uk
Feedback

Не попадись на ботовода! Telemetrio знаходить і позначає такі канали мітками 👉 Хочеш бачити мітку, оформляй підписку

Python вопросы с собеседований

Python вопросы с собеседований

Відкрити в Telegram

Вопросы с собеседований по Python @workakkk - админ @machinelearning_interview - вопросы с собесдований по Ml @pro_python_code - Python @data_analysis_ml - анализ данных на Python @itchannels_telegram - 🔥 главное в ит РКН: clck.ru/3FmrFd

Показати більше

📈 Аналітичний огляд Telegram-каналу Python вопросы с собеседований

Канал Python вопросы с собеседований (@python_job_interview) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 24 847 підписників, посідаючи 5 341 місце в категорії Технології та додатки та 26 133 місце у регіоні Росія.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 24 847 підписників.

За останніми даними від 16 листопада, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 8, а за останні 24 години на -16, загальне охоплення залишається високим.

  • Статус верифікації: Не верифікований
  • Рівень залученості (ER): Середній показник залученості аудиторії становить 6.15%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.81% реакцій від загальної кількості підписників.
  • Охоплення публікацій: В середньому кожен допис отримує 1 528 переглядів. Протягом першої доби публікація в середньому набирає 699 переглядів.
  • Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 8.
  • Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як github, api, собеседование, git, docker.

📝 Опис та контентна політика

Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“Вопросы с собеседований по Python @workakkk - админ @machinelearning_interview - вопросы с собесдований по Ml @pro_python_code - Python @data_analysis_ml - анализ данных на Python @itchannels_telegram - 🔥 главное в ит РКН: clck.ru/3FmrFd”

Завдяки високій частоті оновлень (останні дані отримано 17 листопада, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.

24 847
Підписники
-1624 години
-497 днів
+830 днів
Залучення підписників
лист '26
листопад '26
+58
в 1 каналах
жовтень '26
+343
в 37 каналах
Get PRO
вересень '26
+234
в 19 каналах
Get PRO
серпень '26
+117
в 33 каналах
Get PRO
липень '26
+178
в 43 каналах
Get PRO
червень '26
+111
в 0 каналах
Get PRO
травень '26
+94
в 1 каналах
Get PRO
квітень '26
+108
в 0 каналах
Get PRO
березень '26
+153
в 1 каналах
Get PRO
лютий '26
+361
в 0 каналах
Get PRO
січень '26
+473
в 1 каналах
Get PRO
грудень '25
+167
в 2 каналах
Get PRO
листопад '25
+300
в 45 каналах
Get PRO
жовтень '25
+149
в 16 каналах
Get PRO
вересень '25
+669
в 37 каналах
Get PRO
серпень '25
+441
в 4 каналах
Get PRO
липень '25
+500
в 50 каналах
Get PRO
червень '25
+311
в 36 каналах
Get PRO
травень '25
+100
в 2 каналах
Get PRO
квітень '25
+309
в 26 каналах
Get PRO
березень '25
+217
в 1 каналах
Get PRO
лютий '25
+354
в 42 каналах
Get PRO
січень '25
+438
в 48 каналах
Get PRO
грудень '24
+871
в 44 каналах
Get PRO
листопад '24
+1 419
в 55 каналах
Get PRO
жовтень '24
+2 144
в 61 каналах
Get PRO
вересень '24
+1 009
в 198 каналах
Get PRO
серпень '24
+855
в 40 каналах
Get PRO
липень '24
+836
в 49 каналах
Get PRO
червень '24
+1 071
в 57 каналах
Get PRO
травень '24
+766
в 39 каналах
Get PRO
квітень '24
+821
в 44 каналах
Get PRO
березень '24
+733
в 21 каналах
Get PRO
лютий '24
+1 270
в 3 каналах
Get PRO
січень '24
+1 326
в 47 каналах
Get PRO
грудень '23
+843
в 41 каналах
Get PRO
листопад '23
+304
в 2 каналах
Get PRO
жовтень '23
+912
в 0 каналах
Get PRO
вересень '23
+773
в 0 каналах
Get PRO
серпень '23
+995
в 0 каналах
Get PRO
липень '23
+458
в 0 каналах
Get PRO
червень '23
+943
в 0 каналах
Get PRO
травень '23
+1 161
в 0 каналах
Get PRO
квітень '23
+98
в 0 каналах
Get PRO
березень '23
+150
в 0 каналах
Get PRO
лютий '23
+695
в 0 каналах
Get PRO
січень '23
+799
в 0 каналах
Get PRO
грудень '22
+2 227
в 0 каналах
Get PRO
листопад '22
+1 876
в 0 каналах
Get PRO
жовтень '22
+1 231
в 0 каналах
Get PRO
вересень '22
+3 143
в 0 каналах
Get PRO
серпень '22
+4 522
в 0 каналах
Дата
Залучення підписників
Згадування
Канали
17 листопада+2
16 листопада0
15 листопада+4
14 листопада+4
13 листопада+1
12 листопада+7
11 листопада0
10 листопада+5
09 листопада0
08 листопада+7
07 листопада+2
06 листопада+6
05 листопада+2
04 листопада+5
03 листопада+3
02 листопада+7
01 листопада+3
Дописи каналу
Python в 33 раза медленнее C++? Честный тест против Go и Rust Один и тот же алгоритм на четырёх языках: считаем простые числа до 5 миллионов. C++, Rust и Go укладываются в 1,4 секунды, чистый Python тратит 47. Но стоит сменить алгоритм и взять NumPy, и тот же ответ получается за 0,02 секунды. https://www.youtube.com/shorts/br62ibju8mQ
17 лист, 06:25

2
Одна правка документа перегрузила PostgreSQL. Как в Django переделали кеш Команда Джонни Метца хранила в Redis готовый список документов для каждого пользователя. Когда крупный клиент изменил одну общую запись, обработчик сбросил кеш тысяч пользователей. Их следующие запросы почти одновременно пошли в PostgreSQL, и API несколько минут работал медленнее. Кеш разделили. Для пользователя хранят только ID доступных ему документов. Каждый документ лежит в Redis в одном экземпляре, а Django забирает нужные записи пачкой через get_many. Поле can_edit вычисляют при сборке ответа с учётом прав конкретного пользователя. Теперь при переименовании документа достаточно удалить один ключ doc:<id>. TTL увеличили до семи дней. Ключи удаляют после коммита через transaction.on_commit: если удалить ключ раньше, параллельный запрос может снова положить в кеш старые данные. При промахе читают из primary, чтобы в кеш не попала устаревшая версия с отстающей реплики. За три месяца внедрения трафик вырос примерно на 40%, средняя задержка упала примерно на 40%, а число запросов к БД в секунду сократилось вдвое. На обычном пике API обслуживает около 1 100 запросов в секунду, доля попаданий в кеш составляет 97%. https://johnnymetz.com/posts/caching-at-scale-in-django/
990
3
5 самых дорогих багов в истории: какая ошибка стоила $5,4 млрд? От перепутанных фунтов и ньютонов в NASA до обновления CrowdS
5 самых дорогих багов в истории: какая ошибка стоила $5,4 млрд? От перепутанных фунтов и ньютонов в NASA до обновления CrowdStrike, после которого 8,5 млн компьютеров с Windows упали в синий экран. Разбираем, как одна строка кода сожгла ракету, обнулила биржевую компанию за 45 минут и заставила Intel менять процессоры. https://www.youtube.com/shorts/JWYBWH0kmgE?feature=share
1 064
4
Python научился разбирать JSON со скоростью 65,7 ГБ/с. И всё это в одном процессе Здесь показано как использовать свободную м
Python научился разбирать JSON со скоростью 65,7 ГБ/с. И всё это в одном процессе Здесь показано как использовать свободную многопоточность Python 3.14 и библиотеку fastsimdjson для экстремально быстрой обработки JSON. В эксперименте обработали 7,6 ГБ данных и 2,2 млн событий GitHub. Результаты на сервере с 64 ядрами Intel Xeon: | Парсер | Скорость | |---|---:| | Python `json` | 3,17 ГБ/с | | `msgspec` | 24,6 ГБ/с | | `fastsimdjson` | 29,8 ГБ/с | | `fastsimdjson` Lazy | **65,7 ГБ/с** | На одном ядре Lazy-режим показал 2,13 ГБ/с против 0,18 ГБ/с у стандартного json. В чём секрет? fastsimdjson использует SIMD-оптимизации и многопоточность. А режим lazy=True создаёт Python-объекты только для тех полей JSON, которые действительно нужны программе. В результате обработка 7,6 ГБ данных заняла около 0,12 секунды. Установка: pip install fastsimdjson Для эксперимента использовался Python 3.14.6 в free-threaded-сборке без GIL. Бенчмарк: https://github.com/lemire/fastsimdjson Исследование: https://lemire.me/blog/2026/10/12/parsing-json-at-tens-of-gigabytes-per-second-in-python/
1 179
5
Python: задача, на которой легко ошибиться даже опытному разработчику 🧠 Что выведет этот код? a = [0, 1, 2] i = 0 i, a[i] = 1, a[i] + 10 print(a, i) Варианты: A [10, 1, 2] 1 B [0, 10, 2] 1 C [0, 1, 12] 1 D IndexError Здесь проверяется неочевидная особенность Python: порядок вычисления правой части множественного присваивания и последовательность присваивания целевых переменных. У задачи есть подвох, связанный с тем, в какой момент Python вычисляет индекс a[i]. Какой вариант правильный? Объясните порядок выполнения по шагам.
1 356
6
🖥️ Черная пятница на Stepik на один из лучших курсов по контейнеризации! Если давно хотел разобраться в теме, но постоянно о
🖥️ Черная пятница на Stepik на один из лучших курсов по контейнеризации! Если давно хотел разобраться в теме, но постоянно откладывал или терялся среди десятков материалов, этот курс на Stepik поможет выстроить обучение последовательно. Что получишь: - Понятные объяснения без лишней воды. - Практические задания для закрепления знаний. - Возможность учиться в удобном темпе. - Структурированный подход вместо хаотичного поиска информации. Подойдёт тем, кто начинает с нуля или хочет систематизировать знания. Начни прокачивать навыки уже сейчас: https://stepik.org/course/303477/
1 215
7
Python: одна строка, которая изменит список, а потом выбросит исключение Что выведет этот код? data = ([1, 2],) try: data[0] += [3] except TypeError: print("Ошибка!") print(data) Варианты: A Ошибка! ([1, 2],) B Ошибка! ([1, 2, 3],) C ([1, 2, 3],) D TypeError: 'tuple' object does not support item assignment Здесь проверяется сразу несколько особенностей Python: неизменяемость кортежей, изменяемость вложенных объектов и поведение оператора +=. Какой вариант правильный и почему?
1 608
8
10 лет программирования на Python за 10 минут. База, которая сэкономит тебе годы Всё, что обычно понимаешь только через годы
10 лет программирования на Python за 10 минут. База, которая сэкономит тебе годы Всё, что обычно понимаешь только через годы работы и код-ревью: как Python хранит данные, питонический стиль, структуры данных, декораторы, генераторы, dataclass, обработка ошибок, типы и тесты, uv и pyproject.toml, профилирование, asyncio и numpy. Без синтаксиса для новичков, только опыт. 00:00 Вступление 00:16 Год 1. Как Python хранит данные 01:10 Год 2. Пиши по-питоновски 01:58 Год 3. Структуры данных 02:47 Год 4. Функции как объекты 03:41 Год 5. Генераторы 04:30 Год 6. ООП по-питоновски 05:22 Год 7. Ошибки и ресурсы 06:01 Год 8. Типы и тесты 06:42 Год 9. Окружение и проекты 07:27 Год 10. Производительность 08:12 Итоги https://www.youtube.com/watch?v=yQH3Hoo7JeM
1 520
9
Зачем вам Hugo и Jekyll? На Python теперь можно собрать статический сайт в три строки Разработчик nanodjango показал, как превратить Django в генератор статических сайтов без сложной конфигурации и десятков файлов. Всё приложение: from nanodjango import Django app = Django() app.pages("/", path="pages") Устанавливаем зависимости: pip install nanodjango django-nanopages django-distill Теперь достаточно положить Markdown-файлы в папку pages/. Они автоматически превращаются в страницы с поддержкой Django-шаблонов. Что особенно интересно: - Markdown и HTML с поддержкой frontmatter. - Автоматическая перезагрузка страниц при редактировании. - Генерация статического сайта одной командой. - Поддержка Django ORM, моделей и админки. - Возможность превратить проект в полноценное веб-приложение без переписывания с нуля. Сборка HTML: nanodjango manage website.py distill generate \ --output-directory=output/ --collectstatic Самая необычная возможность: можно управлять контентом через Django Admin и базу данных, а на выходе получать обычные статические HTML-файлы без серверной логики. Подойдёт для документации, блогов, лендингов и небольших сайтов. https://nanodjango.dev/blog/2026-10-static-site-builder/
1 768
10
📄️️️️️️ Agent Harness Course 2026 - как построить своего AI-агента с нуля Пошаговый курс на ~8 недель (1–2 часа в день): от
📄️️️️️️ Agent Harness Course 2026 - как построить своего AI-агента с нуля Пошаговый курс на ~8 недель (1–2 часа в день): от одного запроса к LLM до агента с инструментами, памятью, субагентами, защитой и тестами - и финального проекта. Свой учебный харнес на чистом Python без единой зависимости, 7 запускаемых уроков, финальный проект, 19 тестов и разбор архитектуры настоящего open-source агента. Ai Ml — материал переработан, структурирован и дополнен кодом, схемами и справочниками. Курс не учит «пользоваться ещё одним фреймворком». Он показывает, из чего сделан любой агент — Claude Code, Codex, Cursor, Devin, LearnHarness — и даёт собрать каждую деталь руками. После этого любой фреймворк читается за вечер, а любой баг агента - объясним. https://github.com/justxor/agent-harness-course/
1 733
11
Одна библиотека для сериализации и проверки данных в Python 🔥 msgspec объединяет работу с JSON, MessagePack и валидацию типо
Одна библиотека для сериализации и проверки данных в Python 🔥 msgspec объединяет работу с JSON, MessagePack и валидацию типов. Что внутри: - Быстрая сериализация. - Проверка данных по типам. - Поддержка JSON и MessagePack. - Типизированные структуры Python. Установка: pip install msgspec Стоит присмотреться, если в проекте много обмена структурированными данными и хочется совместить их обработку с проверкой. https://github.com/msgspec/msgspec
1 562
12
Django 6.1: загрузка связанных данных по требованию, каскадное удаление силами БД и новая настройка почты. Релиз вышел 5 августа. Три основных изменения: 1. Новые режимы загрузки полей FETCH_PEERS при обращении к незагруженному полю получает данные сразу для объектов из того же QuerySet. Это помогает бороться с N+1: from django.db import models books = Book.objects.fetch_mode(models.FETCH_PEERS) for book in books: print(book.author.name) В этом примере Django выполняет два запроса: за книгами и за их авторами. Режим `FETCH_RAISE` вместо неявного запроса выбрасывает исключение – полезно для обнаружения неожиданных обращений к БД. 2. Удаление на уровне базы Для ForeignKey.on_delete появились `DB_CASCADE`, `DB_SET_NULL` и `DB_SET_DEFAULT`. Логику выполняет сама БД через SQL ON DELETE. Нюанс: `DB_CASCADE` не вызывает сигналы `pre_delete` и `post_delete`. 3. Несколько почтовых бэкендов Настройка `MAILERS` позволяет описывать разные подключения словарём, а при отправке выбирать нужное через using. Перед обновлением проверьте версии БД: нужны PostgreSQL 15+, MySQL 8.4+, MariaDB 10.11+ или SQLite 3.37+. https://www.djangoproject.com/weblog/2026/aug/05/django-61-released/
2 267
13
LRU-кэш на Python: разбор задачи с собеседования (O(1), OrderedDict, TTL) Разбираем LRU-кэш на Python за O(1): двусвязный спи
LRU-кэш на Python: разбор задачи с собеседования (O(1), OrderedDict, TTL) Разбираем LRU-кэш на Python за O(1): двусвязный список и хеш-таблица, решение через OrderedDict, TTL и потокобезопасность. Код, тесты и типичные ошибки. LRU-кэш (Least Recently Used) - одна из самых популярных задач на собеседованиях Python-разработчиков уровня middle и senior. Она короткая, но сразу показывает, понимает ли кандидат сложность алгоритмов, умеет ли комбинировать структуры данных и пишет ли чистый код. В этой статье разберём задачу по шагам: от наивного решения к оптимальному за O(1), затем к Pythonic-версии через OrderedDict и к усложнениям, которые любят давать интервьюеры. https://uproger.com/lru-cache-python-sobesedovanie/
1 604
14
👨🏻‍💻 AI в бэкенд-задачах — на Podlodka Backend Crew Код теперь может написать агент, но за результат всё ещё отвечаете вы.+4
👨🏻‍💻 AI в бэкенд-задачах — на Podlodka Backend Crew Код теперь может написать агент, но за результат всё ещё отвечаете вы. Организаторы Podlodka Backend Crew собрали конференцию о том, как работать с бэкендом после того, как AI написал код. Причём в программе нет докладов в жанре «у нас все получилось» — только реальная практика. Конференция пройдёт с 26 по 30 октября. 🧠️️️️ Участники сезона: • Разберут пулл‑реквесты от агента и попробуют предотвратить возможные инциденты на рулетке кейсов • Выяснят, какие неожиданные ловушки скрываются в OpenAPI и на что обращать внимание при разработке контрактов • Разберут антипаттерны в AI-юнит-тестах, узнают, как их избежать с помощью современных инструментов, и заберут себе новый агентский скилл • Спроектируют бэкенд дейтинг-приложения на архитектурной кате и решат, где в нём действительно нужен AI. Формат Podlodka Backend Crew — комфортный онлайн: 5 дней, утренние и вечерние сессии в Zoom. Отдельный плюс — цена: заметно ниже привычных конференций, при этом вы не просто слушаете о чужом опыте, а разбираете PR и отвечаете за релиз, проектируете систему в команде и расследуете чужие провалы. Такого вовлечения не получить на обычной конференции. 🔗 Изучайте программу и присоединяйтесь: https://podlodka.io/becrew Промокод на скидку для подписчиков backendcrew
1 427
15
Немає тексту...
1 753
16
Как выучить Python с нуля в 2026 году: пошаговый план для начинающих Пошаговый план изучения Python с нуля: установка, синтак
Как выучить Python с нуля в 2026 году: пошаговый план для начинающих Пошаговый план изучения Python с нуля: установка, синтаксис, первые проекты, ошибки новичков и ответы на частые вопросы. С примерами кода. Python — один из самых популярных языков программирования в мире. В этой статье - пошаговый план, как выучить Python с нуля: от установки до первых проектов, с примерами кода, типичными ошибками новичков и ответами на частые вопросы. https://uproger.com/kak-vyuchit-python-s-nulya/
1 897
17
LLM в 200 раз быстрее: скоринг вместо генерации Как превратить открытую LLM в быстрый локальный движок решений через скоринг
LLM в 200 раз быстрее: скоринг вместо генерации Как превратить открытую LLM в быстрый локальный движок решений через скоринг следующего токена в SGLang: код, тесты на Qwen и сравнение с генерацией. Многие вызовы LLM в продакшене вообще не требуют нового текста. Приложение заранее знает все допустимые ответы, и модели остается только выбрать один из них. Классический пример: тикет в поддержку «С меня дважды списали деньги за одну и ту же подписку», который нужно отправить в биллинг, техподдержку или отдел доступа к аккаунтам. https://uproger.com/lokalnaya-llm-jev-skoring-sglang/
1 883
18
В Python 3.15 одна звёздочка заменяет вложенный цикл Раньше для объединения списков писали: rows = [[1, 2], [3], [4, 5]] flat = [x for row in rows for x in row] Теперь достаточно: flat = [*row for row in rows] # [1, 2, 3, 4, 5] Двойная звёздочка объединяет словари: configs = [ {"debug": False, "timeout": 10}, {"timeout": 30}, ] config = {**part for part in configs} # {'debug': False, 'timeout': 30} При совпадении ключей побеждает последнее значение — удобно собирать настройки из нескольких источников. Распаковка убирает один уровень вложенности. В Python 3.14 такой синтаксис внутри comprehensions вызовет SyntaxError. https://peps.python.org/pep-0798/
1 848
19
Зачем готовиться к собеседованию вслепую, если можно заранее посмотреть, какие будут вопросы и задачи? Ребята из Поступашек уже 6 лет собирают реальные задания и разборы собеседований в BigTech. Там можно найти не только сами вопросы, но и разборы технических секций, критерии оценки и рекомендации по подготовке. Собрали подборку полезных материалов под разные направления: ➡️ Аналитикам: — Собеседования на продуктового и бизнес-аналитика в Т-Банке 🟨 — Что спрашивают по A/B-тестированию в X5 🌿 , разбор собес на DS в Яндекс 🟥 ➡️ Разработчикам: — Go и System Design в Ozon 🔵, GO в Авито😎 — Банк алгоритмических собеседований из BigTech ➡️ ML/AI-инженерам: — Все вопросы на ML-собеседование в Яндексе 🟥 и ML в Авито 😎 — 10 кейсов по ML System Design в Т-Банке 🟨 ➡️ Тем, кто ищет первую стажировку: — Как получить стажировку в 2026 году — Где взять опыт, если его нет В Поступашках регулярно выходят новые разборы собеседований, карьерные гайды, стажировки и инсайды о найме в BigTech. Лучше увидеть эти вопросы до собеседования, чем узнать о них после отказа ПОСТУПАШКИ ПОДПИСАТЬСЯ
1 498
20
Немає тексту...
1 762