Python вопросы с собеседований
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.
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/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/
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.
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?
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/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/
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/