Python вопросы с собеседований

💡 12 команд Git, которые должен знать каждый:

git init - создаёт новый Git-репозиторий в текущей папке (начинает контроль версий).

git add - запоминает изменения, подготавливая их для сохранения.

git commit - сохраняет подготовленные изменения с твоим комментарием (например, «починил баг» или «добавил кнопку»).

git push - отправляет сделанные коммиты в облачный (удалённый) репозиторий, чтобы их видели другие.

git pull - забирает последние изменения из облака и добавляет их в твою рабочую версию (автоматически объединяет).

git remote - помогает управлять ссылками на удалённые репозитории (добавлять новые или смотреть, какие уже подключены).

git branch - показывает существующие ветки, создаёт новые и позволяет переключаться между ними (чтобы работать параллельно с разными версиями кода).

git fetch - скачивает последние изменения из облака, но не объединяет их с текущим кодом (можно посмотреть заранее, что изменилось).

git checkout - переключает твою рабочую папку на другую ветку или на конкретный коммит (например, для тестирования).

git merge - объединяет изменения из одной ветки с текущей веткой (сливает их воедино).

git status - показывает, какие файлы были изменены, какие готовы к коммиту, а какие ещё нет (текущее состояние проекта).

git reset - позволяет вернуться назад по истории кода, отменив изменения до конкретного коммита (например, если что-то пошло не так).

🎚️ Сохраняйте себе или отправляйте друзьям - еще пригодится.

🧠 DeepSeek-OCR: Оптимизация оптического распознавания текста

DeepSeek-OCR — это модель для исследования роли визуальных энкодеров в контексте LLM. Она предлагает новые подходы к сжатию визуального текста и поддерживает различные режимы разрешения. Идеально подходит для задач OCR и обработки документов.

🚀Основные моменты:
- Модель для оптического распознавания текста.
- Поддержка нескольких режимов разрешения.
- Интеграция с Hugging Face для удобного использования.
- Исследование сжатия визуального текста.

📌 GitHub: https://github.com/deepseek-ai/DeepSeek-OCR

#python

Возможности Python реально впечатляют 😱

⚡️ Хитрая задача на Python: кратчайший подмассив с суммой ≥ K (O(n))

Задача. Дан массив A (могут быть отрицательные) и K. Найти минимальную длину подмассива с суммой ≥ K. Если нет — вернуть -1.

Подвох. С отрицательными числами не работает двухуказательную. Решение — префиксные суммы + монотонная дека.

Идея.
Пусть P[i] — префиксная сумма до i. Нам нужно минимизировать i - j при условии P[i] - P[j] ≥ K.
Храним индексы j в деке так, что значения P[j] строго возрастают:
- Пока текущий P[i] − P[deque[0]] ≥ K — обновляем ответ и выкидываем голову (нашли короткий кандидат).
- Пока P[i] ≤ P[deque[-1]] — выкидываем хвост (бессмысленные, более «жирные» префиксы).
- Затем добавляем i.

Сложность: каждый индекс заходит/вылетает из деки по разу → O(n).

Короткая реализация

from collections import deque
from math import inf
from typing import List

def shortest_subarray_at_least_k(A: List[int], K: int) -> int:
    P = [0]
    for x in A: P.append(P[-1] + x)
    dq, ans = deque(), inf  # dq хранит индексы префиксов, их суммы возрастают
    for i, s in enumerate(P):
        while dq and s - P[dq[0]] >= K:
            ans = min(ans, i - dq.popleft())
        while dq and P[dq[-1]] >= s:
            dq.pop()
        dq.append(i)
    return -1 if ans is inf else ans

# Примеры
if __name__ == "__main__":
    print(shortest_subarray_at_least_k([2, -1, 2], 3))         # 3 (весь массив)
    print(shortest_subarray_at_least_k([1, 2, 3, 4], 6))       # 2 (3+3 нет, но 2+4 или 3+4 длина 2)
    print(shortest_subarray_at_least_k([84, -37, 32, 40, 95], 167))  # 3

Почему это работает?
Если у нас есть два индекса j1 < j2 и P[j1] ≥ P[j2], то j1 никогда не даст более короткого валидного подмассива, чем j2, — его можно выбросить (инвариант монотонной деки).

🎨 Создание персонажей для визуальных новелл

VNCCS — мощный инструмент для создания уникальных спрайтов персонажей в визуальных новеллах. Он упрощает процесс генерации, позволяя создавать последовательные образы с помощью нейросетей всего за несколько шагов.

🚀Основные моменты:
- Интуитивный процесс создания персонажа в 5 этапов.
- Генерация одежды и эмоций для персонажей.
- Поддержка LoRA для обучения на пользовательских данных.
- Упрощение работы с нейросетями для художников.
- Экспорт готовых спрайтов для использования в проектах.

📌 GitHub: https://github.com/AHEKOT/ComfyUI_VNCCS

#python

🤖 PharosTestnet Bot: Автоматизация для криптоактивов

PharosTestnet-bot — это Python-бот для автоматизации различных операций с криптовалютами на тестовой сети. Он поддерживает множество функций, включая автоматический вход, управление ликвидностью и работу с прокси. Идеален для трейдеров, желающих оптимизировать свои действия.

🚀Основные моменты:
- Автоматический ежедневный вход
- Поддержка всех типов прокси
- Многопоточность для повышения производительности
- Автообмен и управление ликвидностью
- Получение статистики по аккаунтам

📌 GitHub: https://github.com/haspread/PharosTestnet-bot

#python

🖥 Проверка сетевых сервисов в Python через socket

В Python можно быстро проверить, доступен ли сетевой сервис и как быстро он отвечает, не прибегая к сложным утилитам.
Это помогает опытным разработчикам, когда нужно оперативно убедиться, что API или база данных действительно доступны и не "подвисают".

Через socket можно реализовать мини-проверку состояния сети и времени отклика.

import socket
import time

def check_service(host: str, port: int, timeout: float = 2.0):
    try:
        start = time.perf_counter()
        with socket.create_connection((host, port), timeout=timeout):
            elapsed = time.perf_counter() - start
            print(f"[OK] {host}:{port} доступен, ответ за {elapsed:.3f} сек")
    except Exception as e:
        print(f"[FAIL] {host}:{port} недоступен — {e}")

пример: проверка доступности Google DNS и локального сервиса

check_service("8.8.8.8", 53)
check_service("localhost", 5432)

🔥Продвинутый совет по ускорению Python-кода

Один из скрытых тормозов Python — частые вызовы маленьких функций внутри циклов. Каждый вызов вносит оверхед интерпретатора. Если функция простая, её можно «инлайнить» (встроить прямо в цикл), или использовать NumPy vectorization и Numba JIT, чтобы убрать лишние вызовы.

Например, вместо того чтобы вызывать функцию миллионы раз, можно скомпилировать её через @njit из Numba — и Python-код превратится в машинный, работая в десятки раз быстрее. Это особенно эффективно для численных расчётов, работы с массивами и больших циклов.

Хочешь больше таких фишек? Подписывайся на нас и каждый день получай свежие и нестандартные советы, которые реально прокачают твои навыки разработчика!

import numpy as np
from numba import njit

# Обычная Python-функция — будет работать медленно на больших данных
def transform(x):
    return x * x + x % 7

# JIT-компиляция убирает интерпретационный оверхед
@njit
def fast_transform(arr):
    res = np.empty_like(arr)
    for i in range(arr.size):
        res[i] = arr[i] * arr[i] + arr[i] % 7
    return res

data = np.arange(10_000_000, dtype=np.int64)

# Медленный вариант: Python-функция внутри list comprehension
res1 = [transform(x) for x in data]

# Быстрый вариант: Numba скомпилировала цикл в машинный код
res2 = fast_transform(data)

print(res1[:5], res2[:5])

🖥 Python trick: группировка с помощью itertools.groupby

Иногда при работе с коллекциями в пайтон нужно быстро сгруппировать данные по ключу и при этом не писать громоздкий цикл с проверками. В таких случаях можно использовать модуль итэртулз и функцию группбай. Она позволяет превратить список в словарь с удобной структурой, где каждый ключ сразу содержит все связанные элементы. Это сильно экономит строки кода и делает его чище.

from itertools import groupby
from operator import itemgetter

data = [
    {"category": "A", "value": 10},
    {"category": "B", "value": 20},
    {"category": "A", "value": 30},
    {"category": "B", "value": 40},
]

 сортировка обязательна перед groupby
data.sort(key=itemgetter("category"))

grouped = {
    key: list(group) for key, group in groupby(data, key=itemgetter("category"))
}

print(grouped)

🌟 Рисуем шахматную доску с помощью Matplot!

@python_job_interview

🐍 Хитрая задача с собеседования по Python

> Что выведет этот код и почему?

def extend_list(val, lst=[]):
    lst.append(val)
    return lst

list1 = extend_list(10)
list2 = extend_list(123, [])
list3 = extend_list('a')

print(list1, list2, list3)

❓Вопрос: Почему list1 и list3 одинаковы?

🔍 Разбор:

Аргументы по умолчанию в Python вычисляются один раз — в момент определения функции, а не при каждом вызове.

Поэтому lst=[] создаётся один раз и сохраняется между вызовами, если вы не передали свой список явно.

🧠 Что произойдет:

- extend_list(10) → использует общий список [], теперь он [10]

- extend_list(123, []) → создаёт новый список [123]

- extend_list('a') → снова использует общий список → [10, 'a']

👉 Результат:

[10, 'a'] [123] [10, 'a']

✅ Как исправить:

Если вы хотите, чтобы по умолчанию создавался новый список при каждом вызове, делайте так:

def extend_list(val, lst=None):
    if lst is None:
        lst = []
    lst.append(val)
    return lst

Это классическая ловушка Python-интервью - mutable default arguments.

Проверяет, понимаешь ли ты, как работают значения по умолчанию и область памяти.

🧩 sync-with-uv

Небольшой, но полезный пакет, который автоматизирует синхронизацию версий между uv.lock и .pre-commit-config.yaml.

Зачем это нужно:
- Часто версии инструментов (black, ruff, mypy и др.) расходятся: одно указано в lock-файле, другое — в pre-commit.
- В итоге могут воспроизводиться разные окружения и непредсказуемые ошибки.

Что делает sync-with-uv:
- Автоматически подтягивает версии из uv.lock в .pre-commit-config.yaml.
- Интегрируется как pre-commit hook.
- Поддерживает частичную синхронизацию — не затрагивает инструменты, для которых версии не заданы.

Итог: один источник правды для зависимостей, меньше ручной рутины и более стабильные пайплайны.

🔗 Репозиторий: https://github.com/tsvikas/sync-with-uv

🧠 Создайте своего ChatGPT с nanochat

nanochat — это минималистичный фреймворк для создания LLM, аналогичного ChatGPT, с возможностью запуска на одном узле. Он включает все этапы от токенизации до веб-сервиса с простым интерфейсом, позволяя взаимодействовать с вашим собственным языковым моделью.

🚀Основные моменты:
- Полный стек для создания LLM в одном коде.
- Легкий в использовании и настройке.
- Поддержка различных моделей с разными затратами.
- Возможность оценки и анализа производительности.

📌 GitHub: https://github.com/karpathy/nanochat

#python

🖥 Практический гайд по автоматизации процессов на Python

Перед вами подробный практический гайд по автоматизации процессов на Python для продвинутых разработчиков. Он фокусируется на промышленном уровне качества: архитектура, надёжность, наблюдаемость, упаковка и деплой. В каждом разделе — конкретные паттерны и готовые фрагменты кода.

✔️ Подробнее

🖥 Полный гайд: защита от SQL-инъекций для разработчиков

SQL-инъекции остаются одной из самых частых и опасных уязвимостей в веб-приложениях. Ошибка в одном запросе — и злоумышленник получает доступ к базе данных, паролям и пользовательским данным.

В этом материале — полный практический разбор:
как именно происходят SQL-инъекции, какие ошибки разработчиков к ним приводят, как их распознать в коде и главное — как защититься.

Разберём реальные примеры на Python, PHP и Go, посмотрим, как атакующий «взламывает» запрос, и научимся писать безопасный код с параметризованными запросами и ORM.

Это не теория, а руководство, которое поможет понять уязвимость изнутри и навсегда закрыть её в своих проектах.

👉 Читать гайд

🖥 Что нового в Python 3.14 и почему стоит перейти

Python 3.14 вышел 7 октября 2025 года. Это новый стабильный релиз, который содержит как изменения в самом языке, так и улучшения в реализации, стандартной библиотеке, отладке и взаимодействии с многопоточностью.

Ниже - обзор ключевых нововведений, их смысла, применимости и возможных подводных камней.

🟠Основные нововведения (Release highlights)

- Отложенная (ленивая) оценка аннотаций - теперь аннотации не вычисляются сразу, что уменьшает накладные расходы.
- Поддержка нескольких интерпретаторов в рамках одного процесса через новый модуль.
- Новый синтаксис шаблонных строк (t-strings), который даёт больше контроля над статической и интерполированной частью.
- Более информативные сообщения об ошибках (например, подсказки для опечаток в ключевых словах).
- Поддержка формата сжатия Zstandard в стандартной библиотеке.
- Улучшенные возможности для отладки и профилирования, в том числе подключение к живому процессу без остановки.
- Улучшения в asyncio — команды для визуализации и диагностики задач, стеков ожидания и зависимостей.
- Уменьшение пауз сборщика мусора (gc) через инкрементальный сбор.
- Подсветка синтаксиса и автодополнение модулей в интерактивном режиме (REPL) по умолчанию.

🟠 Подробности и примеры

Ленивые аннотации - deferred evaluation of annotations

Раньше аннотации (для типов, документации, подсказок) могли вызывать вычисления прямо при определении функции или класса. Теперь они хранятся в виде «ленивых» структур и вычисляются по надобности. Это снижает накладные расходы на загрузку кода, особенно если аннотации сложные или содержат много forward-ссылок.

Есть модуль annotationlib, который позволяет исследовать аннотации программно и выбирать формат их получения — строки, объекты или отложенные ссылки.

Когда это особенно помогает:
- большие фреймворки, генерация кода, ORM, библиотеки с множеством аннотаций;
- ускорение импорта при старте приложений;
- уменьшение накладных расходов при работе с типами.

Что проверить при миграции:
- код, использующий __annotations__ напрямую, может требовать адаптации;
- убедитесь, что сторонние библиотеки, работающие с аннотациями, поддерживают новый формат.

Несколько интерпретаторов (subinterpreters)

Теперь в Python можно запускать несколько независимых интерпретаторов внутри одного процесса (модуль `concurrent.interpreters`).

Преимущества:
- изоляция между интерпретаторами (отдельная память, отдельный GIL);
- параллелизм на многоядерных системах;
- меньше накладных расходов, чем при использовании multiprocessing.

Ограничения:
- не все C-расширения поддерживают мультиинтерпретацию;
- коммуникация между интерпретаторами требует явных каналов (очереди, сообщения).

Это даёт реальную возможность распараллеливания CPU-задач без запуска отдельных процессов.

Template string literals (t-strings)

Новое синтаксическое средство — префикс t перед строкой, аналогично f'...'.
Результат — объект Template, который хранит текст и вставки по отдельности.

variety = 'Stilton'
template = t'Try some {variety} cheese!'

- Подробности
- Скачать
- Видеообзор

🔥 Python: функции-фабрики

Простой, но мощный трюк: генерация функций на лету через замыкания. Вместо дублирования логики можно одной фабрикой создавать десятки разных функций.

Хочешь больше таких фишек? Подписывайся на нас и каждый день получай свежие и нестандартные советы, которые реально прокачают твои навыки разработчика!

def make_pow(exp):
      return lambda x: x ** exp

square = make_pow(2)
cube = make_pow(3)

print(square(4), cube(2))

#Python, #программирование, #кодинг, #разработка, #собеседование, #интервью, #PythonJobs, #DataScience, #MachineLearning, #AI, #backend, #webdev, #Django, #Flask, #FastAPI, #API, #REST, #asyncio, #многопоточность, #многозадачность, #библиотеки, #NumPy, #Pandas, #TensorFlow, #PyTorch, #SQL, #ORM, #SQLAlchemy, #тестирование, #unittest, #pytest, #TDD, #алгоритмы, #структурыданных, #OOP,

🤖 Grass Bot: Автоматизация для Telegram

Grass Bot — это простой Python-бот для автоматизации задач в Telegram с поддержкой многопоточности и различных типов прокси. Идеален для управления несколькими аккаунтами и получения статистики.

🚀 Основные моменты:
- Многопоточность для повышения производительности
- Поддержка всех типов прокси
- Легкость в настройке аккаунтов и прокси

📌 GitHub: https://github.com/haspread/grass-bot

#python