Performance on Python Brasil — Aprenda Python em Português

Subinterpreters no Python 3.14: Guia PEP 734

Wed, 29 Apr 2026 10:00:00 -0300

O Python 3.14 trouxe uma das adições mais aguardadas pela comunidade: o módulo interpreters, que expõe os subinterpreters na biblioteca padrão. Definido pela PEP 734, esse recurso permite criar múltiplos interpretadores Python dentro do mesmo processo, cada um com seu próprio GIL, abrindo caminho para paralelismo real sem recorrer a multiprocessing.

Se você já acompanhou as novidades do Python 3.14 ou o avanço do free-threading, os subinterpreters representam outra frente de ataque ao problema de concorrência no Python. Vamos entender como funcionam, quando usar e como implementar na prática.

PyO3: Integrando Rust e Python para Performance

Wed, 29 Apr 2026 00:00:00 +0000

Se existe uma combinação que tem revolucionado o ecossistema Python nos últimos anos, é Python + Rust. Ferramentas que você provavelmente já usa — como Ruff, Polars, Pydantic v2 e o ty type checker — são escritas em Rust e expostas para Python através do PyO3.

O PyO3 é um framework que permite escrever módulos nativos para Python usando Rust, com uma ergonomia surpreendente. Neste artigo, você vai aprender a configurar um projeto PyO3, criar funções e classes acessíveis pelo Python e entender por que essa abordagem supera alternativas tradicionais como ctypes e cffi.

Algoritmos de Ordenacao em Python: sorted(), sort() e Implementacoes

Mon, 27 Apr 2026 00:00:00 +0000

Ordenacao em Python: Do Basico ao Avancado

Ordenar dados e uma das operacoes mais fundamentais da computacao. Em Python, voce tem acesso a ferramentas de ordenacao extremamente eficientes com sorted() e .sort(), alem de poder implementar algoritmos classicos para entender como funcionam por dentro.

Neste guia, vamos cobrir tudo: desde o uso pratico das funcoes built-in ate implementacoes de bubble sort, merge sort e quick sort, com analise de complexidade de cada um.

Busca Binaria em Python: Como Implementar e Quando Usar

Mon, 27 Apr 2026 00:00:00 +0000

O que e Busca Binaria?

Busca binaria e um dos algoritmos mais eficientes para encontrar um elemento em uma colecao ordenada. Em vez de verificar cada elemento um por um (busca linear, O(n)), a busca binaria divide a colecao ao meio a cada passo, alcancando complexidade O(log n).

Na pratica, isso significa que em uma lista com 1 milhao de elementos, a busca binaria precisa de no maximo 20 comparacoes para encontrar qualquer elemento — contra ate 1 milhao na busca linear.

JIT Compiler no Python 3.14: Ganhos Reais de Performance

Tue, 21 Apr 2026 00:00:00 +0000

O Python 3.14 trouxe uma das mudanças mais aguardadas da última década: um compilador JIT (Just-In-Time) integrado diretamente no CPython. Depois de anos sendo criticado por lentidão, o Python agora compila trechos de código para instruções de máquina em tempo de execução, entregando ganhos reais de performance sem que você precise mudar uma linha do seu código.

Neste artigo, vamos explorar como o JIT funciona, quais cenários se beneficiam mais, como ativar e medir os ganhos, e o que isso significa para o futuro do ecossistema Python.

Python 3.15: Lazy Imports na Prática

Fri, 10 Apr 2026 00:00:00 +0000

Entre os assuntos mais interessantes do ecossistema Python em 2026, poucos têm impacto tão imediato no dia a dia quanto os lazy imports do Python 3.15. Em projetos grandes, o custo de importar módulos pode pesar no tempo de inicialização de CLIs, scripts internos, funções serverless e até aplicações web. A proposta da PEP 810 é atacar exatamente esse ponto: permitir que certos imports sejam adiados até o momento em que o código realmente precisar deles.

Python vs Julia: Comparativo Completo | Python Brasil

Fri, 10 Apr 2026 00:00:00 +0000

Python é a linguagem dominante em ciência de dados e IA. Julia foi criada para ser “tão rápida quanto C e tão fácil quanto Python”. Neste comparativo, vamos explorar quando Julia supera Python — e quando Python continua sendo a melhor escolha.

Tabela Comparativa

Aspecto	Python	Julia
Criada em	1991 (Guido van Rossum)	2012 (Jeff Bezanson et al., MIT)
Tipagem	Dinâmica, forte	Dinâmica com tipagem opcional, forte
Compilação	Interpretada (CPython)	JIT compilada (LLVM)
Performance	Moderada (compensada por C/Rust)	Muito alta (próxima de C)
Paradigma	Multiparadigma	Multiple dispatch
Computação numérica	NumPy, SciPy (wrappers C/Fortran)	Nativa — arrays e álgebra linear embutidos
Machine Learning	PyTorch, TensorFlow, scikit-learn	Flux.jl, MLJ.jl
Ecossistema	Gigantesco (400K+ pacotes PyPI)	Crescendo (10K+ pacotes)
Mercado de trabalho	Enorme	Muito nicho
Interop com Python	N/A	PyCall.jl (usa libs Python diretamente)

Sintaxe: Semelhante mas Diferente

Julia e Python compartilham uma sintaxe acessível, mas Julia foi projetada para computação numérica de alto desempenho.

Python vs Go: Qual Melhor para Backend em 2026?

Mon, 30 Mar 2026 00:00:00 +0000

Python e Go são duas das linguagens mais populares para desenvolvimento backend, mas com abordagens radicalmente diferentes. Python aposta em produtividade e ecossistema rico, enquanto Go foca em performance, simplicidade e concorrência nativa.

Neste comparativo para 2026, analisamos quando usar cada uma, com exemplos de código, benchmarks e dados do mercado brasileiro.

Comparação Rápida

Aspecto	Python	Go
Criação	1991 (Guido van Rossum)	2009 (Google)
Tipagem	Dinâmica, forte	Estática, forte
Compilação	Interpretada	Compilada (binário nativo)
Performance	Moderada	Alta (próxima de C)
Concorrência	asyncio, threading	Goroutines (nativo)
Deploy	Requer runtime (Python)	Binário único
Framework web	Django, FastAPI, Flask	Gin, Echo, Chi
Gerenciador de pacotes	pip, UV	go modules
Curva de aprendizado	Suave	Moderada
Uso principal	APIs, IA, dados, automação	Microsserviços, cloud, DevOps

Sintaxe Comparada

API REST Básica

Python com FastAPI:

Python e DuckDB: Análise de Dados Ultrarrápida — 2026 | python.dev.br

Sun, 29 Mar 2026 00:00:00 +0000

Se você trabalha com análise de dados em Python, provavelmente já passou por situações em que o Pandas ficava lento demais para datasets grandes, mas subir um banco de dados completo parecia exagero. É exatamente nesse espaço que o DuckDB brilha — um banco de dados analítico embutido, sem servidor, que roda SQL diretamente em arquivos CSV, Parquet e até DataFrames do Pandas.

Neste artigo, vamos explorar como usar DuckDB com Python, desde a instalação até consultas avançadas, com exemplos práticos para o dia a dia.

Polars em Python: A Alternativa Rápida ao Pandas — 2026 | Python Brasil

Wed, 25 Mar 2026 00:00:00 +0000

Se você trabalha com dados em Python, provavelmente já usa o Pandas no dia a dia. Ele é a biblioteca padrão para manipulação de DataFrames há mais de uma década. Mas nos últimos anos, uma alternativa vem ganhando espaço rapidamente: o Polars — uma biblioteca de DataFrames escrita em Rust, projetada para ser extremamente rápida e eficiente em memória.

Neste artigo, vamos explorar o que torna o Polars especial, comparar com o Pandas em benchmarks reais, e mostrar como começar a usá-lo nos seus projetos.

Python 3.13 Sem GIL: Modo Free-Threaded — 2026 | Python Brasil

Thu, 19 Mar 2026 00:00:00 +0000

Uma das maiores mudanças na história recente do Python chegou com o Python 3.13: o modo free-threaded (também chamado de no-GIL). Pela primeira vez, é possível rodar Python sem o famigerado Global Interpreter Lock, permitindo que múltiplas threads executem código Python em paralelo de verdade.

Neste artigo, vamos entender o que isso significa na prática, como habilitar o modo free-threaded, ver benchmarks comparativos e explorar o que muda para desenvolvedores Python no dia a dia.

Multiprocessing em Python: Guia Pratico

Wed, 18 Feb 2026 00:00:00 +0000

Python tem o famoso GIL (Global Interpreter Lock) que impede que multiplas threads executem bytecode Python simultaneamente. Para tarefas CPU-bound, a solucao e o multiprocessing, que cria processos separados, cada um com seu proprio interpretador e GIL. Neste guia, vamos explorar como usar multiprocessing para acelerar seus programas de forma significativa.

Entendendo o Problema: GIL e CPU-Bound

Antes de paralelizar, e importante entender quando o multiprocessing faz diferenca. Tarefas CPU-bound (calculos matematicos, processamento de dados, compressao) se beneficiam de multiplos processos. Tarefas I/O-bound (requisicoes HTTP, leitura de arquivos) se beneficiam mais de threading ou asyncio.

Python e Redis: Cache e Filas — 2026 | Python Brasil

Wed, 28 Jan 2026 00:00:00 +0000

Redis e um dos bancos de dados em memoria mais usados no mundo. Ele funciona como cache, fila de mensagens, armazenamento de sessoes e muito mais. Com Python, a integracao e simples e poderosa usando a biblioteca redis-py. Neste guia, a gente vai explorar os casos de uso mais comuns com exemplos praticos.

Instalacao e Conexao

pip install redis

Para ter o Redis rodando localmente, use Docker:

docker run -d --name redis -p 6379:6379 redis:7-alpine

Conectando com Python:

Multiprocessing: O que É e Como Funciona | Python Brasil

Sun, 25 Jan 2026 00:00:00 +0000

O que e Multiprocessing?

Multiprocessing e o modulo da biblioteca padrao do Python que permite executar codigo em multiplos processos simultaneamente, aproveitando todos os nucleos da CPU. Diferente de threading, onde o GIL (Global Interpreter Lock) impede a execucao paralela real de codigo Python, cada processo no multiprocessing tem seu proprio interpretador e sua propria memoria, eliminando completamente a limitacao do GIL.

O multiprocessing e a solucao ideal para tarefas CPU-bound — calculos matematicos pesados, processamento de imagens, compressao de dados e qualquer operacao que exige uso intensivo do processador.