Python вопросы с собеседований

🐍⚙️ 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

🖥 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