Clean Code (Чистый код) — это подход к написанию программного кода, при котором он становится:

• понятным (его легко читать и понимать другим разработчикам)
• простым в сопровождении и расширении
• надёжным и минимально подверженным ошибкам

Термин стал популярным благодаря книге Роберта Мартина (Robert C. Martin, «Дядя Боб») — Clean Code: A Handbook of Agile Software Craftsmanship.

Основные принципы чистого кода: 1. Читаемость важнее краткости Код пишется для людей, а не для компьютеров. 2. Понятные имена Имена переменных, функций и классов должны отражать их суть. 3. Малые функции и классы Функция должна выполнять одну задачу и делать это хорошо. 4. Избегать дублирования кода Лучше вынести общую логику в отдельный метод или модуль. 5. Ясная структура и форматирование Отступы, пустые строки, разделение логических блоков делают код удобнее. 6. Простота важнее сложности Чем меньше вложенностей и “магии”, тем легче сопровождать. 7. Тестируемость Код должен быть написан так, чтобы его легко было покрыть автоматическими тестами Когда мы пишем код для проектов с искусственным интеллектом (ML/AI), те же принципы чистого кода особенно важны, потому что такие проекты часто сложные, долгосрочные и командные.

ИИ помогает в Clean Code. Современные AI-инструменты (например, GitHub Copilot, ChatGPT) можно использовать для:

• Рефакторинга кода (переписать в стиле Clean Code).
• Анализа читаемости (ИИ может подсказать, где слишком длинные функции или плохие имена).
• Генерации тестов (юнит-тесты, property-based тесты).
• Объяснения кода — ИИ поможет быстро понять чужой legacy-код и переписать его «чисто».
• Рефакторинга кода (переписать в стиле Clean Code).

Пример «грязного» кода для ML-проекта (без Clean Code) import pandas as pd import sklearn from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score

df = pd.read_csv("data.csv") df = df.dropna() X = df.iloc[:, :-1] y = df.iloc[:, -1]

Xtr, Xte, ytr, yte = train_test_split(X, y, test_size=0.3)

m = LogisticRegression() m.fit(Xtr, ytr) p = m.predict(Xte) print("acc=", accuracy_score(yte, p))