🤔 Какая сложность у пузырьковой сортировки?

Пузырьковая сортировка (Bubble Sort) — это один из самых простых, но неэффективных алгоритмов сортировки.

🚩Как работает пузырьковая сортировка?

1. Проходим по массиву несколько раз.
2. На каждой итерации сравниваем соседние элементы и меняем их местами, если они идут не в том порядке.
3. После первого прохода наибольший элемент оказывается в конце массива.
4. Повторяем процесс, пока массив не отсортируется.

🚩Рассчёт сложности (`O(n²)`)

Количество сравнений в худшем случае:
- На первой итерации: n-1 сравнений
- На второй: n-2 сравнений
- На третьей: n-3 сравнений
- …
- Всего: (n-1) + (n-2) + ... + 1 = O(n²)
Количество обменов (swap) в худшем случае:
- Если массив полностью перевёрнут, на каждой итерации будет максимальное количество перестановок → O(n²).

🚩Оптимизированная пузырьковая сортировка (`O(n)`)
Если на проходе по массиву не было перестановок, значит массив уже отсортирован.

def bubble_sort(arr):
    n = len(arr)
    for i in range(n):
        swapped = False  # Флаг, отслеживающий перестановки
        for j in range(n - i - 1):
            if arr[j] > arr[j + 1]:  # Если элементы в неправильном порядке, меняем местами
                arr[j], arr[j + 1] = arr[j + 1], arr[j]
                swapped = True
        if not swapped:
            break  # Если перестановок не было, завершаем сортировку

arr = [1, 2, 3, 4, 5]  # Уже отсортированный массив
bubble_sort(arr)
print(arr)  # [1, 2, 3, 4, 5]

Ставь 👍 и забирай 📚 Базу знаний

🤔 Что такое генератор?

Генератор — это функция, которая возвращает итератор и использует ключевое слово `yield` для ленивого вычисления значений. Генераторы позволяют возвращать элементы по одному, сохраняя состояние функции между вызовами, что делает их идеальными для работы с большими наборами данных или потоками. В отличие от обычной функции, генератор не возвращает все значения сразу, а генерирует их по мере необходимости. Это помогает экономить память и ресурсы.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Что знаешь о идемпотентности?

Идемпотентность — это свойство операции, при котором повторное выполнение приводит к тому же результату, что и первое.

🚩Зачем нужна идемпотентность?

🟠Надёжности
если операция выполнится повторно (из-за ошибки сети), она не приведёт к неожиданному результату.
🟠Безопасности
позволяет избежать дублирования данных или неожиданных изменений.
🟠API и HTTP-запросов
гарантирует, что повторные вызовы API не создадут дубликатов.

🚩Идемпотентность в HTTP (REST API)
В веб-разработке идемпотентность важна для API-запросов, чтобы случайные повторные вызовы не привели к непредсказуемым последствиям.
Этот запрос идемпотентен — если отправить его 10 раз, пользователь "Alice" останется тем же.

POST /users { "name": "Alice" }

🚩Идемпотентность в базах данных

В SQL запросы SELECT и DELETE часто идемпотентны, а INSERT — нет.

DELETE FROM users WHERE id = 5;

Этот запрос идемпотентен — удаление пользователя с ID = 5 несколько раз не изменит систему (если он уже удалён).

INSERT INTO users (name) VALUES ('Alice');

Ставь 👍 и забирай 📚 Базу знаний

🤔 Чем отличается JOIN от LEFT JOIN?

- JOIN (или INNER JOIN) возвращает только совпадающие строки из обеих таблиц;
- LEFT JOIN возвращает все строки из левой таблицы + совпадающие из правой (если нет совпадения — NULL).

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Что такое оконные функции?

Оконные функции (window functions) — это специальные функции в SQL, которые выполняют вычисления по строкам внутри "окна" (группы строк), но не агрегируют их.

SELECT 
    id, 
    месяц, 
    продавец, 
    сумма, 
    SUM(сумма) OVER (PARTITION BY месяц) AS общий_доход_в_месяц
FROM sales;

🟠`ROW_NUMBER()` – Нумерация строк
Пронумеруем продажи каждого продавца в порядке убывания суммы.

SELECT 
    id, 
    продавец, 
    сумма, 
    ROW_NUMBER() OVER (PARTITION BY продавец ORDER BY сумма DESC) AS номер
FROM sales;

🟠`RANK()` и `DENSE_RANK()` – Рейтинг с учётом одинаковых значений
Если два продавца получили одинаковую сумму, RANK() пропустит следующий номер, а DENSE_RANK() – нет.

SELECT 
    продавец, 
    сумма, 
    RANK() OVER (ORDER BY сумма DESC) AS ранг_1,
    DENSE_RANK() OVER (ORDER BY сумма DESC) AS ранг_2
FROM sales;

🟠3. `LAG()` и `LEAD()` – Доступ к предыдущей и следующей строке
LAG() даёт предыдущее значение, LEAD() – следующее.

SELECT 
    месяц, 
    продавец, 
    сумма, 
    LAG(сумма) OVER (PARTITION BY продавец ORDER BY месяц) AS предыдущий_месяц,
    LEAD(сумма) OVER (PARTITION BY продавец ORDER BY месяц) AS следующий_месяц
FROM sales;

🟠Использование оконных функций с `FRAME` (ограничение окна)
Иногда нужно анализировать не всю группу, а только несколько соседних строк.

SELECT 
    месяц, 
    продавец, 
    сумма, 
    AVG(сумма) OVER (PARTITION BY продавец ORDER BY месяц ROWS BETWEEN 2 PRECEDING AND CURRENT ROW) AS скользящее_среднее
FROM sales;

Ставь 👍 и забирай 📚 Базу знаний

🤔 Сколько может быть объектов None в памяти?

Только один. Python гарантирует, что None — это синглтон, и все ссылки на None указывают на один и тот же объект.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Назови основные команды docker?

Docker — это инструмент для создания, развертывания и управления контейнерами. Основные команды позволяют управлять образами, контейнерами, сетями и томами.

🚩Работа с образами (`images`)

Образы — это "шаблоны" для создания контейнеров.
Пример: скачиваем Python-образ

docker pull python:3.11

🚩Работа с контейнерами (`containers`)

Контейнер — это запущенный процесс на основе образа.
Пример: запустить контейнер с Ubuntu и войти в него

docker run -it ubuntu bash

Пример: остановить и удалить контейнер

docker stop my_app
docker rm my_app

🚩Работа с томами (`volumes`)

Том (volume) — это способ хранения данных, которые не пропадут при перезапуске контейнера.
Пример: подключить том к контейнеру

docker run -v my_data:/app/data ubuntu

🚩Работа с сетями (`networks`)

Сети в Docker позволяют контейнерам взаимодействовать друг с другом.
Пример: запустить два контейнера в одной сети

docker network create my_network
docker run -d --network my_network --name app1 ubuntu
docker run -d --network my_network --name app2 ubuntu

🚩5. Docker Compose (`docker-compose.yml`)

Docker Compose позволяет управлять несколькими контейнерами с помощью docker-compose.yml.
Пример docker-compose.yml

version: "3"
services:
  app:
    image: python:3.11
    volumes:
      - my_data:/app/data
    networks:
      - my_network

volumes:
  my_data:

networks:
  my_network:

Запуск

docker compose up -d

Ставь 👍 и забирай 📚 Базу знаний

🤔 Где лучше хранить хеш запроса — в Redis или PostgreSQL?

- Redis — лучше для временного хранения, кэширования, частого доступа;
- PostgreSQL — если хеш должен быть постоянным, использоваться в связях и аналитике.
Если нужны быстродействие и частые запросы — Redis. Если нужна надёжность и история — PostgreSQL.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Что быстрее python или c++?

C++ быстрее Python, потому что:
C++ — компилируемый язык, а Python — интерпретируемый.
C++ работает ближе к "железу", а Python использует абстракции.
C++ использует статическую типизацию, а Python динамическую (дополнительные проверки замедляют код).

🚩Разница в скорости выполнения

Простой пример: сложение чисел в цикле
Python (медленно)

import time

start = time.time()
s = 0
for i in range(10_000_000):
    s += i
end = time.time()

print("Python:", end - start, "сек")

Результат

Python: 0.8 сек

C++ (быстро)

#include <iostream>
#include <chrono>

int main() {
    auto start = std::chrono::high_resolution_clock::now();
    
    long long s = 0;
    for (int i = 0; i < 10000000; i++) {
        s += i;
    }

    auto end = std::chrono::high_resolution_clock::now();
    std::cout << "C++: " 
              << std::chrono::duration<double>(end - start).count() 
              << " сек" << std::endl;
}

Результат

C++: 0.05 сек

🚩3. Когда Python может быть быстрее?

🟠Если используются сторонние библиотеки (NumPy, Pandas, TensorFlow)
Они написаны на C/C++ и работают очень быстро. Пример: numpy.sum(arr) быстрее, чем sum(list), потому что работает на C.

🟠Разработка в Python быстрее (меньше кода, проще отладка)
Python код пишется в 2-5 раз быстрее, чем C++. Важно для стартапов и прототипов.

🟠Python лучше для обработки текста, веб-разработки, автоматизации
Например, парсинг HTML, обработка логов, работа с API.

🚩Когда C++ лучше?

🟠 Высокая производительность (игры, 3D, движки)
Игры, графика (Unreal Engine, Unity, CryEngine). Разработка операционных систем (Windows, Linux).

🟠Алгоритмы и математика (С++ быстрее Python в 10-100 раз)
Быстрая обработка данных, алгоритмы (sorting, graph, machine learning). Например, если нужно перемножить матрицы размером 10 000 × 10 000, C++ справится в разы быстрее.

🟠Работа с железом (Embedded, драйверы, робототехника)
Python слишком медленный для реального времени, а C++ используется в Arduino, автопилотах, микроконтроллерах.

Ставь 👍 и забирай 📚 Базу знаний

🤔 Что такое генераторная функция?

Это функция, содержащая оператор yield и возвращающая генератор. Она позволяет создавать последовательности "на лету", без загрузки всех элементов в память.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Как понять, какие виды тестов нужны именно сейчас?

Выбор типа тестирования зависит от целей, стадии разработки и текущих проблем. Чтобы определить, какие тесты нужны, стоит ответить на вопросы:

Что тестируем? (код, API, UI, производительность и т. д.)
Какие риски? (где может сломаться, критичность ошибки)
Какой этап разработки? (новый код, рефакторинг, релиз)

🚩Как определить нужные тесты прямо сейчас?

🟠Только написали новый код
Нужны: Юнит-тесты
Тестируем функции и классы отдельно.

def add(a, b):
    return a + b

def test_add():
    assert add(2, 3) == 5  # ✅ Юнит-тест

🟠Соединяем модули или работаем с API
Нужны: Интеграционные тесты
Проверяем работу всей системы вместе.

def test_api():
    response = requests.get("https://api.example.com/data")
    assert response.status_code == 200

🟠Перед релизом или деплоем
Нужны: Функциональные и регрессионные тесты
Проверяем ключевые сценарии и старый функционал.

def test_login():
    assert login("user", "password") == "Success"

🟠Изменили UI (например, фронтенд на React)
Нужны: UI-тесты (Selenium, Playwright)
Проверяем нажатие кнопок, формы и отображение страниц.

from selenium import webdriver

driver = webdriver.Chrome()
driver.get("https://example.com")
assert "Example" in driver.noscript

🟠Если проект должен выдерживать большую нагрузку
Нужны: Нагрузочные тесты (Load Testing)
Используем locust, JMeter, k6, чтобы проверить сколько пользователей выдержит сервер.

from locust import HttpUser, task

class MyUser(HttpUser):
    @task
    def test_homepage(self):
        self.client.get("/")

Ставь 👍 и забирай 📚 Базу знаний

🤔 Какие области в профессиональной деятельности у тебя развиты слабо

Мои слабые области в профессиональной деятельности могут включать редкие и узкоспециализированные задачи, такие как низкоуровневое программирование или некоторые доменные знания в специфических отраслях. Также, возможно, у меня нет опыта работы с нестандартными или редкими инструментами и фреймворками, популярными только в отдельных кругах.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Что за функция sleep()?

Функция sleep() из модуля time приостанавливает выполнение программы на заданное количество секунд.

🚩Как использовать `sleep()` в Python?

Функция sleep() принимает один аргумент** — число секунд (может быть дробным).

import time

print("Программа началась...")
time.sleep(3)  # Ожидание 3 секунды
print("3 секунды прошло!")

🚩Где используется `sleep()`?

Ожидание в цикле (имитация загрузки)

for i in range(5, 0, -1):
    print(i)
    time.sleep(1)  # Задержка 1 секунда между выводами
print("Старт!")

Запросы к серверу с паузами (чтобы не забанили)

import time
import requests

for i in range(3):
    response = requests.get("https://example.com")
    print(f"Запрос {i+1}: статус {response.status_code}")
    time.sleep(2)  # Ждём 2 секунды перед следующим запросом

Искусственная задержка перед повторной попыткой

for attempt in range(3):
    print(f"Попытка {attempt + 1}...")
    time.sleep(2)  # Ожидание 2 секунды перед новой попыткой

Ставь 👍 и забирай 📚 Базу знаний

🤔 Что знаешь про нормализацию?

Это процесс преобразования данных для их корректного использования или улучшения эффективности.
1. В базах данных нормализация устраняет избыточность, разбивая таблицы на логические части для предотвращения дублирования.
2. В обработке данных нормализация часто используется для масштабирования значений, чтобы привести их в единый диапазон (например, от 0 до 1).
3. Она улучшает производительность, точность и удобство работы с данными.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Какие есть виды файловых объектов?

В Python существует несколько типов файловых объектов, которые используются для работы с различными типами данных. Рассмотрим основные виды файловых объектов и их особенности.

🟠Текстовые файлы (`TextIOWrapper`)
Это самый распространённый тип файловых объектов. Такие файлы используются для работы с текстовыми данными и поддерживают строковые операции.

   with open("example.txt", "w", encoding="utf-8") as file:
       file.write("Привет, мир!")  # Записываем текст в файл

   with open("example.txt", "r", encoding="utf-8") as file:
       content = file.read()  # Читаем текст из файла
       print(content)

🟠Бинарные файлы (`BufferedReader`, `BufferedWriter`)
Эти файлы используются для работы с двоичными данными (изображениями, видео, аудиофайлами и т. д.).

   with open("image.jpg", "rb") as file:
       binary_data = file.read()  # Читаем файл в бинарном режиме
       print(binary_data[:10])  # Выведем первые 10 байтов

   with open("copy.jpg", "wb") as file:
       file.write(binary_data)  # Записываем данные в новый файл

🟠Файлы ввода-вывода в памяти (`io.StringIO`, `io.BytesIO`)
Эти объекты представляют собой файловые буферы, которые хранят данные в оперативной памяти, а не на диске.

   from io import StringIO

   file = StringIO()
   file.write("Привет, мир!")  # Запись данных в буфер
   file.seek(0)  # Перемещаем указатель в начало
   print(file.read())  # Читаем данные из буфера

Пример работы с BytesIO:

   from io import BytesIO

   file = BytesIO()
   file.write(b"Binary data")  # Запись бинарных данных
   file.seek(0)
   print(file.read())  # Чтение данных

🟠Файловые объекты на основе сокетов, пайпов и других источников
Python позволяет работать с файловыми объектами, полученными из нестандартных источников, например, сокетов или каналов связи (pipes).

   import socket

   s = socket.socket()
   s.connect(("example.com", 80))
   s.sendall(b"GET / HTTP/1.1\r\nHost: example.com\r\n\r\n")
   response = s.makefile("r", encoding="utf-8")  # Создание файлового объекта
   print(response.readline())  # Читаем первую строку HTTP-ответа
   s.close()

Ставь 👍 и забирай 📚 Базу знаний

🤔 Что возвращает декоратор?

Обычно декоратор возвращает функцию или объект, который будет вызываться вместо оригинальной функции. Это может быть обёртка с дополнительной логикой или модифицированная функция.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Какие типы данных относятся к структурам данных?

В Python существует множество структур данных, которые предоставляют различные способы хранения и управления данными. Они делятся на два основных типа: встроенные структуры данных и пользовательские структуры данных (созданные программистом). Встроенные структуры данных предоставляют готовые инструменты для решения большинства задач, а пользовательские разрабатываются вручную для более сложных или специфичных случаев.

🚩Встроенные структуры данных

К ним относятся те типы данных, которые изначально встроены в Python. Они обеспечивают простое и удобное управление данными. Вот основные типы:

🟠Список (List)
Массив, который может содержать элементы разных типов. Динамический (размер меняется), упорядоченный (элементы хранятся в порядке добавления).

my_list = [1, "hello", 3.14]
print(my_list[1])  # "hello"

🟠Кортеж (Tuple)
Похож на список, но неизменяемый. Используется для данных, которые не должны быть изменены.

my_tuple = (10, 20, 30)
print(my_tuple[0])  # 10

🟠Множество (Set)
Неупорядоченная коллекция уникальных элементов. Удобно для работы с множествами (поиск пересечений, объединений и т.д.).

my_set = {1, 2, 3, 2}
print(my_set)  # {1, 2, 3}

🟠Словарь (Dictionary)
Хранит пары ключ-значение. Очень эффективен для быстрого поиска данных по ключу.

my_dict = {"name": "Alice", "age": 25}
print(my_dict["name"])  # Alice

🚩Пользовательские структуры данных

Эти структуры создаются с помощью классов или других механизмов, доступных в Python. Они применяются для решения задач, которые не могут быть эффективно выполнены встроенными средствами.

🟠Стек (Stack)
Принцип работы: LIFO (последним пришел — первым ушел). Реализуется через список или collections.deque.

stack = []
stack.append(10)  # Добавление
stack.append(20)
print(stack.pop())  # Удаление последнего элемента (20)

🟠Очередь (Queue)
Принцип работы: FIFO (первым пришел — первым ушел). Реализуется через collections.deque или библиотеку queue.

from collections import deque

queue = deque()
queue.append(10)
queue.append(20)
print(queue.popleft())  # 10

🟠Связный список (Linked List)
Элементы связаны друг с другом через указатели. Гибче массивов, но сложнее в реализации.

class Node:
    def __init__(self, data):
        self.data = data
        self.next = None

class LinkedList:
    def __init__(self):
        self.head = None

    def append(self, data):
        if not self.head:
            self.head = Node(data)
        else:
            current = self.head
            while current.next:
                current = current.next
            current.next = Node(data)

Ставь 👍 и забирай 📚 Базу знаний

🤔 Как распознать NP-полную задачу?

Задача NP-полная, если:
- она принадлежит классу NP (решение проверяется за полиномиальное время);
- она неизвестна как решаемая за полиномиальное время, но если бы нашлось решение для одной NP-полной задачи — решились бы и остальные;
- она сводится к другим NP-полным задачам.
Примеры: задача коммивояжёра, рюкзака, раскраски графа.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Как сгенерировать и применить миграцию?

В Django миграции используются для изменения структуры базы данных (создание, изменение и удаление таблиц и полей).

🚩Генерация миграции (`makemigrations`)

🟠Создаём или изменяем модель (`models.py`)
Пример модели пользователя:

from django.db import models

class UserProfile(models.Model):
    name = models.CharField(max_length=100)
    age = models.IntegerField()

🟠Генерируем миграцию
Запускаем команду:

python manage.py makemigrations

Django создаст файл миграции в migrations/

migrations/
  0001_initial.py  # Файл с SQL-изменениями

Проверяем SQL-запрос, который будет выполнен

python manage.py sqlmigrate myapp 0001

🚩Применение миграции (`migrate`)

После генерации нужно применить миграции к базе данных:

python manage.py migrate

🚩Что делать, если модель изменилась?

Добавим поле в models.py

class UserProfile(models.Model):
    name = models.CharField(max_length=100)
    age = models.IntegerField()
    email = models.EmailField(default="example@example.com")  # Добавили поле

Сгенерируем новую миграцию

python manage.py makemigrations

Применяем изменения к БД

python manage.py migrate

🚩Откат миграций (`migrate <номер>`)

Если нужно откатить последнее изменение:

python manage.py migrate myapp 0001  # Откат до первой миграции

Ставь 👍 и забирай 📚 Базу знаний

🤔 Откуда берутся поля у access токена?

Поля access токена формируются на стороне сервера в момент выдачи. Они могут включать:
- идентификатор пользователя
- время истечения срока
- роли, права доступа
- информацию о клиентском приложении
Если используется JWT, поля помещаются в его полезную нагрузку (payload) в виде JSON-объекта и подписываются. Структура зависит от системы авторизации (OAuth2, OpenID Connect и др.).

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Какие задачи хорошо параллелятся, какие плохо?

Параллельные вычисления — это выполнение нескольких задач одновременно, чтобы ускорить работу программы. Но не все задачи можно эффективно распараллелить.

🚩Независимые задачи (Embarrassingly Parallel Tasks)

Это задачи, которые можно выполнять полностью независимо друг от друга, без обмена данными.
Обработка изображений (фильтры, преобразования)
Генерация фрагментов видео
Рендеринг 3D-графики (каждый кадр рендерится отдельно)
Обучение моделей машинного обучения на разных данных (если без обмена параметрами)

from concurrent.futures import ProcessPoolExecutor
from PIL import Image

def process_image(image_path):
    img = Image.open(image_path)
    img = img.convert("L")  # Перевод в черно-белый формат
    img.save(f"processed_{image_path}")

images = ["img1.jpg", "img2.jpg", "img3.jpg"]

with ProcessPoolExecutor() as executor:
    executor.map(process_image, images)

🚩Численные вычисления на больших данных (SIMD-операции, GPU-ускорение)

Если однотипные операции выполняются на большом массиве данных, их можно делать параллельно.
Умножение матриц (используется в нейросетях)
Обработка сигналов (FFT, фильтрация)
Физические симуляции

import numpy as np

A = np.random.rand(1000, 1000)
B = np.random.rand(1000, 1000)

C = A @ B  # Быстрое умножение матриц (использует несколько ядер процессора)

🚩Веб-запросы и сетевые операции

Когда программа ждет ответа от сервера, процесс простаивает. Можно запускать запросы асинхронно, чтобы делать их параллельно.
Скачивание файлов
Парсинг веб-страниц
Вызовы API

import asyncio
import aiohttp

async def fetch(url):
    async with aiohttp.ClientSession() as session:
        async with session.get(url) as response:
            return await response.text()

async def main():
    urls = ["https://example.com", "https://google.com"]
    tasks = [fetch(url) for url in urls]
    responses = await asyncio.gather(*tasks)
    print(responses)

asyncio.run(main())

Ставь 👍 и забирай 📚 Базу знаний