Если ваша компания запускает приложения Python на чем -либо старше версии 3.13, вы, вероятно, сжигаете деньги.
Согласно отчету Jetbrains State of Python 2025, ошеломляющие 83% разработчиков Python работают на версиях, которым годично или старше, причем почти половина (48%) все еще на Python 3.11 и 27% на Python 3.10 или ранее.
Но это не просто проблема технического долга. Это финансовое кровоизлияние, исходящее из облачных счетов организаций.
Скрытая стоимость «достаточно хорошей»
Лучшие причины, по которым респонденты дали за то, почему они не используют последнюю версию, включают: «Версия, которую я использую, отвечает всем моим потребностям» (53%) и «У меня не было времени для обновления» (25%).
Это старая стратегия «Если она не сломалась, не исправляйте ее», но эти разработчики не понимают, что их «достаточно хорошие» версии Python стоят их организациям огромные суммы в ненужных расходах на облачные вычисления.
Разрыв в результате эффективности и финансовое влияние
Последние версии Python не только добавили новые функции — они обеспечили существенные улучшения производительности, которые переводят непосредственно к экономии средств. Python от 3,11 до 3,13 обеспечивает примерно на 11% более быстрое выполнение с на 10-15% меньше использования памяти. Прыжки с Python 3,10 до 3,13 представляют собой колоссальное увеличение скорости на 42% с использованием памяти на 20-30%. Эти улучшения представляют собой фундаментальный рост эффективности.
Согласно отчету, для компаний в среднем рынках со средним годовым счетом AWS примерно 2,3 млн. Долл. сша, где EC2 Compute составляет 50-70% расходов (1,15-1,6 млн. Долл. сша), обновление Python от 3,10 до 3,13 может обеспечить потенциальную экономию в размере 420 000 долл. сша в год.
Для крупных предприятий с ежегодными расходами AWS в 24-36 млн. Долл. сша, а EC2 распределяются в 12-25 млн. Долл. сша, потенциальная экономия от того же модернизации достигает 5,6 млн. Долл. сша в год. Эти расчеты предполагают консервативный прирост эффективности на 30% на рабочие нагрузки на вычислительные нагрузки на основе документированных улучшений производительности, показал отчет.
Парадокс контейнеризации
«Опрос также указывает на то, что многие из нас используют Docker и контейнеры для выполнения нашего кода, что делает это 83% или выше еще более удивительным», — написал в блоге Майкл Кеннеди, основатель Talk Python и сотрудника фонда Python Software. «С контейнерами просто выберите последнюю версию Python в контейнере. Поскольку все изолировано, вам не нужно беспокоиться о его взаимодействии с остальной частью системы».
Тем не менее, тот факт, что контейнеризация не ускорила обновления Python, указывает на то, что многие команды разработчиков не знают о финансовых последствиях.
Помимо прямых расчетов
Финансовое воздействие выходит за рамки просто вычисления эффективности. Команды тратят время на работу с ограничениями производительности вместо строительства функций, представляющие альтернативные расходы, которые не отображаются непосредственно в облачных счетах.
«83% разработчиков, работающих на более старых версиях Python, могут пропустить гораздо больше, чем они понимают», — написал Кеннеди. «Дело не только в том, что им не хватает языковых функций. Python 3.11, 3.12 и 3,13 все включают в себя основные преимущества производительности, а предстоящий 3.14 будет включать еще больше».
Обновление экономики
По словам Кеннеди, обновления версий Python предлагают одно из самых высоких улучшений ROI, доступных в разработке программного обеспечения.
«Что удивительно, так это то, что вы получаете эти преимущества, не изменяя свой код», — написал он. «Вы просто выбираете более новое время выполнения, и ваш код работает быстрее. CPYTHON был чрезвычайно хорош в обратной совместимости. Редко существенные усилия, связанные с обновлением».
В отличие от архитектурных изменений или основных проектов рефакторинга, большинство приложений не требуют изменений кода, имеют минимальный риск миграции, обеспечивают немедленные выгоды от выполнения при развертывании и обеспечивают составные сбережения, которые растут при масштабе, отметил Кеннеди.
Фактор науки данных
Опрос показывает, что наука о данных в настоящее время составляет 51% всего использования Python, при этом Pandas и Numpy являются наиболее распространенными инструментами.
Кеннеди подчеркивает значение этого сдвига: «Многие из нас в пространстве уловки Python говорили о Python как о том, что он разделен на трети: одну треть веб-разработки, наука о одной трети и чистая наука, и одна треть как общепринятая корзина»,-написал он. «Нам нужно переосмыслить то позиционирование сейчас, когда одна из этих третей в подавляющем большинстве является наиболее значимой частью Python».
Этот сдвиг в сторону вычислительных рабочих нагрузок делает улучшения производительности еще более финансово значимыми. Рабочие процессы Data Science, включающие в себя большие наборы данных, обучение и вывод модели, сложные статистические вычисления и расширенные задания по обработке пакетов.
Суть
В эпоху, когда организации стремятся оптимизировать затраты и повысить эффективность, обновления версий Python представляют фрукты с низким вижами.
Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Дэррил К. Тафт охватывает DevOps, инструменты разработки программного обеспечения и проблемы, связанные с разработчиком из своего офиса в районе Балтимора. Он имеет более чем 25 -летний опыт работы в бизнесе и всегда ищет следующий совок. Он работал … читайте больше от Дэррила К. Тафта
