🤔 Что такое git stash?

git stash — это команда в Git, которая сохраняет незакоммиченные изменения во временное хранилище (stash) и очищает рабочую директорию.

🚩Когда это полезно?

Нужно переключиться на другую ветку, но есть незаконченные изменения. Хочешь сохранить текущую работу, но не коммитить её. Нужно экспериментировать, но без риска потерять код.

🚩Как использовать `git stash`?

Сохранить изменения в stash

git stash

Посмотреть список сохранённых изменений

git stash list

Выведет список всех stash-ов

stash@{0}: WIP on main: 1234567 Добавил новую фичу
stash@{1}: WIP on dev: 89abcde Исправил баг

Восстановить сохранённые изменения

git stash pop  # Восстановит изменения и удалит stash

ИЛИ

git stash apply  # Восстановит, но stash останется в списке

Удалить stash после применения

git stash drop stash@{0}  # Удалит конкретный stash
git stash clear  # Удалит все stash'и

🚩Пример использования

Сценарий
- Ты работаешь в ветке main, но нужно срочно переключиться на dev.
- У тебя есть изменения, которые ты не хочешь коммитить.
Решение

git stash          # Сохраняем изменения
git checkout dev   # Переключаемся на другую ветку
# Делаем нужную работу...
git checkout main  # Возвращаемся в основную ветку
git stash pop      # Восстанавливаем изменения

Ставь 👍 и забирай 📚 Базу знаний

🤔 Зачем нужны классы BaseExceptionGroup и ExceptionGroup?

В Python 3.11 были добавлены новые классы исключений BaseExceptionGroup и ExceptionGroup. Эти классы решают проблему одновременной обработки нескольких исключений, которые могут возникать в сложных ситуациях, таких как асинхронное программирование, многопоточность или обработка нескольких связанных ошибок. Давайте разберем, зачем они нужны, как их использовать и какие преимущества они дают.

🚩Зачем нужны `BaseExceptionGroup` и `ExceptionGroup`?

Ранее в Python было возможно выбросить только одно исключение за раз, и обработка нескольких исключений одновременно требовала сложного и неочевидного кода. Например:
При работе с асинхронными функциями или потоками может возникнуть сразу несколько ошибок, и их нужно корректно обработать.
В больших приложениях или библиотеках (например, при работе с asyncio) может быть необходимость передать сразу несколько исключений, которые произошли в разных местах, как единый объект.
BaseExceptionGroup и его подкласс ExceptionGroup позволяют группировать несколько исключений и выбрасывать их вместе в виде одного объекта. Это делает код более читаемым, упрощает обработку и исключает необходимость ручной агрегации ошибок.

🚩Разница между `BaseExceptionGroup` и `ExceptionGroup`

BaseExceptionGroup - это базовый класс для группировки исключений. Он наследуется от BaseException и, как правило, не используется напрямую.
ExceptionGroup - это подкласс, который наследуется от Exception. Этот класс используется для обработки групп исключений, которые возникают при обычных ошибках в коде (не фатальных).

🚩Как они работают?

Классы исключений BaseExceptionGroup и ExceptionGroup позволяют создать "группу исключений", которая содержит несколько отдельных исключений. Это полезно, когда вам нужно:
Указать несколько ошибок одновременно.
Позволить обработчику исключений работать с каждым из них.

def task_1():
    raise ValueError("Ошибка в задаче 1")

def task_2():
    raise TypeError("Ошибка в задаче 2")

try:
    # Создаем группу исключений
    raise ExceptionGroup(
        "Ошибки в задачах",
        [ValueError("Ошибка в задаче 1"), TypeError("Ошибка в задаче 2")]
    )
except ExceptionGroup as eg:
    for exc in eg.exceptions:
        print(f"Обнаружено исключение: {exc}")

Результат

Обнаружено исключение: Ошибка в задаче 1
Обнаружено исключение: Ошибка в задаче 2

🚩Обработка групп исключений

При обработке ExceptionGroup можно использовать механизм фильтрации с помощью конструкции except*. Это нововведение в Python 3.11 позволяет обрабатывать разные типы исключений внутри группы по-разному.

try:
    raise ExceptionGroup(
        "Ошибки в задачах",
        [ValueError("Ошибка 1"), TypeError("Ошибка 2"), ValueError("Ошибка 3")]
    )
except* ValueError as ve:
    print("Обрабатываем ValueError:", ve)
except* TypeError as te:
    print("Обрабатываем TypeError:", te)

Результат

Обрабатываем ValueError: Ошибка 1
Обрабатываем ValueError: Ошибка 3
Обрабатываем TypeError: Ошибка 2

🚩Преимущества использования

➕Работа с несколькими исключениями одновременно.
Вы можете объединить связанные ошибки и передать их в одном объекте.
➕Четкое разграничение типов исключений.
Использование except* позволяет обработать каждое исключение из группы отдельно, не теряя гибкости.
➕Удобство при асинхронном программировании.
В асинхронных задачах (asyncio) часто возникает несколько ошибок одновременно, и их можно группировать для дальнейшей обработки.
➕Упрощение сложной логики.
Код становится проще и понятнее, так как не нужно вручную собирать и разбирать исключения.

🚩Когда использовать?

Когда вы работаете с несколькими задачами, которые могут порождать ошибки одновременно (например, асинхронный код).
Когда вы хотите сообщить о нескольких связанных ошибках, не выбрасывая каждую из них отдельно.
Когда требуется раздельная обработка разных типов ошибок.

Ставь 👍 и забирай 📚 Базу знаний

🤔 Зачем нужны схемы в БД?

Схема (schema) в базе данных — это логическая группировка объектов (таблиц, индексов, представлений и т. д.) внутри одной БД.

🚩Что такое схема в БД?

Схема — это контейнер для объектов БД (таблиц, индексов, процедур).

База данных (company_db)
 ├── Схема: public (по умолчанию)
 │   ├── Таблица: employees
 │   ├── Таблица: departments
 ├── Схема: hr
 │   ├── Таблица: employees
 │   ├── Таблица: salaries
 ├── Схема: sales
 │   ├── Таблица: customers
 │   ├── Таблица: orders

🚩Как создавать и использовать схемы?

Создание схемы (CREATE SCHEMA)

CREATE SCHEMA hr;  -- Создаём схему "hr"

Создание таблицы внутри схемы

CREATE TABLE hr.employees (
    id SERIAL PRIMARY KEY,
    name VARCHAR(100),
    position VARCHAR(50)
);

Выбор схемы по умолчанию

SET search_path TO hr;

🚩Где полезны схемы?

🟠Разделение данных по модулям
Если в БД хранятся разные области бизнеса (кадры, продажи, финансы), их можно разделить по схемам:
- hr.employees, hr.salaries
- sales.orders, sales.customers

🟠Разные версии одной БД
Например, в PostgreSQL можно создать схему dev для тестов:
- dev.users — тестовая версия таблицы
- prod.users — продакшен-версия

🟠Безопасность и доступ пользователей
Можно дать доступ к разным схемам разным пользователям:

GRANT USAGE ON SCHEMA hr TO hr_manager;
GRANT SELECT ON ALL TABLES IN SCHEMA hr TO hr_manager;

Ставь 👍 и забирай 📚 Базу знаний

🤔 Что в python не является объектом?

В Python практически всё является объектом: числа, строки, функции, классы, модули и даже сам интерпретатор Python рассматривает их как объекты. Однако есть несколько вещей, которые объектами не являются:

🟠Операторы и синтаксические конструкции
Операторы (+, -, *, and, or, not и т. д.) сами по себе не являются объектами. Они — часть синтаксиса языка и не имеют представления в виде объектов в памяти.

   a = 10 + 5  # Оператор "+" выполняет сложение, но сам по себе не объект
   print(type(+))  # Ошибка: нельзя получить тип оператора

🟠Ключевые слова (keywords)
Встроенные ключевые слова Python (if, else, while, for, def, class, return и т. д.) не являются объектами. Они зарезервированы интерпретатором и используются для управления потоком выполнения кода.

   print(type(if))  # Ошибка: ключевое слово не является объектом

🟠Идентификаторы переменных
Хотя переменные ссылаются на объекты, сами идентификаторы (имена переменных) — это просто ссылки, а не объекты.

   x = 42  # x — это имя, а не объект
   print(type(x))  # Это целое число, но само имя "x" объектом не является

🟠Аннотации типов во время компиляции
Аннотации типов в Python, такие как list[str], не создают объекты во время компиляции кода. Они интерпретируются только на уровне анализа типов.

   def func(x: int) -> str:
       return str(x)

Ставь 👍 и 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

🤔 Зачем нужен wraps?

Функция wraps из модуля functools сохраняет оригинальное имя, документацию и сигнатуру оборачиваемой функции. Без неё у функции-декоратора теряется контекст.

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

🤔 Что такое SDLC?

Это методология управления процессом создания программного обеспечения, которая включает в себя последовательность этапов и действий, необходимых для разработки, тестирования, развертывания и поддержки программных продуктов. Цель SDLC — обеспечить структурированный и эффективный подход к разработке ПО, минимизируя риски и повышая качество конечного продукта.

🚩Основные этапы SDLC

🟠Планирование и анализ требований (Planning and Requirements Analysis)
На этом этапе определяются цели проекта, анализируются потребности и требования к системе. Включает сбор требований от заинтересованных сторон, анализ бизнес-процессов и создание документации с описанием требований.
Встречи с клиентами и пользователями для определения функций системы. Документирование функциональных и нефункциональных требований.

🟠Проектирование (Design)
На этапе проектирования разрабатывается архитектура системы и ее компоненты. Создаются технические спецификации, включая схемы базы данных, диаграммы классов и интерфейсов, а также детализируется план реализации.Разработка диаграмм UML.Создание прототипов пользовательского интерфейса.Проектирование архитектуры системы.

🟠Разработка (Implementation or Coding)
На этом этапе осуществляется непосредственная разработка программного обеспечения на основе спецификаций, созданных на предыдущем этапе. Кодирование выполняется в соответствии с выбранными языками программирования и инструментами разработки. Написание кода для модулей и компонентов системы. Интеграция различных компонентов системы. Регулярное использование систем контроля версий (например, Git).

🟠Тестирование (Testing)
Этап тестирования включает проверку и валидацию системы для обнаружения и исправления ошибок. Тестирование проводится в различных формах, включая юнит-тестирование, интеграционное тестирование, системное тестирование и приемочное тестирование. Автоматизированное тестирование с использованием фреймворков, таких как pytest или JUnit. Ручное тестирование функциональности и пользовательского интерфейса. Тестирование производительности и безопасности.

🟠Развертывание (Deployment)
На этом этапе программное обеспечение разворачивается в рабочей среде и становится доступным пользователям. Включает настройку серверов, развертывание баз данных и настройку инфраструктуры. Развертывание на облачных платформах, таких как AWS или Azure. Настройка и конфигурация серверов и сетей. Миграция данных и начальная загрузка данных.

🟠Поддержка и сопровождение (Maintenance)
Этап поддержки и сопровождения включает в себя обслуживание и улучшение системы после ее развертывания. Включает исправление ошибок, обновление функциональности и оптимизацию производительности. Обновление системы безопасности. Внесение изменений на основе отзывов пользователей. Обслуживание серверов и баз данных.

Ставь 👍 и забирай 📚 Базу знаний

🤔 Почему не рекомендуется авторизовываться через GET?

Потому что:
- Данные передаются в URL, и могут попасть в историю браузера, логи, прокси.
- Это небезопасно, особенно для логинов, паролей и токенов.
- GET предназначен для чтения, а не отправки чувствительных данных.
POST — безопаснее, так как данные передаются в теле запроса, а не в адресной строке.

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

🤔 Два способа создания класса

В Python можно создать класс двумя основными способами:
Через class (обычный способ)
Через type() (динамическое создание класса)

🚩Обычное создание класса через `class`

Это стандартный способ, который мы используем чаще всего.

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

    def say_hello(self):
        return f"Привет, я {self.name}!"

p = Person("Алиса")
print(p.say_hello())  # Привет, я Алиса!

🚩Динамическое создание класса через `type()`

Функция type() позволяет создать класс "на лету".

Person = type("Person", (object,), {
    "__init__": lambda self, name: setattr(self, "name", name),
    "say_hello": lambda self: f"Привет, я {self.name}!"
})

p = Person("Боб")
print(p.say_hello())  # Привет, я Боб!

Ставь 👍 и забирай 📚 Базу знаний

🤔 Что такое итерабельный объект?

Это объект, у которого есть метод iter, возвращающий итератор. Такие объекты можно перебирать в цикле for.

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

🤔 Что такое хранитель (Memento)?

Это поведенческий паттерн проектирования, который позволяет сохранять и восстанавливать предыдущее состояние объекта без нарушения инкапсуляции. Этот паттерн особенно полезен для реализации операций отмены и повтора, так как он позволяет хранить состояния объектов и возвращать их к этим состояниям по необходимости.

🚩Зачем нужен?

🟠Сохранение состояния:
Позволяет сохранять текущее состояние объекта и восстанавливать его позже.
🟠Инкапсуляция:
Обеспечивает сохранение состояния объекта без нарушения его инкапсуляции. Внутренние детали объекта остаются скрытыми от других объектов.
🟠Отмена и повтор операций:
Поддерживает функциональность отмены и повтора операций, так как позволяет возвращать объект к предыдущим состояниям.
Пример реализации

class Memento:
    def __init__(self, state: str):
        self._state = state

    def get_state(self) -> str:
        return self._state

class TextEditor:
    def __init__(self):
        self._state = ""
        self._history = []

    def type(self, text: str):
        self._save_state()
        self._state += text

    def _save_state(self):
        self._history.append(Memento(self._state))

    def undo(self):
        if not self._history:
            return
        memento = self._history.pop()
        self._state = memento.get_state()

    def get_content(self) -> str:
        return self._state

# Клиентский код для использования паттерна Хранитель
def main():
    editor = TextEditor()

    editor.type("Hello, ")
    editor.type("world!")
    print(editor.get_content())  # Hello, world!

    editor.undo()
    print(editor.get_content())  # Hello, 

    editor.undo()
    print(editor.get_content())  # 

if __name__ == "__main__":
    main()

1⃣`Memento`:
Сохраняет состояние объекта. Он предоставляет методы для получения сохраненного состояния, но не предоставляет методов для изменения состояния, что обеспечивает неизменность.

2⃣`TextEditor`:
Создает и использует объекты Memento для сохранения и восстановления своего состояния. Методы type и undo позволяют редактировать текст и отменять изменения.

3⃣`_save_state`:
Сохраняет текущее состояние редактора в истории перед каждым изменением.

4⃣`undo`:
Восстанавливает предыдущее состояние редактора из истории.

Ставь 👍 и забирай 📚 Базу знаний

🤔 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 паттерн Мост (Bridge)?

Паттерн "Мост" (Bridge) является структурным паттерном проектирования, который предназначен для разделения абстракции и реализации так, чтобы они могли изменяться независимо друг от друга. Этот паттерн полезен, когда класс должен работать с различными платформами или когда нужно избежать жесткой связки между абстракцией и ее реализацией.

🚩 Зачем нужен

🟠Разделение абстракции и реализации:
Он позволяет отделить абстракцию от ее реализации, что упрощает поддержку и расширение системы.
🟠Уменьшение количества подклассов:
Без применения этого паттерна, если у нас есть несколько вариантов абстракции и несколько вариантов реализации, то нам пришлось бы создавать классы для всех возможных комбинаций, что приводит к взрывному росту количества классов.
🟠Гибкость:
Это позволяет изменять и абстракцию, и реализацию независимо друг от друга.

🚩Как используется

🟠Абстракция (Abstraction):
Определяет интерфейс и хранит ссылку на объект Implementor.
🟠Расширенная абстракция (RefinedAbstraction):
Наследует Abstraction и расширяет интерфейс.
🟠Реализатор (Implementor):
Определяет интерфейс для всех реализаций.
🟠Конкретный реализатор (ConcreteImplementor):
Реализует интерфейс Implementor.

Допустим, у нас есть программа для управления различными типами устройств (например, телевизор и радио), которые можно включать и выключать. Мы хотим, чтобы способ управления устройствами мог изменяться независимо от типов устройств.

# Implementor
class Device:
    def is_enabled(self):
        pass

    def enable(self):
        pass

    def disable(self):
        pass

# ConcreteImplementor
class TV(Device):
    def __init__(self):
        self._on = False

    def is_enabled(self):
        return self._on

    def enable(self):
        self._on = True

    def disable(self):
        self._on = False

class Radio(Device):
    def __init__(self):
        self._on = False

    def is_enabled(self):
        return self._on

    def enable(self):
        self._on = True

    def disable(self):
        self._on = False

# Abstraction
class RemoteControl:
    def __init__(self, device):
        self._device = device

    def toggle_power(self):
        if self._device.is_enabled():
            self._device.disable()
        else:
            self._device.enable()

# RefinedAbstraction
class AdvancedRemoteControl(RemoteControl):
    def mute(self):
        print("Device is muted.")

# Клиентский код
tv = TV()
remote = RemoteControl(tv)
remote.toggle_power()  # Включает TV

radio = Radio()
advanced_remote = AdvancedRemoteControl(radio)
advanced_remote.toggle_power()  # Включает Radio
advanced_remote.mute()  # Заглушает Radio

Ставь 👍 и забирай 📚 Базу знаний

🤔 Какие основные функции Python есть?

Встроенные функции Python включают такие базовые инструменты, как len, type, print, input, int, str, list, dict, sum, max, min, zip, enumerate, range, map, filter и многие другие. Они обеспечивают широкий функционал без необходимости импортировать внешние библиотеки.

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

🤔 Зачем нужен volume в docker?

В Docker volume (том) — это специальное место для хранения данных контейнера, которое не исчезает при перезапуске или удалении контейнера.

🚩Зачем нужен `volume`?

Данные не теряются при удалении контейнера
Общий доступ: несколько контейнеров могут использовать один и тот же volume
Производительность: тома быстрее, чем хранение внутри контейнера
Разделение кода и данных: удобно для баз данных и логов

🚩Как создать `volume`?

Способ 1: Автоматическое создание при запуске контейнера

docker run -d -v my_volume:/app/data my_container

Способ 2: Создать том отдельно и подключить его

docker volume create my_volume
docker run -d -v my_volume:/app/data my_container

Способ 3: Использовать путь на хосте (bind-mount)

docker run -d -v /home/user/data:/app/data my_container

🚩Как посмотреть список томов?

docker volume ls  # Покажет все тома
docker volume inspect my_volume  # Информация о томе

🚩Как удалить `volume`?

Важно: при удалении тома данные удаляются безвозвратно!

docker volume rm my_volume  # Удаление одного тома
docker volume prune  # Удаление всех неиспользуемых томов

Ставь 👍 и забирай 📚 Базу знаний

🤔 Что такое dict comprehensions?

dict comprehension (генератор словаря) — это способ быстро создать словарь с помощью компактного синтаксиса, похожего на list comprehension.

🚩Простейший пример `dict comprehension`

squares = {x: x**2 for x in range(1, 6)}
print(squares)

Вывод

{1: 1, 2: 4, 3: 9, 4: 16, 5: 25}

🚩`dict comprehension` с условием (`if`)

Оставляем только чётные числа:

squares = {x: x**2 for x in range(1, 11) if x % 2 == 0}
print(squares)

Вывод

{2: 4, 4: 16, 6: 36, 8: 64, 10: 100}

🚩Преобразование списка в словарь

Создаём словарь из списка пар (name → длина слова)

names = ["Alice", "Bob", "Charlie"]
name_lengths = {name: len(name) for name in names}
print(name_lengths)

Вывод

{'Alice': 5, 'Bob': 3, 'Charlie': 7}

🚩Обратный словарь (ключи и значения меняются местами)

Инвертируем словарь {ключ: значение} → {значение: ключ}

original = {"a": 1, "b": 2, "c": 3}
inverted = {v: k for k, v in original.items()}
print(inverted)

Вывод

{1: 'a', 2: 'b', 3: 'c'}

🚩Генерация словаря из `zip()`

Объединяем два списка в словарь

keys = ["name", "age", "city"]
values = ["Alice", 25, "New York"]

person = {k: v for k, v in zip(keys, values)}
print(person)

Вывод

{'name': 'Alice', 'age': 25, 'city': 'New York'}

🚩`dict comprehension` с `if-else`

Разделяем числа на чётные и нечётные

numbers = range(1, 6)
parity = {x: "чётное" if x % 2 == 0 else "нечётное" for x in numbers}
print(parity)

Вывод

{1: 'нечётное', 2: 'чётное', 3: 'нечётное', 4: 'чётное', 5: 'нечётное'}

Ставь 👍 и забирай 📚 Базу знаний

🤔 В чем отличие изменяемые / неизменяемые?

В Python все данные делятся на изменяемые (mutable) и неизменяемые (immutable)

🚩Неизменяемые (`immutable`) типы

После создания их нельзя изменить!

x = 10
print(id(x))  # 140735598722544 (адрес в памяти)

x = x + 5  # Создаётся новый объект!
print(id(x))  # 140735598722704 (новый адрес)

Пример: str неизменяемая

s = "hello"
print(id(s))  # 140735598723664

s = s + " world"  # Создаётся новая строка!
print(id(s))  # 140735598724240 (новый адрес)

🚩Изменяемые (`mutable`) типы

Можно менять их содержимое без создания нового объекта.

lst = [1, 2, 3]
print(id(lst))  # 140735598722544

lst.append(4)  # Изменяем список
print(id(lst))  # 140735598722544 (адрес остался тот же!)

Пример: dict изменяемый

d = {"name": "Alice"}
print(id(d))  # 140735598723664

d["age"] = 25  # Добавляем ключ
print(id(d))  # 140735598723664 (адрес не изменился!)

🚩Почему это важно?

Неизменяемые объекты безопаснее для ключей dict и set

d = {}
d[[1, 2, 3]] = "Ошибка!"  # ❌ TypeError: unhashable type: 'list'

Используем tuple вместо list (он неизменяемый)

d[(1, 2, 3)] = "OK"

Ошибки с изменяемыми значениями по умолчанию

def add_item(lst=[]):  # ❌ Опасный код!
    lst.append(1)
    return lst

print(add_item())  # [1]
print(add_item())  # [1, 1]  ❌ Список не создаётся заново!

Используем None вместо списка

def add_item(lst=None):
    if lst is None:
        lst = []
    lst.append(1)
    return lst

🚩Копирование объектов (`copy()` vs `deepcopy()`)

copy() делает поверхностную копию (новый объект, но старые вложенные элементы).
deepcopy() делает глубокую копию (всё новое).

import copy

lst1 = [[1, 2, 3], [4, 5, 6]]
lst2 = copy.copy(lst1)  # Поверхностная копия

lst2[0][0] = 99
print(lst1)  # [[99, 2, 3], [4, 5, 6]] ❌ Исходный список изменился!

Используем deepcopy() для полной независимой копии

lst3 = copy.deepcopy(lst1)
lst3[0][0] = 100
print(lst1)  # [[99, 2, 3], [4, 5, 6]] ✅ Не изменился!

Ставь 👍 и забирай 📚 Базу знаний

🤔 Можно ли при вызове метода save указать какие поля изменять?

Да, в Django ORM можно указать конкретные поля для сохранения, используя параметр update_fields в методе .save().

🚩Как использовать `update_fields`

Пример модели

from django.db import models

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

Обновляем только поле name, не трогая email и age

user = UserProfile.objects.get(id=1)
user.name = "Новый пользователь"
user.save(update_fields=["name"])  # Обновит только поле `name`

🚩Что делает `update_fields`?

Генерирует SQL-запрос только для указанных полей, например:

  UPDATE user_profile SET name = 'Новый пользователь' WHERE id = 1;
  

🚩Когда `update_fields` полезен?
Уменьшает нагрузку на БД, так как обновляет только нужные поля.
Полезен, если нужно изменить одно поле, а не всю запись.
Избегает ненужных изменений в auto_now и auto_now_add полях (DateTimeField).

🚩Ограничения `update_fields`

Нельзя использовать при создании объекта (save() с update_fields не работает для .create()).

user = UserProfile(name="Alice", email="alice@example.com")
user.save(update_fields=["name"])  # ❌ Ошибка, объект ещё не в базе!

Не обновляет auto_now-поля (DateTimeField) автоматически!

updated_at = models.DateTimeField(auto_now=True)  # Не обновится с `update_fields`

Решение: обновить вручную:

user.updated_at = timezone.now()
user.save(update_fields=["name", "updated_at"])

Ставь 👍 и забирай 📚 Базу знаний

🤔 Что такое звёздный синтаксис (*)?

В Python * используется: – при распаковке (например, аргументов или списков),
– для переменного числа аргументов функции,
– в срезах и других операциях с коллекциями.

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

🤔 Какие ограничения есть у рекурсии в Python?

Рекурсия — это мощный инструмент, но в Python она имеет ограничения, которые нужно учитывать при написании кода.

🟠Ограничение на глубину рекурсии (`sys.getrecursionlimit()`)
В Python по умолчанию рекурсия ограничена 1000 вызовами, чтобы избежать переполнения стека.

import sys
print(sys.getrecursionlimit())  # 1000 (обычное значение)

Если превысить этот лимит, программа вызовет ошибку

def recursive():
    return recursive()

recursive()  # RecursionError: maximum recursion depth exceeded

🚩Как изменить лимит?

Можно увеличить глубину рекурсии, но это небезопасно

sys.setrecursionlimit(2000)  # Увеличиваем до 2000

🟠Рекурсия требует много памяти
Каждый рекурсивный вызов создаёт новый фрейм в стеке вызовов.

def factorial(n):
    if n == 1:
        return 1
    return n * factorial(n - 1)

print(factorial(10000))  # Ошибка из-за переполнения стека

🟠Отсутствие оптимизации хвостовой рекурсии
Другие языки (например, Lisp, JavaScript) автоматически оптимизируют хвостовую рекурсию (Tail Call Optimization, TCO).
Python не делает этого, поэтому даже "идеальная" рекурсия всё равно переполняет стек.

def tail_recursive(n, acc=1):
    if n == 1:
        return acc
    return tail_recursive(n - 1, n * acc)

print(tail_recursive(1000))  # Всё равно вызовет RecursionError

🟠Рекурсия медленнее цикла
Рекурсивный вызов требует больше накладных расходов (создание стек-фреймов), чем обычный for или while.

# Итеративный вариант (быстрее)
def factorial_iter(n):
    result = 1
    for i in range(1, n + 1):
        result *= i
    return result

# Рекурсивный вариант (медленнее)
def factorial_rec(n):
    if n == 1:
        return 1
    return n * factorial_rec(n - 1)

Ставь 👍 и забирай 📚 Базу знаний