❓ Вопрос на собеседовании

Как работают замыкания (closures) в Python, и как их можно использовать для сохранения состояния между вызовами функции?

Ответ ⬇️
Замыкания позволяют внутренней функции запоминать переменные из объемлющей области видимости даже после завершения работы внешней функции. Это полезно для создания функций с сохраненным состоянием, например, для подсчета числа вызовов.

🗣️ Пример:

def counter():
count = 0 # Переменная в объемлющей области видимости

def increment():
nonlocal count # Обращаемся к переменной из объемлющей области
count += 1
return count

return increment

# Пример использования
counter1 = counter()
print(counter1()) # 1
print(counter1()) # 2

counter2 = counter()
print(counter2()) # 1

# Результат выполнения:
# 1
# 2
# 1

Python Learning 👩‍💻

➡️ Использование функции itertools.tee() для дублирования итераторов

itertools.tee() — это интересная функция из модуля itertools, позволяющая создавать несколько независимых копий одного и того же итератора.

🗣️ Это полезно, когда вам нужно одновременно итерировать по одним и тем же данным в разных частях кода, не повторяя вычисления.

✔️ itertools.tee() делает работу с итераторами гибче и удобнее.

Python Learning 👩‍💻

➡️ Использование модуля contextvars для управления состоянием в асинхронном коде

Модуль contextvars, появившийся в Python 3.7, предоставляет механизм для хранения и управления контекстными переменными, которые сохраняют свое значение в пределах текущего потока или корутины.

🗣 Это особенно полезно в асинхронном программировании, где обычные переменные могут вести себя непредсказуемо из-за переключения контекстов.

✔️ contextvars повышает надежность и предсказуемость асинхронного кода, позволяя безопасно работать с состоянием.

Python Learning 👩‍💻

➡️ Использование библиотеки Pypika для динамического построения SQL-запросов

Pypika позволяет создавать сложные запросы программным способом, избегая ошибок ручного написания SQL-кода и защищая от SQL-инъекций. Это особенно полезно при построении динамических и параметризованных запросов в приложениях.

• Pypika — отличный выбор, если вам нужно строить запросы к базе данных на лету.

🔗 Ссылочка на доку

Python Learning 👩‍💻

⌛ Что будет выведено при выполнении кода?

Python Learning 👩‍💻

❓ Вопрос на собеседовании

Что такое декораторы с аргументами в Python, и как их можно использовать?

Ответ ⬇️
Декораторы с аргументами — это функции, которые принимают параметры и возвращают другой декоратор. Это позволяет создавать более гибкие и настраиваемые декораторы, которые могут изменять поведение функций в зависимости от переданных им аргументов.

🗣️ Пример:

def repeat(times):
def decorator(func):
def wrapper(*args, **kwargs):
for _ in range(times):
result = func(*args, **kwargs)
return result
return wrapper
return decorator

@repeat(3)
def say_hello():
print("Hello!")

say_hello()

Python Learning 👩‍💻

➡️ Использование модуля ast для анализа и модификации исходного кода Python

Модуль ast (Abstract Syntax Tree) позволяет анализировать и модифицировать исходный код Python на уровне его абстрактного синтаксического дерева (AST). Это мощный инструмент для тех, кто хочет динамически изменять код, строить анализаторы или трансформировать Python-программы на лету.

🗣 Этот модуль предоставляет доступ к внутренним структурам Python, что делает его полезным для статического анализа кода или автоматического изменения исходного текста программы.

✔️ ast открывает множество возможностей для тех, кто занимается метапрограммированием или созданием собственных инструментов для анализа и оптимизации Python-кода.

Python Learning 👩‍💻

➡️ Использование библиотеки aiometer для конкурентного выполнения асинхронных задач

aiometer позволяет эффективно управлять количеством одновременно выполняемых асинхронных задач. Это полезно, когда нужно ограничить количество параллельно выполняемых задач, избегая перегрузки системы.

• aiometer — отличный выбор для случаев, когда нужно контролировать количество параллельных операций, например, при выполнении большого числа запросов к API.

🔗 Ссылочка на доку

Python Learning 👩‍💻

❓ Вопрос на собеседовании

Как работает метод __new__() в Python?

Ответ ⬇️
Метод __new__() создает новый экземпляр класса, выделяя память для объекта. Он вызывается до метода __init__(), который уже занимается инициализацией созданного экземпляра. Это важно для работы с неизменяемыми типами, такими как str или int, а также в случаях, когда нужно контролировать процесс создания объекта, например, в паттерне Singleton.

Python Learning 👩‍💻

➡️ Использование модуля contextlib.AsyncExitStack для управления асинхронными ресурсами

AsyncExitStack из модуля contextlib позволяет динамически управлять асинхронными ресурсами, такими как файлы, сетевые соединения или блокировки, создавая стек контекстных менеджеров. Это полезно, когда требуется работать с неизвестным заранее количеством контекстных менеджеров.

🗣 Этот инструмент помогает гибко работать с ресурсами в асинхронном коде, упрощая управление их инициализацией и освобождением.

✔️ AsyncExitStack позволяет добавлять и обрабатывать несколько контекстных менеджеров в асинхронном режиме, гарантируя корректное завершение работы с ресурсами.

Python Learning 👩‍💻

PyOgre

PyOgre — это связка Python с OGRE (Object-Oriented Graphics Rendering Engine), мощным 3D-движком, написанным на C++. Она позволяет разработчикам создавать игры, демо-версии и другие 3D-приложения, используя Python.

Python — более простой и понятный язык, чем C++, что делает PyOgre более доступным для начинающих разработчиков. PyOgre позволяет использовать Python для создания сложных 3D-приложений, сохраняя при этом высокую производительность OGRE.

Python Learning 👩‍💻

⌛ Что будет выведено при выполнении кода?

Python Learning 👩‍💻

Функция sample()

Функция sample() модуля random в Python возвращает случайную выборку элементов из последовательности. В первом параметре функции указываем последовательность, во втором параметре — количество элементов, которые мы хотим выбрать случайным образом.

Python Learning 👩‍💻

➡️ Использование функции functools.cache для кэширования результатов

functools.cache — это полезный инструмент для кэширования результатов функций, что позволяет существенно ускорить выполнение программы при многократных вызовах с одинаковыми аргументами. Кэширование помогает избежать повторных вычислений, особенно в случае дорогостоящих операций.

🗣 Это полезно при работе с рекурсивными функциями или задачами, которые требуют повторяющихся вычислений.

✔️ Отличное решение для оптимизации кода и повышения производительности.

Python Learning 👩‍💻

➡️ Использование библиотеки EdgeDB для работы с базами данных на Python

EdgeDB — это база данных и клиентская библиотека для Python, которая предлагает более современный и удобный подход к управлению схемами и запросами по сравнению с традиционными SQL базами данных.

Она поддерживает реляционные данные, но при этом использует запросы в стиле графов и обеспечивает автоматическое управление схемами.

• EdgeDB — отличный выбор для тех, кто хочет работать с базами данных, избегая сложности традиционного SQL и улучшая удобство работы с данными.

🔗 Ссылочка на доку

Python Learning 👩‍💻

➡️ Использование модуля zoneinfo для работы с временными зонами в Python

Модуль zoneinfo, добавленный в Python 3.9, позволяет работать с временными зонами, используя базу данных IANA.

🗣 Это полезно для приложений, которые работают с пользователями из разных часовых поясов или управляют расписаниями событий.

✔️ Отличное решение для точного управления датами и временем с учётом локальных особенностей.

Python Learning 👩‍💻

➡️ Использование библиотеки fastjsonschema для валидации JSON-схем в Python

fastjsonschema — это новая библиотека, выпущенная в 2024 году, которая обеспечивает высокопроизводительную валидацию JSON-документов на основе схем.

Она значительно быстрее большинства аналогов, таких как jsonschema, и идеально подходит для проектов, где критична скорость обработки данных.

• fastjsonschema — отличный выбор для тех, кому важна производительность при работе с JSON-схемами.

🔗 Ссылочка на доку

Python Learning 👩‍💻

❓ Вопрос на собеседовании

Как работают дескрипторы в Python и в каких случаях их полезно использовать?

Ответ ⬇️
Дескриптор — это класс, который реализует методы доступа __get__, __set__ и/или __delete__. Дескрипторы полезны для создания управляемых атрибутов, например, для валидации или кэширования данных.

Пример использования ⚙️

class Descriptor:
def __get__(self, instance, owner):
return instance._value

def __set__(self, instance, value):
if value < 0:
raise ValueError("Значение должно быть положительным!")
instance._value = value

class MyClass:
value = Descriptor()

def __init__(self, value):
self.value = value

obj = MyClass(10)
print(obj.value) # 10
obj.value = -5 # Ошибка: Значение должно быть положительным!

Python Learning 👩‍💻

Очистка элементов в последовательности

Иногда возникает необходимость в удалении ненужных объектов последовательности. Для этого используют itertools, а именно метод compress.

Первым аргументом передаётся контейнер, к примеру список. Вторым аргументом — логические значения, соответствующие элементам в контейнере.

Если логическое значение равно True или 1, то элемент остаётся в последовательности, иначе — удаляется из нее.

Python Learning 👩‍💻