Python вопросы с собеседований

🖥 PYTHON + DOCKER: МНОГОСТУПЕНЧАТАЯ МАГИЯ Когда Python-код в Docker начинает внезапно тормозить, а контейнеры — весить гигабайты, часто виновник скрыт глубже: Docker копирует в образ всё виртуальное окружение, кэш pip, артефакты билдов и даже .pyc-файлы. Есть хитрый способ избежать этого и сделать контейнер в 5–10 раз легче и гораздо быстрее: Используйте многоступенчатую сборку, где Python-зависимости собираются в одном этапе, а в финальный образ попадает только «чистый» результат. Так вы исключаете мусор, ускоряете сборку и снижаете attack surface.

Многоступенчатый Dockerfile для Python

1. Этап сборки зависимостей

FROM python:3.12-slim AS builder
WORKDIR /build

COPY requirements.txt .
RUN pip install --no-cache-dir --prefix=/install -r requirements.txt

2. Финальный минимальный образ

FROM python:3.12-slim
WORKDIR /app

Копируем только готовые зависимости без pip-кэша

COPY --from=builder /install /usr/local

Добавляем чистый код без артефактов

COPY . .

CMD ["python", "main.py"]

🔴 Реальный собес на Python от ТехЛида с опытом работы в Авито и Яндексе в прямом эфире 25 ноября (уже сегодня!) в 19:00 по мск приходи на прямой эфир с реальным собеседованием на Middle разработчика. Почему точно нужно прийти: 📂 Савва Демиденко, ТехЛид с опытом в Яндексе и Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Савва будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Савве 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

🐍 Минимум и максимум в Python Чтобы быстро получить минимальное и максимальное значение из последовательности, используй встроенные функции min() и max(). Обе поддерживают параметр default — он задаёт значение по умолчанию, если последовательность пуста. Подписывайся, больше фишек каждый день !

numbers = [3, 7, 2, 9]

print(min(numbers))   # 2
print(max(numbers))   # 9

# пример с пустым списком
print(min([], default=0))  # 0
print(max([], default=0))  # 0

📊 Подробный практический гайд по статистике на Python Этот практический гайд по статистике на Python - ваш надёжный проводник в мир анализа, визуализации и интерпретации данных. От простых описательных показателей до регрессий и временных рядов — с примерами, кодом и реальными задачами. Всё, что нужно, чтобы уверенно применять статистику на практике. 🟠Гайд

🧠 Интерактивная 3D-визуализация нейронных сетей с Neuraxon Neuraxon — это биовдохновленная нейронная сеть, использующая тринарную логику для моделирования динамики нейронов. С помощью интерактивного интерфейса пользователи могут настраивать сети, управлять состояниями нейронов и наблюдать за нейромодуляцией в реальном времени. 🚀 Основные моменты: - 🧩 Создание пользовательских сетей с настройками нейронов и синапсов - 🎮 Интерактивное управление состояниями нейронов - 🔬 Живое изменение уровней нейромодуляторов - 📊 3D визуализация нейронной активности - ⚙️ Предустановленные конфигурации для различных сценариев 📌 GitHub: https://github.com/DavidVivancos/Neuraxon #python

🚀 VibeThinker: Новый стандарт в моделях с малым количеством параметров Это 1.5B модель, которая демонстрирует выдающиеся способности в решении математических задач, соперничая с гораздо более крупными моделями. Используя инновационную методику постобучения, она достигает результатов, сопоставимых с открытыми моделями, такими как GPT OSS-20B Medium, при значительно меньших затратах. 🚀Основные моменты: - Эффективность: 1.5B параметров, производительность на уровне 1000B+ моделей. - Инновационная методология: "Spectrum-to-Signal Principle" для улучшения разнообразия выходных данных. - Выдающиеся результаты: Превосходит модели, в 10-600 раз большие. - Экономичность: Разработка модели стоит всего $7,800 против сотен тысяч для конкурентов. 📌 GitHub: https://github.com/WeiboAI/VibeThinker #python

Добавь AI в свой Python-проект за 7 недель На Stepik вышел курс «LangChain: с нуля до продакшн LLM приложений»: ✅ RAG-поиск по документам (FAQ-бот, база знаний) ✅ Агенты для анализа данных (CSV, JSON через Pandas) ✅ API на FastAPI с LLM под капотом Не нужно становиться ML-инженером — интегрируешь LLM как обычный сервис. Практика • Код из коробки • Сертификат Stepik Скидка 25% — 3 дня 🔥 Пройти курс со скидкой

🚀 Пул интерпретаторов в Python 3.14 Что появилось: - В Python 3.14 добавили *пул интерпретаторов* — теперь в одном процессе можно запускать несколько независимых интерпретаторов. - Это шаг к более безопасным, масштабируемым и изолированным системам на Python. Зачем это нужно: - Снижает зависимость от тяжёлых процессов — можно управлять несколькими интерпретаторами внутри одного процесса. - Повышает отказоустойчивость: сбой одного интерпретатора не падает весь процесс. - Открывает возможность частично обходить ограничения GIL, используя параллельность на уровне нескольких интерпретаторов. Главные плюсы: - Лучшая изоляция выполнения. - Больше возможностей для масштабирования внутри одного процесса. - Архитектурно Python становится ближе к моделям с lightweight-виртуальными машинами. Главные минусы: - Каждый интерпретатор требует своё адресное пространство → больший расход памяти. - Увеличивается время инициализации в сравнении с потоками. - Не во всех сценариях заменяет multiprocessing или threading. Пул интерпретаторов - фундаментальное изменение, которое позволит по-новому строить высоконагруженные и безопасные Python-приложения, но потребует переосмысления архитектуры и учёта повышенного расхода ресурсов. https://www.youtube.com/watch?v=Jd0MOM1dlfI

🔥 Подборка полезных ресурсов для программистов. Здесь ты найдёшь всё это - коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Devops: t.me/DevOPSitsec Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_1001_notes Java: t.me/java_library Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy Папка Linux:https://t.me/addlist/w4Doot-XBG4xNzYy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Сохрани себе, чтобы не потерять!

Эффективное тестирование Python-кода Продвинутый совет: тестируй Python-код эффективно, используя связку pytest плюс фикстуры плюс правильное тестирование через hypothesis. Сначала проверяй основные сценарии, потом добавляй окружение через фикстуры (файлы, БД, mock API), а затем включай генерацию случайных входов — так ты поймаешь скрытые баги, не переписывая километры тестов. Подписывайся, больше фишек каждый день !

from hypothesis import given, strategies as st

Базовый юнит-тест
def test_add():
    assert add(2, 3) == 5

Фикстура окружения (временный файл)
@pytest.fixture
def temp_file(tmp_path):
    p = tmp_path / "data.txt"
    p.write_text("42")
    return p

def test_read_data(temp_file):
    assert read_data(temp_file) == 42

Property-based тест
@given(st.integers(), st.integers())
def test_add_random(a, b):
    assert add(a, b) == a + b


Запуск только упавших тестов (быстрый цикл разработки):
# pytest --lf

Как загрузить файл по SSH с помощью #Python и paramiko 🐍🔥

💡 12 команд Git, которые должен знать каждый:

git init - создаёт новый Git-репозиторий в текущей папке (начинает контроль версий). git add - запоминает изменения, подготавливая их для сохранения. git commit - сохраняет подготовленные изменения с твоим комментарием (например, «починил баг» или «добавил кнопку»). git push - отправляет сделанные коммиты в облачный (удалённый) репозиторий, чтобы их видели другие. git pull - забирает последние изменения из облака и добавляет их в твою рабочую версию (автоматически объединяет). git remote - помогает управлять ссылками на удалённые репозитории (добавлять новые или смотреть, какие уже подключены). git branch - показывает существующие ветки, создаёт новые и позволяет переключаться между ними (чтобы работать параллельно с разными версиями кода). git fetch - скачивает последние изменения из облака, но не объединяет их с текущим кодом (можно посмотреть заранее, что изменилось). git checkout - переключает твою рабочую папку на другую ветку или на конкретный коммит (например, для тестирования). git merge - объединяет изменения из одной ветки с текущей веткой (сливает их воедино). git status - показывает, какие файлы были изменены, какие готовы к коммиту, а какие ещё нет (текущее состояние проекта). git reset - позволяет вернуться назад по истории кода, отменив изменения до конкретного коммита (например, если что-то пошло не так).

🎚️ Сохраняйте себе или отправляйте друзьям - еще пригодится.

🔍Тестовое собеседование на Middle Python с Senior из X5 уже завтра! Уже завтра(11 ноября) в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Олег, старший разработчик в X5, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Олег будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Олегу 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.

🧠 DeepSeek-OCR: Оптимизация оптического распознавания текста DeepSeek-OCR — это модель для исследования роли визуальных энкодеров в контексте LLM. Она предлагает новые подходы к сжатию визуального текста и поддерживает различные режимы разрешения. Идеально подходит для задач OCR и обработки документов. 🚀Основные моменты: - Модель для оптического распознавания текста. - Поддержка нескольких режимов разрешения. - Интеграция с Hugging Face для удобного использования. - Исследование сжатия визуального текста. 📌 GitHub: https://github.com/deepseek-ai/DeepSeek-OCR #python

Возможности Python реально впечатляют 😱

Не пропусти МТС True Tech Champ — масштабный фестиваль 21 ноября для тех, кто живет технологиями 🔥 Тебя ждут: ▫️ Конференция с международными спикерами. Эксперты расскажут о трендах в ИИ и инновациях в индустрии. ▫️ ИТ-качалка. Наращивай экспертизу на воркшопах. ▫️ Шоу-финал ИТ-чемпионата. Более 250 талантов со всей России сразятся в лайв-кодинге и программировании роботов на скоростное прохождение лабиринтов со спецэффектами. Выбирай и болей за фаворитов. ▫️ Айтивности. Тебя ждут бои роботов, кодерские челленджи, пайка плат и не только. Заработай True Coins и обменяй их на стильный мерч. ▫️ HR-Hub. Команда МТС расскажет о возможностях для развития в компании и поможет перезагрузить карьерный трек. ▫️ Афтепати со звездными хэдлайнерами. Зажги под популярные хиты. Когда: 21 ноября, МТС Live Холл в Москве и онлайн. Регистрируйся на сайте. Участие бесплатно, количество мест ограничено.

⚡️ Хитрая задача на Python: кратчайший подмассив с суммой ≥ K (O(n)) Задача. Дан массив A (могут быть отрицательные) и K. Найти минимальную длину подмассива с суммой ≥ K. Если нет — вернуть -1. Подвох. С отрицательными числами не работает двухуказательную. Решение — префиксные суммы + монотонная дека. Идея. Пусть P[i] — префиксная сумма до i. Нам нужно минимизировать i - j при условии P[i] - P[j] ≥ K. Храним индексы j в деке так, что значения P[j] строго возрастают: - Пока текущий P[i] − P[deque[0]] ≥ K — обновляем ответ и выкидываем голову (нашли короткий кандидат). - Пока P[i] ≤ P[deque[-1]] — выкидываем хвост (бессмысленные, более «жирные» префиксы). - Затем добавляем i. Сложность: каждый индекс заходит/вылетает из деки по разу → O(n). Короткая реализация

from collections import deque
from math import inf
from typing import List

def shortest_subarray_at_least_k(A: List[int], K: int) -> int:
    P = [0]
    for x in A: P.append(P[-1] + x)
    dq, ans = deque(), inf  # dq хранит индексы префиксов, их суммы возрастают
    for i, s in enumerate(P):
        while dq and s - P[dq[0]] >= K:
            ans = min(ans, i - dq.popleft())
        while dq and P[dq[-1]] >= s:
            dq.pop()
        dq.append(i)
    return -1 if ans is inf else ans

# Примеры
if __name__ == "__main__":
    print(shortest_subarray_at_least_k([2, -1, 2], 3))         # 3 (весь массив)
    print(shortest_subarray_at_least_k([1, 2, 3, 4], 6))       # 2 (3+3 нет, но 2+4 или 3+4 длина 2)
    print(shortest_subarray_at_least_k([84, -37, 32, 40, 95], 167))  # 3

Почему это работает? Если у нас есть два индекса j1 < j2 и P[j1] ≥ P[j2], то j1 никогда не даст более короткого валидного подмассива, чем j2, — его можно выбросить (инвариант монотонной деки).

⁉️Машинное обучение кажется чем-то сложным и недосягаемым? Всё проще, чем вы думаете! Первый шаг — разобраться, как устроен ML-процесс и научиться работать в Jupyter Notebook — инструменте, с которого начинают все специалисты в Data Science. На открытом уроке вы шаг за шагом поймёте, как строится путь от данных до модели. Научитесь запускать эксперименты в Jupyter Notebook и Google Colab, работать с виртуальными окружениями и не бояться “сломать” систему. Всё — в формате простых и наглядных примеров. После урока вы сможете уверенно начать свой первый ML-проект и поймёте, какие инструменты нужны, чтобы перейти от теории к практике. ➡️ 13 ноября в 20:00 МСК. Открытый вебинар проходит в преддверии старта курса «Machine Learning. Basic». Регистрируйтесь и сделайте первый шаг в машинное обучение без страха и путаницы:т  https://otus.pw/cARZ/?erid=2W5zFGrhViQ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

🎨 Создание персонажей для визуальных новелл VNCCS — мощный инструмент для создания уникальных спрайтов персонажей в визуальных новеллах. Он упрощает процесс генерации, позволяя создавать последовательные образы с помощью нейросетей всего за несколько шагов. 🚀Основные моменты: - Интуитивный процесс создания персонажа в 5 этапов. - Генерация одежды и эмоций для персонажей. - Поддержка LoRA для обучения на пользовательских данных. - Упрощение работы с нейросетями для художников. - Экспорт готовых спрайтов для использования в проектах. 📌 GitHub: https://github.com/AHEKOT/ComfyUI_VNCCS #python

🤖 PharosTestnet Bot: Автоматизация для криптоактивов PharosTestnet-bot — это Python-бот для автоматизации различных операций с криптовалютами на тестовой сети. Он поддерживает множество функций, включая автоматический вход, управление ликвидностью и работу с прокси. Идеален для трейдеров, желающих оптимизировать свои действия. 🚀Основные моменты: - Автоматический ежедневный вход - Поддержка всех типов прокси - Многопоточность для повышения производительности - Автообмен и управление ликвидностью - Получение статистики по аккаунтам 📌 GitHub: https://github.com/haspread/PharosTestnet-bot #python