Python RU

100 технических вопросов для интервью Data Analyst / Data Scientist (Middle/Senior) В этом руководстве мы подробно разберем 100 реальных технических вопросов, которые часто встречаются на собеседованиях для аналитиков данных и специалистов по данным уровня middle и senior. Вопросы сгруппированы по типам компаний (FAANG, стартапы, финтех, консалтинг), по уровню позиции (middle или senior) и по ключевым категориям знаний. Используя этот гайд, вы сможете оценить свой уровень подготовки, понять глубину ответов, ожидаемую от опытных кандидатов, и избежать популярных ошибок. Давайте перейдем к вопросам. FAANG: Интервью в крупных технокомпаниях (FAANG – Amazon, Apple, Netflix, Google и аналогичные крупные IT-компании) Middle-уровень – FAANG SQL – примеры вопросов (Middle, FAANG) https://uproger.com/100-tehnicheskih-voprosov-dlya-intervyu-data-analyst-data-scientist-middle-senior/

🔥 Какой базовый Docker-образ Python стоит выбирать для финансовых задач. - В большинстве задач разница в скорости между образами не превышает ~10 %. - Поэтому по умолчанию выгоднее брать маленький образ python:3.14-slim (~150 МБ), а не тяжёлые Anaconda/Intel (~3 ГБ). - Исключение — тяжёлая линейная алгебра на Intel CPU: там MKL даёт заметное ускорение (1.1×–2×). Реальный кейс из хедж-фонда - Команда использовала Intel Python для ночных batch-задач. - После перехода на python:3.14-slim джобы ускорились примерно на 40 %, без изменения кода. - Причина — выигрыш дал новый интерпретатор Python 3.14, а не библиотека MKL, потому что нагрузка была больше про pandas и бизнес-логику, чем про чистые матрицы. Ключевая идея: меньше время обработки — быстрее решения и реакции рынка. Как выбирать образ: простое «дерево решений» 1️⃣ По CPU AMD (Ryzen, EPYC, Threadripper) - Использовать python:3.14-slim. - MKL из Intel Python / Anaconda на AMD часто даже медленнее из-за особенностей оптимизаций. Intel (Xeon, Core) - Если основная нагрузка — плотная линейная алгебра (умножение матриц, SVD и т. д.), тогда имеет смысл Intel Python или Anaconda (MKL). - Если ETL, pandas, смешанные пайплайны — python:3.14-slim почти не уступает, но гораздо легче. 2️⃣ По типу нагрузки - IO-bound (файлы, сети, БД) — образ почти не влияет, выигрывает slim из-за размера. - ETL на pandas/Polars — разница 5–10 %, slim обычно оптимален. - BLAS-heavy (NumPy-линейка) - Intel CPU — MKL-образы могут дать 1.5–2× ускорение. - AMD CPU — OpenBLAS в slim обычно быстрее. - CPU-bound Python (циклы, логика) — важен сам интерпретатор и multiprocessing. GIL и параллелизм - GIL не даёт потокам ускорять CPU-bound задачи. - Для CPU-bound лучше применять multiprocessing, ProcessPoolExecutor, joblib, Numba. - BLAS (NumPy) параллелится сам — потоками на уровне C-кода, GIL не мешает. Почему Python 3.14 так важен - Интерпретатор 3.14 даёт +10–20 % к производительности CPU-bound кода. - Intel Python и Anaconda пока чаще держатся на 3.12 — из-за этого они иногда медленнее даже при наличии MKL. Общий практический вывод - Начинать почти всегда стоит с python:3.14-slim — он компактный, быстрый и современный. - Идти в Intel/Anaconda только если: - у вас Intel-сервер, - значимая часть времени уходит на чистую линейную алгебру, - замеры показывают реальную выгоду. Если коротко: бери самый маленький образ по умолчанию и отходи от него только тогда, когда честные бенчмарки на твоём железе доказывают обратное. https://jiripik.com/2025/12/19/choosing-the-right-python-docker-image-for-finance-workloads/

Один Python-бот заработал $153 752, много раз подряд используя одну и ту же ошибку в ценах. На аккаунте distinct-baguette в лидерборде Polymarket и почти закрыл вкладку - обычный бот на 15-минутных окнах. А потом увидел: 70% побед при шестизначной прибыли. Обычно прибыльные боты держат 85%+. Что-то было не так, но не с ботом, а с моим пониманием. Главное: этот бот ничего не предсказывает. Ему всё равно, вырастет BTC или упадёт. Он следит только за одним: когда цены на рынке перестают сходиться по математике. На Polymarket есть две стороны — YES и NO. Одна из них всегда платит $1, значит: > YES + NO должны равняться $1. Но во время резких движений рынка происходит проскальзывание: - YES = $0.48 - NO = $0.49 - Всего: $0.97 Бот видит расхождение - покупает обе стороны одновременно. Ждёт исход. Одна сторона платит $1. Стоимость сделки — $0.97. Разница - $0.03 прибыли, независимо от результата. Скрипт сканирует Polymarket каждые несколько секунд по BTC, SOL, XRP — всё, где есть объём. Как только сумма падает ниже $0.99 - он срабатывает. Три цента звучат смешно, но если повторить это десятки тысяч раз, выходит $316K. И тогда становится понятным 70% win-rate: бот не выбирает победителей — он собирает ценовые ошибки. Пока большинство делает ставки на исход, этот бот зарабатывает на том, что ордербук иногда “забывает считать”. 👉 Аккаунт: https://polymarket.com/@distinct-baguette?via=marlowxbt

🧠 Claude Cognitive: Умная память для Claude Code Claude Cognitive добавляет рабочую память к Claude Code, позволяя эффективно управлять контекстом и координировать многопоточную работу. Это решение значительно снижает затраты токенов и улучшает производительность разработчиков, обеспечивая сохранение контекста и предотвращая дублирование работы. 🚀Основные моменты: - Умная маршрутизация файлов с учетом внимания (HOT/WARM/COLD). - Многофункциональная координация состояния для долгосрочных сессий. - Экономия токенов до 95% в зависимости от размера кодовой базы. - Поддержка многопоточной работы без повторного открытия задач. 📌 GitHub: https://github.com/GMaN1911/claude-cognitive

🖥 Docker большой исчерпывающий курс. Глава 1. Архитектура, понятия и первый запуск Курс по Docker, написанный программистами для программистов. Мы выкинули историю контейнеризации и скучную теорию. Вместо этого жесткая практика: ментальные модели через ООП, анатомия Linux-процессов, написание Dockerfile, docker-compose и подготовка к продакшену. Экономь время: учись только тому, что реально используется в индустрии https://uproger.com/docker-bolshoj-ischerpyvayushhij-kurs-glava-1-arhitektura-ponyatiya-i-pervyj-zapusk/

🎄🎄 Qwen-Image: обновление как раз к Новому году Свежая версия Qwen-Image получила заметный апгрейд качества. Модель стала генерировать намного реалистичнее и аккуратнее, особенно в сложных сценах. Что изменилось: • более естественные генерации людей, меньше «искусственного» эффекта • детальнее лица и мимика • улучшены натуральные текстуры: вода, шерсть, материалы, пейзажи • намного аккуратнее текст на картинках: лучше верстка и точность в композиции Модель прошла более 10 000 слепых сравнений на AI Arena и показала результат уровня топов среди open-source, оставаясь конкурентной даже рядом с закрытыми решениями. ▪Qwen Chat: https://chat.qwen.ai/?inputFeature=t2i ▪Hugging Face: https://huggingface.co/Qwen/Qwen-Image-2512 ▪ModelScope: https://modelscope.ai/models/Qwen/Qwen-Image-2512 ▪GitHub: https://github.com/QwenLM/Qwen-Image ▪Блог: https://qwen.ai/blog?id=qwen-image-2512 ▪Демо HF: https://huggingface.co/spaces/Qwen/Qwen-Image-2512 ▪Демо ModelScope: https://modelscope.cn/aigc/imageGeneration ▪API: https://modelstudio.console.alibabacloud.com/?tab=doc#/doc/?type=model&url=2840914_2&modelId=group-qwen-image-max @ai_machinelearning_big_data #qwen #qwenimage #openaimodels #imagemodels

🔥 На Stepik вышел топ курс, который учит работать с Docker так, как это делают в реальных проектах с уклоном на реальные рейсы. Этот практический курс покажет, как упаковывать приложения в контейнеры, собирать лёгкие и безопасные образы, поднимать несколько сервисов через docker-compose и готовить окружение для продакшена. Ты пройдёшь путь от первого контейнера до полной инфраструктуры: с логами, сетями, томами, переменными окружения, безопасностью и отладкой. Никакой теории ради теории, только реальные шаги, из которых рождается рабочая среда разработчика и прод-окружение. 🎁 В честь нового года ближайшие 48 часов - скидка 50 процентов! 👉 Начать обучение

🎄🐍 Новогодний Python фокус для джунов: меньше шума, больше смысла Новогодний Python-совет: перестань вручную подписывать отладочные принты. Используй f"{var=}", чтобы сразу видеть и имя переменной, и значение — чище, быстрее и без путаницы. Подходит и для пет-проектов, и для продакшена. Подписывайся, больше фишек каждый день !

user = "Santa"
count = 3
items = ["🍪", "🎁", "✨"]

print(f"{user=}")
print(f"{count=}")
print(f"{items=}")

def greet(name):
    return f"Happy New Year, {name}!"

print(f"{greet(user)=}")

🖥 SQL-квест: фэнтезийное приключение для аналитиков данных Представь фэнтези-мир, где заклинания - это SQL-запросы, а древние артефакты спрятаны в таблицах и JSON-документах. 🧙Ты - боевой дата-аналитик, который с помощью SQL, Python, ETL и визуализаций охотится за харизматичным злодеем Архивариусом Пакостусом, что ломает индексы, крадёт данные и готовит “шторм данных” на столицу.🔮 В каждом эпизоде тебя ждут: выборы с последствиями, хитрые задачи от простых SELECT до рекурсивных CTE и BigQuery, юмор, эпик и неожиданные повороты. Хочешь проверить, сможешь ли ты спасти королевство не мечом, а запросами? Тогда добро пожаловать в SQL-квест. 🪄 Начать квест: https://uproger.com/sql-kvest-fentezijnoe-priklyuchenie-dlya-analitikov-dannyh/

☠️ Один Python-скрипт - убивает потребность в Excel #python #Excel CSV в папке - и через секунды у тебя: - быстрый анализ без ручных фильтров - топ товаров и суммарная выручка - график продаж по дням - один повторяемый сценарий вместо 20 кликов Фишка в том, что ты один раз написал скрипт - и дальше просто кидаешь новые CSV, получая одинаковый отчёт каждый раз.

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("sales.csv", parse_dates=["date"])
print("Выручка:", df["revenue"].sum())
print(df.groupby("product")["revenue"].sum().sort_values(ascending=False).head(5))

daily = df.groupby(df["date"].dt.date)["revenue"].sum()
daily.plot(title="Выручка по дням")
plt.tight_layout(); plt.show()

🎮🚀 NitroGen: Модель для игровых агентов NitroGen — это открытая модель для создания универсальных игровых агентов, способная предсказывать действия на основе пиксельного ввода. Обученная на крупнейшем наборе данных игрового видео, модель может адаптироваться к новым играм. 🚀Основные моменты: - Многофункциональная модель для различных игр. - Обучение на данных из интернет-видео. - Поддержка адаптации к новым играм после обучения. - Работает на Windows с Python ≥ 3.12. 📌 GitHub: https://github.com/MineDojo/NitroGen #python

✍️ python-course - структурированный и глубокий разбор Python от базовых принципов до продвинутых тем. Это подробный текстовый курс для вдумчивого самостоятельного изучения. Материал выстроен последовательно: от основ синтаксиса и ключевых конструкций — к ООП, генераторам, итераторам, замыканиям и внутреннему устройству языка. Без воды, с акцентом на понимание того, как и почему Python работает именно так. Подойдёт тем, кто хочет: - выстроить прочный фундамент - систематизировать разрозненные знания - глубже разобраться во внутренних механизмах языка https://python-course.eu/

Командная разработка нового уровня SourceCraft обновился, чтобы команда писала быстрее, безопаснее и спокойнее. 🤖 Специальная ИИ-система для проверки безопасности кода и оформления найденных уязвимостей в карточки, генерация описаний к изменениям для экономии времени при коммитах. 🔧 Поддержка Gitlab CI/CD YAML, обновлённая логика релизов и управление командами. 💻 Конфликты в PR решаются прямо через web-интерфейс SourceCraft. 🔒 Безопасный кодинг: дашборд уязвимостей по всем репозиториям, страница Code Scanning с результатами SAST, rescan и список библиотек с уязвимостями в SCA. Обновлён UI для CI/CD и добавлены Telegram-нотификации. SourceCraft — единая точка для умного кода. Расскажем в подробностях и ответим на вопросы в канале

⚡️ Большинство быстрых text-to-speech моделей звучат роботизировано. Большинство качественных - слишком медленные. И почти ни одна не решает вопрос аутентичности аудио на уровне архитектуры. Resemble AI закрыли все три проблемы сразу. Chatterbox Turbo 0 это: 🟢 <150 мс до первого звука 🟢 Качество уровня SOTA - превосходит более крупные проприетарные модели 🟢 Естественные, программируемые эмоции и интонации 🟢 Zero-shot клонирование голоса всего по 5 секундам аудио 🟢 PerTh watermarking - проверяемое и аутентифицированное аудио 🟢 Полностью open source, никакой «чёрной магии» Редкий пример, когда скорость, качество и безопасность не идут на компромисс, а работают вместе. HuggingFace: https://huggingface.co/spaces/ResembleAI/chatterbox-turbo-demo

🧠 Инструмент для решения математических задач Nomos - это интеллектуальная платформа для решения математических задач и написания доказательств на естественном языке. Она использует параллельные рабочие процессы для генерации и оценки решений, обеспечивая высокую эффективность и точность. 🚀Основные моменты: - Решение задач с помощью модели Nomos-1. - Параллельная работа для ускорения процесса. - Финализация результатов через турниры и консолидацию. - Оценка решений по 7-балльной шкале. 📌 GitHub: https://github.com/NousResearch/nomos #python

🚀 Большое обновление Qwen Code v0.2.2–v0.3.0 ✨ Два ключевых обновления: 🎯 Stream JSON • --output-format stream-json — потоковый вывод • --input-format stream-json — структурированный ввод • 3-уровневая архитектура адаптеров + управление сессиями • Идеально для SDK, автоматизации и CI/CD 🌍 Полная интернационализация • Встроенные интерфейсы EN/CN + расширяемые языковые пакеты • /language ui zh-EN - мгновенная смена языка • /language output English - задаём язык ответов модели • Сообщество может добавлять свои локализации 🌏 🛡️ Безопасность и стабильность выросли • Защита от переполнения памяти • Починили кодировки Windows • Улучшена кроссплатформенность и определение ripgrep • Переработана авторизация и управление authType • Стабильный CI/CD и исправленные интеграционные тесты • Поддержка провайдера ModelScope и stream_options • Улучшены подсказки, уведомления в терминале и логика завершения промптов • Множество внутренних фиксов - заметно более стабильная работа 💪 https://github.com/QwenLM/qwen-code

⚡️ Совет по чистому Python-коду: Избегайте вложенности и длинных функций - разбивайте логику на маленькие, понятные шаги. Плохо:

def process(data):
    if data:
        for x in data:
            if x > 10:
                print("ok")

Лучше:

def is_valid(x):
    return x > 10

def process(data):
    for x in data:
        if is_valid(x):
            print("ok")

Маленькие функции дают: - читаемость, - повторное использование, - простое тестирование. Пишите код так, чтобы его легко было читать вслух — это лучший индикатор чистоты.

🔥 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

🧩 Утилиты для C++ и Python cpp-pyutils предлагает набор инструментов для упрощения взаимодействия между C++ и Python. Библиотека включает функции для работы с данными, что позволяет легко интегрировать оба языка в одном проекте. 🚀 Основные моменты: - Интеграция C++ и Python - Удобные функции для работы с данными - Поддержка кросс-языковых вызовов 📌 GitHub: https://github.com/xZepyx/cpp-pyutils #cpp