И снова на диване.
Очевидно, что SQL – не единственный инструмент аналитика. Второй инструмент, который требуется практически всем продуктовым и дата-аналитикам – это Python. Допустим, тебе необходимо провести небольшое исследование на данных или спарсить данные с сайта. Или ты хочешь поставить скрипты на расписание. Или подключиться к сервису, чтобы получить данные. В таком случае без питона никуда.
Сложность Python-задач на собеседованиях зависит от компании и уровня требований, которые предъявляются к аналитику. Для прохождения интервью в Яндекс, например, необходимо знание алгоритмов и структур данных, а также основ объектно-ориентированного программирования (имею в виду прежде всего классы).
В большинстве же компаний обычно достаточно продемонстрировать понимание того, как написать на питоне функцию, как работать со строкой и числами, списком и словарем, как работает цикл. Приведу три примера задач с собеседований:
1. Задана строка S из малых латинских букв. Требуется узнать длину наибольшей подстроки, в которой все буквы одинаковы.
2. Проверить, является ли слово палиндромом (читается одинаково слева-направо и справа-налево).
3. Проверить, является ли число простым (делится только на 1 и на себя).
Обычно интервьюер хочет, чтобы сначала соискатель проговорил вслух предполагаемый алгоритм решения и оценил его сложность по времени (иногда и сложность по памяти), и только потом закодил. Если предлагаемый вариант решения неоптимален, интервьюер предложит подумать еще или даст подсказку.
После написания решения важно остановиться и обдумать краевые случаи – что будет, если на вход функции придет пустая строка? Или ноль? Надо обработать такие случаи, чтобы код не падал.
Для знакомства со структурами данных советую курс Балакирева. Про оценку сложности алгоритмов здесь тоже есть, на мой взгляд очень понятно и доступно.
#Python_с_собеса #рекомендация