traceback): Python w razie błędu wyświetla ślad, który należy czytać od dołu do góry, aby zlokalizować linię i typ błędu.

• Debuggery: Zaawansowane narzędzia (wbudowane w IDE jak PyCharm, VS Code lub pdb w terminalu) pozwalają na zatrzymywanie wykonania programu, inspekcję zmiennych i śledzenie krok po kroku.

• Funkcja breakpoint(): Wbudowana funkcja (od Pythona 3.7) i nowoczesny sposób wejścia do debuggera. Wystarczy wstawić w kodzie linię breakpoint() zamiast dawnego import pdb; pdb.set_trace(). Domyślnie uruchamia pdb, ale poprzez zmienną środowiskową PYTHONBREAKPOINT można podpiąć dowolny inny debugger (lub całkowicie go wyłączyć: PYTHONBREAKPOINT=0).

def podziel(a: float, b: float) -> float:
    breakpoint()  # wykonanie zatrzyma się tutaj - wejdziesz w interaktywny debugger
    return a / b

Wprowadzenie do Ekosystemu Pythona¶

Python to nie tylko język, ale potężny ekosystem bibliotek do różnorodnych zastosowań.

Analiza Danych z pandas¶

pandas to kluczowa biblioteka do manipulacji i analizy danych. Jej podstawowe struktury to Series (jednowymiarowa) i DataFrame (dwuwymiarowa, jak tabela).

import pandas as pd

# Tworzenie DataFrame
data = {'Kraj': ['Polska', 'Niemcy', 'Francja'], 'PKB (mld USD)': [674, 4223, 3049]}
df = pd.DataFrame(data)

# Podstawowe operacje
print(df.describe())  # Statystyki opisowe
print(df[df['PKB (mld USD)'] > 1000]) # Filtrowanie

Wizualizacja Danych z matplotlib i plotly¶

• Matplotlib: Standardowa biblioteka do tworzenia statycznych wykresów wysokiej jakości.

• Seaborn: Nadbudowa nad Matplotlibem - udostępnia wysokopoziomowe API do estetycznych wykresów statystycznych (rozkłady, korelacje, mapy ciepła) i dobrze współpracuje z DataFrame.

• Plotly: Służy do tworzenia interaktywnych wykresów, idealnych do aplikacji webowych i dashboardów.

import matplotlib.pyplot as plt

df.plot(kind='bar', x='Kraj', y='PKB (mld USD)', title='PKB w wybranych krajach')
plt.ylabel('mld USD')
plt.show()

Tworzenie Aplikacji Webowych z Flask i Django¶

• Flask: Mikro-framework, elastyczny i prosty, idealny do małych projektów i API.

• Django: "Baterie w zestawie", kompleksowy framework do budowy dużych, skalowalnych aplikacji webowych.

Tworzenie Gier z pygame¶

pygame to popularna biblioteka do tworzenia gier 2D, która obsługuje grafikę, dźwięk i obsługę zdarzeń.

Uczenie Maszynowe i Deep Learning¶

• Scikit-learn: Podstawowa biblioteka do klasycznego uczenia maszynowego (klasyfikacja, regresja, klasteryzacja). Pierwszy wybór dla danych tabelarycznych.

• PyTorch: Dziś dominujący framework deep learningu - zarówno w badaniach, jak i w produkcji. Jego dynamiczny graf obliczeniowy i pythonowe API uczyniły go faktycznym standardem.

• Keras 3: Współcześnie wieloplatformowy (multi-backend) - ta sama wysokopoziomowa nadbudowa potrafi działać na PyTorch, JAX lub TensorFlow. Dawny opis „Keras + TensorFlow jako nierozłączna para” jest już nieaktualny.

• TensorFlow / JAX: TensorFlow wciąż obecny, zwłaszcza w istniejących systemach produkcyjnych; JAX ceniony w badaniach za szybkie obliczenia numeryczne i automatyczne różniczkowanie.

Generatywne AI (GenAI) i LLM¶

• Hugging Face: Centrum ekosystemu modeli otwartych. Biblioteki transformers (modele) i datasets (zbiory danych) to standard pracy z gotowymi modelami.

• Klienci API LLM: Oficjalne SDK dostawców modeli komercyjnych - openai, anthropic, google-genai.

• LangChain 1.0 + LangGraph 1.0: Frameworki do budowy aplikacji LLM. LangGraph wnosi koncepcję trwałych agentów (durable agents) - agentów o jawnym stanie, zdolnych do wznawiania pracy.

• PydanticAI: Framework agentowy oparty na Pydantic, ze ścisłym typowaniem i walidacją wyjścia modelu.

• LlamaIndex: Wyspecjalizowany w budowie potoków RAG (Retrieval-Augmented Generation) i indeksowaniu danych.

• CrewAI: Framework do orkiestracji wielu współpracujących agentów (multi-agent).