Python вопросы с собеседований
24.8K subscribers
750 photos
103 videos
17 files
618 links
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
Download Telegram
25 лучших бесплатных ресурсов для изучения ИИ в 2026 году

Курсы Стэнфорда и MIT, книги, YouTube-каналы и открытые репозитории для изучения ИИ с нуля до LLM и агентов. Подборка по этапам и готовый маршрут обучения.

https://uproger.com/25-resursov-dlya-izucheniya-ii-2026/
❤3👍2
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/
❤13👍5🔥2
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/
❤4👍2🔥1
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/
👍3❤2🔥1
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/
❤2👍2🔥1
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/
❤4👏2👍1
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
❤4🔥2👍1
📄️️️️️️ 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/
❤6👍3🥰1
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/
👍4❤3🔥3🤔1
Media is too big
VIEW IN TELEGRAM
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
🥴6👍5🔥2
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?
❤4👍3🔥1
🖥️ 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/
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍1🔥1😁1
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.
❤3👍3
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/
👍10❤3
This media is not supported in your browser
VIEW IN TELEGRAM
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
🔥3❤1👍1
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/
🔥3❤1🥰1
This media is not supported in your browser
VIEW IN TELEGRAM
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
🔥8👍3👎2❤1
Вредоносные выпуски PyPI-пакета agent-framework, развиваемого Microsoft. Отключение git-репозитория ONNX Runtime

Злоумышленникам удалось опубликовать в репозитории PyPI вредоносные версии agent-framework 1.26.1 и 1.26.2, развиваемого компанией Microsoft инструментария для разработки AI-агентов на языке Python. В указанные выпуски был встроен вредоносный код, осуществляющий поиск и отправку учётных данных, токенов и ключей для подключения к облачным сервисам и системам непрерывной интеграции. Git-репозиторий agent-framework на GitHub в настоящее время отключён. Также по неизвестным пока причинам отключён git-репозиторий более популярного проекта Microsoft - ONNX Runtime, PyPI-пакет которого насчитывает 140 млн загрузок в месяц.

Полный текст:
https://opennet.ru/66714/
https://opennet.iss.one/66714/
👍1🥰1