Python вопросы с собеседований

❤️❤️❤️❤️❤️❤️❤️❤️ Git Quest: 12 заданий до Нового года 🎁 SourceCraft приглашает разработчиков в новогодний Git-квест! 12 заданий — от выращивания ASCII-ёлки до спасения подарков через git bisect. 🎅 Персональный рейтинг — чем активнее коммитишь, тем выше в лидерборде. 🎅 Истории, пасхалки и праздничные шаги: украшай репозиторий, помогай Деду Морозу, прокачивай свой Git. Старт — 10 декабря, финал — 30 декабря, а пока можешь потренироваться — первое задание уже открыто. Приготовь оливье, включи IDE и отправляйся в путешествие по новогоднему репозиторию.

🎉 Превратите статьи в слайды за один клик! 🎉 Paper2Slides позволяет быстро создавать профессиональные слайды и постеры из научных статей и документов. Поддерживает множество форматов, включая PDF и Word, с точным извлечением данных и возможностью кастомизации стилей. 🚀 Основные моменты: - 📄 Поддержка различных форматов документов - 🎯 Точное извлечение контента с сохранением источников - 🎨 Возможность кастомизации стилей с помощью естественного языка - ⚡ Быстрое создание слайдов с режимом предварительного просмотра 📌 GitHub: https://github.com/HKUDS/Paper2Slides #python

🖥 Как правильно задавать разные потоки случайности в Python Не полагайся на “хитрые” семена случайности в Python! Python игнорирует знак числа в random.seed, поэтому seed от трех и seed от минус трех дают одинаковые результаты. Разные seed не обязательно означают разные потоки — Python гарантирует только одно: одинаковый seed → одинаковая последовательность. Если нужны независимые случайные потоки - создавай отдельные RNG или используй разные числовые диапазоны, а не вариации знака.

import random

rng_train = random.Random(42)   # отдельный генератор для train
rng_test  = random.Random(99)   # отдельный генератор для test

print(rng_train.randint(1, 100))
print(rng_test.randint(1, 100))

https://www.youtube.com/shorts/TLNqDK6qQmU

🐍 Хитрая ловушка в Python, на которую попадаются даже опытные

matrix = [[0] * 3] * 3

matrix[0][0] = 1
matrix[1].append(9)

print(matrix)
print(len(matrix))
print(len(matrix[0]))

Интуитивно кажется, что это создаёт независимые строки матрицы. Но на самом деле Python копирует ссылки - все три строки указывают на один и тот же список. 🔍 Поэтому изменение matrix[0][0] или append() влияет сразу на все строки. 🧠 Вывод программы: [[1, 0, 0, 9], [1, 0, 0, 9], [1, 0, 0, 9]] 3 4 ✔️ Как правильно создавать матрицу с независимыми строками: matrix = [[0] * 3 for _ in range(3)] Теперь каждая строка - отдельный список, и изменения не “протекают” по всей матрице.

🔥 Удобный контекстный менеджер для работы с файлами Использование контекстного менеджера делает работу с файлами более безопасной и удобной. В этом примере мы создадим собственный контекстный менеджер для автоматического закрытия файла и обработки ошибок.

class ManagedFile:
    def __init__(self, filename, mode):
        self.filename = filename
        self.mode = mode
        self.file = None

    def __enter__(self):
        self.file = open(self.filename, self.mode)
        return self.file

    def __exit__(self, exc_type, exc_val, exc_tb):
        if self.file:
            self.file.close()

with ManagedFile('example.txt', 'w') as f:
    f.write('Hello, Custom Context!')

🧠 Продвинутая типизация Python, о которой почти никто не знает Статья показывает, что Python уже давно вышел за рамки простых List[int] и Optional[str]. Главные идеи: ✔️ TypeGuard и новый TypeIs позволяют писать функции, которые доказательно сужают типы - например, проверка превращает Any в конкретный тип для дальнейшего кода. ✔️ assert_never из typing помогает ловить случаи, когда ты забыл обработать один из вариантов, что особенно важно в match и сложных условных ветках. ✔️ Python 3.13+ добавляет улучшенный вывод типов и строгие проверки, чтобы типизированный код стал надёжнее. ✔️ Поддержка typed function overloading - теперь можно описывать разные сигнатуры для одной функции, и анализаторы понимают их корректно. 📌 Вывод из статьи - Python типизация уже стала инструментом для архитектуры и предотвращения ошибок, особенно в больших проектах. Но большинство разработчиков использует только её простейший слой. Кому полезно: • работаешь с крупными кодовыми базами • пишешь библиотеки • хочешь меньше скрытых багов и более предсказуемые refactor-ы Источник: martynassubonis.substack.com/p/advanced-overlooked-python-typing

🐍⚙️ Python + Docker совет: Не устанавливай зависимости в образ на «сыром» pip install — используй фиксированные версии и слой кеширования. Правильный паттерн: 1) сначала COPY requirements.txt 2) затем RUN pip install -r requirements.txt 3) потом COPY исходники Так Docker кеширует слой с зависимостями — при изменении кода пересобирается только последний слой, а не весь образ. Это ускоряет CI/CD в разы и делает сборки предсказуемыми.

🔍Тестовое собеседование на Middle Python с разработчиком из Авито завтра 9 декабря(уже завтра!) в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Дане Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. О рекламодателе.

🚀 DR Tulu: Reinforcement Learning for Deep Research DR Tulu-8B — первый открытый модель для долгосрочных задач глубоких исследований. Она демонстрирует конкурентоспособные результаты на бенчмарках, сопоставимых с OpenAI. Репозиторий включает библиотеки для разработки агентов, обучение с помощью RL и SFT. 🚀Основные моменты: - Мощная библиотека агентов для глубоких исследований. - Обучение с эволюционными рубриками. - Поддержка высококонкурентного асинхронного управления запросами. - Интеграция с существующими моделями и фреймворками. 📌 GitHub: https://github.com/rlresearch/dr-tulu

🔥 На stepik вышел курс, который учит Создавать настоящие AI-сервисы, а не просто запускать скрипты? Этот практический курс по Python и FastAPI покажет, как собрать полноценное приложение с ИИ, базой данных, автогенерацией контента и Telegram-ботом. Ты пройдёшь путь от первого HTTP-запроса до рабочего сервиса, который сам генерирует текст через ИИ, сохраняет данные, отправляет результаты по расписанию и отвечает пользователям. Никакой теории ради теории - только практические шаги, из которых рождается реальный продукт. 🎁 48 часов действует скидка в 40% процентов 👉 Начать учиться на Stepik

🔥Python: САМЫЙ ЭФФЕКТИВНЫЙ АЛГОРИТМ ДЛЯ ПОИСКА Нет «одного» идеального алгоритма на все случаи жизни, но для поиска по отсортированным данным классика — бинарный поиск с сложностью О лог н. Вместо того чтобы проходить весь список по очереди, он каждый раз делит диапазон пополам и быстро сужает область поиска. Главное правило: если можешь отсортировать данные и потом искать — почти всегда лучше использовать бинарный поиск, а не линейный проход.

nums = [1, 4, 7, 9, 15, 20, 33, 42]

def binary_search(arr, target):
    left, right = 0, len(arr) - 1
    while left <= right:
        mid = (left + right) // 2
        if arr[mid] == target:
            return True
        if arr[mid] < target:
            left = mid + 1
        else:
            right = mid - 1
    return False

print(binary_search(nums, 33))
print(binary_search(nums, 100))

❌ НЕЛЬЗЯ ТАК ИСПОЛЬЗОВАТЬ LAMBDA В PYTHON Главная ошибка - превращать lambda в свалку логики: добавлять туда побочные эффекты, вызовы print, длинные условия и вычисления. Такие лямбды плохо читаются, их невозможно нормально отлаживать, и они нарушают саму идею — быть короткой и чистой функцией. Всё сложное нужно выносить в обычную функцию. Подписывайся, больше фишек каждый день !

# нельзя так делать — lambda с изменением состояния
data = [1, 2, 3]
logs = []

# опасный антипаттерн
process = lambda x: logs.append(f"processed {x}") or (x * 10)

result = [process(n) for n in data]

print("RESULT:", result)
print("LOGS:", logs)

⚡️Представь: ты дошёл до оффера в Big Tech, осталось «просто поболтать про прошлый опыт» — и именно тут тебя разворачивают. Разница между middle и senior — это не только LeetCode и system design, а то, как ты говоришь о своих проектах. 🔥9 декабря в 19.00 мск. приглашаем на открытый вебинар «Самое важное интервью при устройстве в Big Tech». Спикер: Даня Слободенюк, Team Lead разработки в ex-Yandex, ex-T-Bank, ex-Sber, founder algocode Вопросы: • устройство секции про прошлый опыт • как структурировать рассказ о сложном проекте • как разбирать факапы и показывать лидерство • типовые вопросы про масштабирование и «пожары» • как эта секция решает твой грейд и ЗП 🎁Бонус: доступ к algocode на 3 дня за 1 рубль, чек-лист по прохождению секции 👉Регистрация algocode помогает готовиться к собеседованиям в Big Tech — от алгоритмов и system design до таких «простых» секций про прошлый опыт. #реклама О рекламодателе

🚨 SQL Никогда НЕ ДЕЛАЙ ТАК #sql НИКОГДА НЕ ЛОМАЙ ИНДЕКСЫ ФУНКЦИЯМИ: не оборачивай индексируемые поля в функции внутри WHERE. Как только ты пишешь LOWER(), CAST(), COALESCE() или любые вычисления по колонке — индекс перестаёт работать, и запрос падает в полное сканирование таблицы. Это одна из самых тихих причин, почему запросы внезапно превращаются в тормоза. Вместо этого приводи значения заранее или используй функциональные индексы.

 Плохо: индекс по email НЕ используется  
SELECT *  
FROM users  
WHERE LOWER(email) = 'user@example.com';

-- Хорошо: нормализуем значение заранее  
SELECT *  
FROM users  
WHERE email = 'user@example.com';

-- Или создаём функциональный индекс (PostgreSQL)  
CREATE INDEX idx_users_email_lower ON users (LOWER(email));

https://www.youtube.com/shorts/AyiAslOeJFA

🕔 Как сделать задержку в Python разными способами В Python есть несколько способов сделать задержку, и каждый подходит под разные задачи. Обычная пауза - через time.sleep(). Неблокирующая задержка - через asyncio.sleep() в асинхронном коде. Точная задержка в цикле — через time.perf_counter(). Выбирайте под свой сценарий. import time

print("Старт")
time.sleep(2)   # простая задержка
print("Пауза 2 секунды завершена")

#2 вариант
import asyncio

async def main():
    print("Асинхронный старт")
    await asyncio.sleep(1.5)  # не блокирует поток
    print("Прошла асинхронная задержка 1.5 сек")

asyncio.run(main())

#3 вариант
import time

start = time.perf_counter()
while time.perf_counter() - start < 1:   # точная контрольная задержка ~1 сек
    pass

print("Прошла точная задержка без sleep")

👩‍💻 Всем программистам посвящается! Вот 16 авторских обучающих IT каналов по самым востребованным областям программирования: Выбирай своё направление: 👩‍💻 Python — t.me/python_ready 🤔 InfoSec & Хакинг — t.me/hacking_ready 🖥 SQL & Базы Данных — t.me/sql_ready 🤖 Нейросети — t.me/neuro_ready 👩‍💻 C/C++ — https://t.me/cpp_ready 👩‍💻 C# & Unity — t.me/csharp_ready 👩‍💻 Java — t.me/java_ready 👩‍💻 IT Новости — t.me/it_ready 👩‍💻 Linux — t.me/linux_ready 🖼️ DevOps — t.me/devops_ready 👩‍💻 Frontend — t.me/frontend_ready 📱 JavaScript — t.me/javascript_ready 🖥 Data Science — t.me/data_ready 🐞 QA-тестирование — t.me/qa_ready 📖 IT Книги — t.me/books_ready 🖥 Design — t.me/design_ready 📌 Гайды, шпаргалки, задачи, ресурсы и фишки для каждого языка программирования!

🔥 Коварная ловушка с замыканиями в Python Многие хитрые баги в Python появляются из-за того, что разработчики неверно понимают область видимости переменных в замыканиях. Частая ошибка - внутри цикла создавать функции-лямбды, которые «помнят» одно и то же финальное значение переменной, а не значение на каждой итерации. В итоге весь список функций ведёт себя одинаково. Чтобы избежать ловушки, фиксируйте значение через аргумент по умолчанию или используйте functools.partial.

 funcs = []

for i in range(5):
    # Ошибка - все функции запомнят i=4
    funcs.append(lambda: i)

print([f() for f in funcs])  # [4,4,4,4,4]

funcs_safe = []

for i in range(5):
    # Правильно - захватываем текущее значение
    funcs_safe.append(lambda i=i: i)

print([f() for f in funcs_safe])  # [0,1,2,3,4]

🎨 NFT Generator: Создавайте уникальные NFT с легкостью! Этот репозиторий предлагает простой способ генерации изображений NFT с использованием Python. Просто структурируйте свои изображения в папках и запустите скрипт для создания множества уникальных комбинаций. Поддерживает анимацию и графический интерфейс. 🚀Основные моменты: - Легкая генерация NFT из изображений. - Поддержка уникальных комбинаций и анимации. - Интуитивно понятный GUI для удобства использования. - Настраиваемая структура папок для ваших изображений. 📌 GitHub: https://github.com/vooltex5083/NFT-generator #python

🖥 Как организовать архитектуру большого Python-проекта? Разработка крупного Python-проекта требует продуманной архитектуры. Правильная структура кода упрощает развитие, тестирование и поддержку приложения. В этой статье мы рассмотрим ключевые принципы архитектурной организации для разных типов проектов - веб-приложений, библиотек, микросервисов и систем обработки данных. Обсудим разделение системы на слои (domain, service, infrastructure), использование популярных шаблонов проектирования (Dependency Injection, Repository, Facade), организацию кода по модулям и пакетам, примеры структуры каталогов, работу с зависимостями и конфигурацией (Pydantic, dotenv), логгирование и мониторинг, обеспечение тестируемости, поддержку расширяемости и модульности. Также приведем примеры кода и структуры каталогов, а в конце – общие советы и распространенные ошибки, которых следует избегать. https://uproger.com/kak-organizovat-arhitekturu-bolshogo-python-proekta/

На собеседованиях всегда выигрывает тот, кто понимает, чего ждут на каждом этапе — а не тот, кто просто отвечает на вопросы. Разница между ними огромная: первый видит процесс целиком, понимает логику найма, цель каждого раунда и то, какие сигналы считывает интервьюер. Он знает, когда важно показать глубину, а когда — скорость или коммуникацию. Второй же приходит «как есть» и надеется, что ответы «понравятся». И чаще всего это не работает, даже если у кандидата хороший опыт. На вебинаре karpovꓸcourses «Кого возьмут в аналитики в 2026 году: честный взгляд руководителя продуктовой аналитики из Garage Eight» разберут: как устроена логика этапов, что хотят проверить менеджеры и какие маркеры показывают, что кандидат реально понимает продукт, данные и мышление аналитика. Вы сможете посмотреть на процесс «с другой стороны» и подготовиться осознанно. Узнать как проходит весь процесс найма на бесплатном вебинаре — https://clc.to/erid_2W5zFGd8X1J Реклама. ООО "КАРПОВ КУРСЫ". ИНН 7811764627. erid: 2W5zFGd8X1J