Python вопросы с собеседований

🖥 Поиск значений в словаре неизвестной глубины

Периодически на собеседованиях попадаются задачи с похожей формулировкой.

🟡Перебрать весь словарь неизвестной глубины и содержимого, включающие в себя вложенные словари, можно с помощью рекурсии. Для этого подойдет функция такого вида (кстати, здесь используются аннотации типов):

def find_all_keys(input_dict: dict) -> list:
    result = []
    for key, val in input_dict.items():
        if key.startswith('description'):
            result.append(val)
        if isinstance(val, dict):
            result.extend(find_all_keys(val))
    return result

Функция перебирает все элементы словаря и либо кладет его в новый словарь с результатами, если есть совпадение с искомым, либо запускает сама себя для элементов, представляющие собой так же словарь. На выходе получается массив найденных значений.

🟡Для запуска поиска нужно создать переменную под массив с результатам и вызвать созданную функцию, передав ей исходный словарь:

data = yaml.safe_load(Path(sys.argv[1]).read_text())
descriptions = find_all_keys(data)

Ну вот, теперь на одну проблемную задачу меньше)

@python_job_interview

🖥 Как упаковать бинарные зависимости?

Для упаковки бинарных зависимостей в проект следует использовать менеджеры пакетов. Для Python наиболее распространены pip и conda. Для Java - Maven или Gradle.

Пример для Python с использованием pip:

Установите необходимые библиотеки и зависимости в проекте:
pip install requests numpy pandas
Создайте файл requirements.txt с полным списком зависимостей:

requests
numpy
pandas

Упакуйте зависимости в архив:
pip freeze > requirements.txt
Можно передать файл requirements.txt другим пользователям вашего проекта, которые могут установить все зависимости одной командой:

pip install -r requirements.txt

Для упаковки бинарных зависимостей можно использовать инструмент wheel. Wheel-файлы - это zip-архивы, содержащие установочные файлы для Python-пакетов, и могут содержать бинарные расширения (например, скомпилированные модули C), которые необходимо собрать и установить на целевой машине.

Для создания wheel-файла для Python-пакета можно использовать команду pip wheel. Например, если есть файл с требованиями requirements.txt, содержащий список зависимостей вашего проекта, можете создать wheel-файлы для всех зависимостей с помощью следующей команды:

pip wheel -r requirements.txt

Вы также можете установить wheel-файлы с помощью pip install, указав имя файла:

pip install mypackage-1.0.0-py3-none-any.whl
Таким образом, вы можете создавать и распространять бинарные зависимости в виде wheel-файлов и использовать их при установке пакетов на других устройствах.

@python_job_interview

🔎 С помощью каких инструментов можно выполнить статический анализ кода?

Для статического анализа кода есть несколько инструментов:

Pylint - это инструмент, который анализирует исходный код на соответствие PEP8, а также предупреждает о потенциальных ошибках в коде.

Flake8 - это комбинированный инструмент, который объединяет в себе Pylint, PyFlakes и множество других правил, обеспечивающих соответствие стиля написания кода и обнаруживающих ошибки в исходном коде.

Mypy - это статический типизатор для Python, который позволяет находить ошибки в типах переменных в исходном коде.

Bandit - это инструмент для поиска уязвимостей в исходном коде Python.

Black - это инструмент для автоматического форматирования кода Python, который придерживается только одного стиля написания кода.

Pycodestyle — это простая консольная утилита для анализа кода Python, а именно для проверки кода на соответствие PEP8. Один из старейших анализаторов кода, до 2016 года носил название pep8, но был переименован по просьбе создателя языка Python Гвидо ван Россума.

Vulture — это небольшая утилита для поиска “мертвого” кода в программах Python. Она использует модуль ast стандартной библиотеки и создает абстрактные синтаксические деревья для всех файлов исходного кода в проекте. Далее осуществляется поиск всех объектов, которые были определены, но не используются. Vulture полезно применять для очистки и нахождения ошибок в больших базовых кодах.

Эти инструменты могут улучшить качество кода, облегчить его чтение и поддержку, а также помочь избежать ошибок, связанных с типами переменных и уязвимостями безопасности.

Пишите в комментариях, какие инструменты анализа кода используете вы 👇

@python_job_interview

🖥 В чем разница между итератором и генератором?

В Python и итераторы, и генераторы позволяют перебирать элементы коллекций, но работают немного по-разному.

🔘Итераторы — это объекты, которые реализуют методы __iter__() и __next__(). Метод __iter__() возвращает сам итератор, а __next__() — следующий элемент коллекции. Если элементы заканчиваются, __next__() должен вызвать исключение StopIteration. Итераторы позволяют явно перебирать элементы коллекции, не требуя, чтобы все элементы были доступны в памяти одновременно.

🔘Генераторы — это специальный способ реализации итераторов. Они создаются при помощи функций с ключевым словом yield. Главное отличие генератора заключается в том, что значения генерируются по требованию. Каждый раз, когда генератор достигает yield, он возвращает значение и «замирает», сохраняя своё состояние до следующего вызова. Это позволяет использовать меньше памяти при итерации по длинным последовательностям.

#вопросы_с_собеседований

🖥 Проверка на верное количество парных скобок [{()}]

▶️Популярная задача с собеседований: написать код для проверки, верно ли расставлены скобки в выражении (для каждой открывающей должна быть закрывающая скобка).
Как можно написать этот код?

▶️Оптимальным решением будет использование стека и постоянное удаление элементов в нем, если скобки открывающаяся и закрывающаяся совпадают, то они очищаются из стека и так до тех пор, пока он не окажется пустым:

def check(string):
    brackets_open = ('(', '[', '{', '<')
    brackets_closed = (')', ']', '}', '>')
    stack = []
    for i in string:
        if i in brackets_open:
            stack.append(i)
        if i in brackets_closed:    
            if len(stack) == 0:
                return False
            index = brackets_closed.index(i)
            open_bracket = brackets_open[index]
            if stack[-1] == open_bracket:
                stack = stack[:-1]  
            else: return False  
    return (not stack)

Проверяем, как работает:

str1 = '[{([[[<>]]])(<>)(){}}]' 
str2 = ']()(){<>}[[()]]' 

print(check(str1))  #True
print(check(str2))  #False

🟡Ну а если хочется вызвать особые чувства у собеседующего — используйте Regex (второе изображение)

@python_job_interview

🖥 Задача о дубликатах в списке

Итак, задача: напишите функцию, которая принимает на вход несортированный связный список и удаляет из него все дубликаты.
Задачу можно решить как минимум 2 способами

🟡Движение по списку с использованием двух указателей

def remove_duplicates(first):
   if not first:
       return

   nextone = first

   while nextone:
       runner = nextone
       while runner.next:
           if runner.next.val == nextone.val:
               runner.next = runner.next.next
           else:
               runner = runner.next
       nextone = nextone.next

   return first

Функция remove_duplicates принимает на вход один аргумент first, в который мы передаем начало списка.

Далее создаем переменную nextone, которая инициализируется значением first. nextone используем для перемещения по списку, она указывает на текущий элемент. То есть эта переменная является первым указателем. Переменная runner — второй указатель.


🟡Метод с использованием хеш-таблицы

Этот подход к удалению дубликатов в связанном списке использует хеш-таблицу, чтобы отслеживать пройденные уникальные значения.

def remove_duplicates(list_head):  
    if not list_head:  
        return  
  
    seen = set()  
    current = list_head  
    prev = None  
  
    while current:  
        if current.val in seen:  
            prev.next = current.next  
        else:  
            seen.add(current.val)  
            prev = current  
        current = current.next  
  
    return list_head

Функция remove_duplicates принимает на вход один аргумент list_head, в который мы передаем начало списка. Она проверяет, пуст ли список. Если да, она возвращает результат и завершает работу. Если в списке содержится хотя бы один элемент, функция начинает их обрабатывать.

Далее создаем множество seen, которое будем использовать для отслеживания уникальных значений связанного списка.

Подробнее

@python_job_interview

🖥 Как преобразовать строчное значение в список?

⏩Есть строка: expr_str = "[1, 2, 3, 4]"
Как эту строку можно преобразовать в список?

Вот, аж целых четыре способа
🟡Вариант 1

from ast import literal_eval

res = literal_eval(expr_str)

🟡Вариант 2

import json

res = json.loads(expr_str)

🟡Вариант 3

import yaml

res = yaml.safe_load(expr_str)

🟡Вариант 4

res = [int(i) for i in re.findall('\d+', expr_str)]

@python_job_interview

👩‍💻 Как вы будете проверять утечку памяти в Linux?

Для проверки утечки памяти в Linux можно использовать утилиту Valgrind.

Она предназначена для отладки программ, написанных на C, C++ и других языках, и позволяет обнаруживать утечки памяти, ошибки использования указателей и другие проблемы.

Для использования Valgrind в Python необходимо установить пакет memcheck-3.4.1 (или более новую версию) и запустить интерпретатор Python с помощью утилиты Valgrind. Например:

valgrind --tool=memcheck --leak-check=yes python myscript.py
Это запустит скрипт myscript.py под управлением Valgrind и выведет отчет о возможных утечках памяти и других проблемах.

Также можно использовать модуль Python tracemalloc, который позволяет отслеживать использование памяти в Python и выводить отладочную информацию. Пример использования:

import tracemalloc
tracemalloc.start()  # начало трассировки памяти

# ваш код

snapshot = tracemalloc.take_snapshot()  # текущее состояние памяти
top_stats = snapshot.statistics('lineno')

print("[ Top 10 ]")
for stat in top_stats[:10]:
    print(stat)

Это выведет топ-10 участков кода с наибольшим использованием памяти. Однако, обратите внимание, что использование tracemalloc может снизить производительность программы и требует дополнительной обработки кода.

@linuxacademiya

🖥 Как проверить содержится ли в строке какое-то слово из списка?

▶️Например есть список:

words = ["Авто", "Велосипед", "Самолет"]

И такая строка:

st = "Быстрый автомобиль"

Нужно вернуть True, т.к. в строке есть слово "авто" из списка.


▶️Можно вот так:

def is_part_in_list(st, words):
    for word in words:
        if word.lower() in st.lower():
            return True
    return False
    
print(is_part_in_list(st, words))    

*️⃣Изящный вариант в одну строку:

print(any(word.lower() in st.lower() for word in words))

*️⃣Или можно вот так с маппингом вместо цикла для разнообразия:

print(any(map(text.lower().__contains__, map(st.lower, words))))

@python_job_interview

📌Система контроля версий git. Первый проект на GitHub

Есть то, что объединяет всех разработчиков, неважно, на Python вы пишите или на чём-то ещё — это понимание git 🤓
Держите мощный туториал по системе контроля версий git и о его реализации на примере GitHub.
Самое то, если только разбираетесь с этим, да и для GitHub-гуру подойдёт, освежить основные понятия не помешает.

Некоторые факты из статьи:
⏩Ветвление по умолчанию может быть "main" или "master" в зависимости от версии Git и настроек окружения.

⏩Создание новой ветки помогает изолировать изменения от основного кода и решать проблемы.

⏩Конфликты могут возникнуть при слиянии изменений из разных веток, и их разрешение требует проверки состояния репозитория и внесения необходимых изменений в файлы.

⏩Работа с удаленными репозиториями на GitHub включает создание аккаунта, создание удаленного репозитория, связывание локального репозитория с удаленным и отправку изменений на GitHub.

⏩Pull Requests (запросы на внесение изменений) используются на платформе GitHub для предложения изменений в код проекта и интеграции их в основную кодовую базу.

🖥 Туториал

@python_job_interview

👩‍💻 Как найти PID процесса и как узнать, сколько ресурсов занимает процесс в Linux?
В Linux можно найти идентификатор процесса (PID) с помощью утилиты ps.

Вы можете использовать команду ps aux | grep process_name для поиска процесса по его имени и показа его PID. Например:

ps aux | grep firefox
Это покажет все запущенные процессы Firefox, их PID и другую информацию.

Вы также можете использовать утилиту top, чтобы увидеть запущенные процессы и их PID. Команда top покажет текущую нагрузку на систему и список всех процессов, запущенных в данный момент. Она также отображает информацию о каждом процессе, включая его PID, процент использования процессора и использование памяти.

Чтобы узнать, сколько ресурсов занимает процесс, вы можете использовать утилиту ps. Команда ps отображает информацию о процессах, включая использование памяти. Вы можете использовать команду ps -p pid -o %cpu,%mem для показа процессорного и памятевого использования определенного процесса. Например:

ps -p 1234 -o %cpu,%mem

Это вернет процент использования процессора и памяти для процесса с PID 1234.

Если вы хотите увидеть более подробную информацию о процессах, вы можете использовать команду top.

В top вы можете сортировать процессы по использованию процессора или памяти, чтобы найти наиболее интенсивно использующий ресурсы процесс.

@python_job_interview

🖥 Что такое Method Resolution Order (MRO)?

Method Resolution Order (MRO) — это порядок, в котором интерпретатор ищет методы при множественном наследовании.

MRO описывает, как Python разрешает методы, вызываемые по наследству. Он определяет порядок, в котором функции и методы с одинаковыми именами в базовых классах располагаются при поиске.

По умолчанию Python использует алгоритм C3 линеаризации, чтобы вычислить MRO.

Этот алгоритм гарантирует, что при следовании MRO будут учитываться все исходные порядки, сохраняя при этом их локальный порядок.

MRO является важной концепцией множественного наследования в Python, и его понимание необходимо для эффективного использования этого языка.

@python_job_interview

🖥 Что такое множественное наследование и когда его следует использовать?
Множественное наследование - это когда класс наследуется от нескольких базовых классов. Это означает, что класс-потомок получает свойства и методы от всех своих базовых классов.

Пример использования множественного наследования в Python:

class A:
    def method_a(self):
        print("Method A")

class B:
    def method_b(self):
        print("Method B")

class C(A, B):
    def method_c(self):
        print("Method C")

obj_c = C()
obj_c.method_a()  # Output: Method A
obj_c.method_b()  # Output: Method B
obj_c.method_c()  # Output: Method C

В этом примере классы A и B являются базовыми классами для класса C. Класс C получает свойства и методы от классов A и B, и может использовать их в своих собственных методах.

Множественное наследование может быть полезно, когда вам нужно использовать свойства и методы из разных классов, чтобы создать новый класс с уникальным поведением. Однако, когда используется множественное наследование, может возникать проблема "алмазного наследования", когда два базовых класса оба имеют одноименный метод, что может привести к неоднозначности и ошибкам в коде.

Если такая проблема возникает, то рекомендуется пользоваться композицией вместо множественного наследования.

Композиция - это когда вы создаете класс, включающий в себя другие классы в качестве своих атрибутов. Для примера, класс может иметь атрибут объекта класса вместо наследования от этого класса.

@python_job_interview

🖥 Что такое DRY, как я могу применить его через ООП или FP?

DRY - это принцип разработки, который означает "Don't Repeat Yourself" (не повторяйся). В контексте программирования, DRY означает, что любой фрагмент кода должен иметь только один источник истины, и он должен быть легко доступен и изменяем. Это уменьшает количество дублирующегося кода и упрощает процесс сопровождения и изменения кода.

Через ООП или ФП, можно применять принцип DRY следующим образом:

ООП: используйте наследование, полиморфизм и абстракцию для организации кода. Вынесите общие методы и свойства в родительские классы, а для каждого подкласса определите только те функции, которые отличают его от других.

ФП: используйте функции высшего порядка, замыкания и лямбда-выражения. Выносите общие функции в модули или библиотеки, и переиспользуйте их при необходимости.

Вот пример того, как ООП можно использовать для применения принципов DRY:

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age

    def introduce(self):
        print(f"My name is {self.name} and I am {self.age} years old.")

class Student(Person):
    def __init__(self, name, age, major):
        super().__init__(name, age)
        self.major = major

    def introduce(self):
        super().introduce()
        print(f"I am majoring in {self.major}.")

class Teacher(Person):
    def __init__(self, name, age, department):
        super().__init__(name, age)
        self.department = department

    def introduce(self):
        super().introduce()
        print(f"I teach in the {self.department} department.")

Класс Person содержит общие атрибуты и поведение для всех людей в системе. Классы Student и Teacher наследуют от Person и добавляют свои определенные атрибуты и поведение. Таким образом, мы избегаем дублирования кода таких атрибутов, как имя и возраст, или таких методов, как внедрение.

Используя ООП и наследование, мы можем эффективно применять принципы DRY и сделать код более удобным в сопровождении и расширяемым. Точно так же вы можете использовать функции и композицию более высокого порядка в FP для достижения тех же целей.

@python_job_interview

🖥 List Comprehensions в Python: создание эффективного и читаемого кода

⏩Держите полезное видео по list comprehensions в Python — это супер-популярная штука, и часто встречается в энтерпрайзном коде.
Также в видео затрагиваются такие темы как:
— генераторы
— тернарный оператор
— множество set()
— вложенные циклы
и много других, особенно актуальных для начинающих вещей

📎 Кликабельный план видео
📎 YouTube

@python_job_interview

🖥 Факт дня — словари dict() в Python

▶️Держите полезную теорию по словарям в Python.
Затронута большая часть того, что пригодится в реальной работе, а именно:
— Создание словаря
— Длина словаря
— Доступ к элементам словаря
— Добавление элементов в словарь
— Изменение элементов в словаре
— Проверка ключей в словаре
— Удаление пары ключ-значение из словаря
— Преобразование словаря в список элементов
— Очистка словаря
— Удаление словаря
— Копирование словаря
— Получение ключей словаря в виде списка
— Получение значений словаря в виде списка

▶️А вот пару заданий на закрепление, если сможете сделать их без проблем — значит, умеете работать со словарями на базовом уровне:
— Создайте пустой словарь с именем dog.
— Добавьте в словарь dog ключи "name", "color", "breed", "legs" и "age".
— Создайте словарь student и добавьте ключи "first_name", "last_name", "gender", "age", "marital status", "skills", "country", "city" и "address".
— Получите длину словаря student.
— Получите значение ключа "skills" и проверьте его тип данных, он должен быть списком.
— Измените значения ключа "skills", добавив одну или две навыка.
— Получите ключи словаря в виде списка.
— Получите значения словаря в виде списка.
— Преобразуйте словарь в список кортежей с помощью метода items().
— Удалите один из элементов из словаря.
— Удалите один из словарей полностью.

📎 Теория по словарям

@python_job_interview

🖥 Приёмы эффективного кода на Python

⏩Держите полезную статью, в которой описаны приёмы написания более производительного кода

Вот некоторые обсуждаемые вещи:
• создание списков при помощи list comprehensions
• об использовании глобальных переменных
• генераторы, yield и вот это всё
• функция enumerate

📎 Статья

@python_job_interview