📈 From O(n²) to O(n): поиск двух чисел с заданной суммой

Задача: дан список чисел и целевая сумма target. Найти индексы двух чисел, которые в сумме дают target.

nums = [2, 7, 11, 15]
target = 9
# ответ: [0, 1], потому что nums[0] + nums[1] == 9

Наивное решение — O(n²) по времени, O(1) по памяти

def two_sum_naive(nums, target):
    for i in range(len(nums)):
        for j in range(i + 1, len(nums)):
            if nums[i] + nums[j] == target:
                return [i, j]

Два вложенных цикла. Для каждого элемента проверяем все остальные.

При n = 10 000 это ~50 000 000 операций. При n = 100 000 — уже ~5 000 000 000.

Оптимальное решение — O(n) по времени, O(n) по памяти

def two_sum(nums, target):
    seen = {}  # значение -> индекс

    for i, num in enumerate(nums):
        complement = target - num  # ищем не пару, а дополнение

        if complement in seen:
            return [seen[complement], i]

        seen[num] = i  # запоминаем что видели

Один проход. Для каждого числа спрашиваем: "а его пара уже встречалась?"

При n = 10 000 это 10 000 операций. При n = 100 000 — 100 000.

Что изменилось под капотом

Наивное решение ищет пару перебором. Оптимальное превращает задачу поиска в задачу проверки — а in для словаря это O(1).

Мы платим памятью O(n) за словарь и получаем скорость O(n) вместо O(n²).

Trade-off явный: если память критична и n небольшое — наивный вариант может быть лучше. Об этом стоит сказать на собесе сам, не дожидаясь вопроса.

Edge cases которые нельзя забыть:

# Один и тот же элемент дважды?
nums = [3, 3], target = 6  # должно вернуть [0, 1] — работает корректно

🐍Вопросы с собесов -> ProstoPython

❌ Rookie Mistakes: изменяемый аргумент по умолчанию

Этот баг живёт в продакшене чаще, чем хочется признавать.

def add_item(item, items=[]):
    items.append(item)
    return items

print(add_item("a"))  # ["a"]
print(add_item("b"))  # ["a", "b"] -- ожидали ["b"]
print(add_item("c"))  # ["a", "b", "c"] -- ожидали ["c"]

Функция ведёт себя как будто помнит предыдущие вызовы. Но откуда?

Почему это происходит

Аргументы по умолчанию вычисляются один раз — в момент определения функции, а не при каждом вызове.

Список [] создаётся ровно один раз и живёт внутри объекта функции. Каждый вызов без аргумента получает ссылку на один и тот же список.

Проверить можно напрямую:

print(add_item.__defaults__)  # (["a", "b", "c"],)

Список накапливается прямо там.

Правильный вариант

def add_item(item, items=None):
    if items is None:
        items = []  # новый список при каждом вызове
    items.append(item)
    return items

print(add_item("a"))  # ["a"]
print(add_item("b"))  # ["b"]

None — это иммутабельный синглтон. Он не накапливает состояние. Проверка if items is None создаёт свежий список при каждом вызове без аргумента.

🐍Вопросы с собесов -> ProstoPython

🧩 Code Cleanup

Protocol — утиная типизация со статической проверкой

Типичная ситуация — хочешь принимать любой объект с нужным методом:

class Duck:
    def quack(self):
        return "quack"

class Person:
    def quack(self):
        return "I'm quacking like a duck"

def make_it_quack(obj):
    print(obj.quack())

Работает — Python не проверяет тип, только наличие метода. Но IDE не подскажет ошибку если передать неправильный объект. И из сигнатуры непонятно что ожидается.

После — Protocol:

from typing import Protocol

class Quackable(Protocol):
    def quack(self) -> str:
        ...

def make_it_quack(obj: Quackable) -> None:
    print(obj.quack())

Теперь mypy и IDE знают что ожидается. Duck и Person подходят автоматически — без наследования.

make_it_quack(Duck())    # OK
make_it_quack(Person())  # OK
make_it_quack("string")  # mypy: ошибка — нет метода quack

Чем отличается от ABC:

# ABC — явное наследование обязательно
class Animal(ABC):
    @abstractmethod
    def speak(self): ...

class Dog(Animal):  # должен явно наследовать
    def speak(self): return "woof"

# Protocol — наследование не нужно
class Speakable(Protocol):
    def speak(self) -> str: ...

class Dog:  # ничего не наследует
    def speak(self): return "woof"  # автоматически подходит

Protocol — структурная типизация. ABC — номинальная.

Реальный кейс:

from typing import Protocol

class Serializable(Protocol):
    def to_dict(self) -> dict: ...
    def to_json(self) -> str: ...

def save(obj: Serializable, path: str) -> None:
    data = obj.to_dict()
    ...

Любой класс с этими методами подходит — без изменения его кода.

🐍Вопросы с собесов -> ProstoPython

📈 FROM O(...) TO O(...)

Топологическая сортировка: от O(n²) до O(V+E)

Задача: есть список задач с зависимостями. Найти порядок выполнения.

# Задачи и их зависимости
# "одеться" требует "надеть носки" и "надеть рубашку"
# "надеть пиджак" требует "одеться"

tasks = {
    "носки": [],
    "рубашка": [],
    "одеться": ["носки", "рубашка"],
    "пиджак": ["одеться"],
    "галстук": ["рубашка"],
}
# Ответ: ['носки', 'рубашка', 'одеться', 'галстук', 'пиджак']
# или любой другой валидный порядок

Наивное решение — повторные проходы:

def topo_sort_naive(tasks):
    result = []
    remaining = dict(tasks)
    while remaining:
        for task, deps in list(remaining.items()):
            if all(d in result for d in deps):
                result.append(task)
                del remaining[task]
                break
        else:
            raise ValueError("Цикл в зависимостях")
    return result

На каждом шаге ищем задачу без зависимостей — O(n²) в худшем случае.

Алгоритм Кана — O(V+E):

from collections import deque

def topo_sort(tasks):
    in_degree = {task: 0 for task in tasks}
    for task, deps in tasks.items():
        for dep in deps:
            in_degree[task] += 1

    queue = deque([t for t, d in in_degree.items() if d == 0])
    result = []

    while queue:
        task = queue.popleft()
        result.append(task)
        for dependent, deps in tasks.items():
            if task in deps:
                in_degree[dependent] -= 1
                if in_degree[dependent] == 0:
                    queue.append(dependent)

    if len(result) != len(tasks):
        raise ValueError("Цикл в зависимостях")
    return result

O(V+E) — каждая вершина и каждое ребро обрабатываются ровно один раз.

Идея:

Считаем входящие зависимости для каждой задачи. Начинаем с тех у кого 0 зависимостей. Обрабатываем — уменьшаем счётчик зависимостей у соседей. Новые нули добавляем в очередь.

Бонус — обнаружение цикла:

Если в результате меньше вершин чем в графе — есть цикл. Задачи зависят друг от друга и никогда не получат нулевой счётчик.

🐍Вопросы с собесов -> ProstoPython

В Django есть 3 типа наследования.

Abstract Base Class

🔹 Не создаёт таблицу в БД
🔹 Используется для переиспользования полей

class Base(models.Model):
    created_at = models.DateTimeField()

    class Meta:
        abstract = True

Multi-table inheritance

🔹 Каждая модель → отдельная таблица
🔹 Связь через OneToOne

class Base(models.Model):
    name = models.CharField(max_length=100)

class Employee(Base):
    salary = models.IntegerField()

Proxy model

🔹 Таблица не создаётся
🔹 Меняется только поведение (методы, менеджеры)

class UserProxy(User):
    class Meta:
        proxy = True

🐍Вопросы с собесов -> ProstoPython

⏱️ Big O Breakdown — выпуск 24

Посмотри на код:

def example(n):
    i = 0
    j = 0

    while i < n:
        i += 1

    while j < n:
        j += 1

❓ Какая сложность?

A) O(n)
B) O(n log n)
C) O(n²)
D) O(1)

✅ Правильный ответ: A) O(n)

🧠 Разбор

Первый цикл:

выполняется n раз → O(n)

Второй цикл:

выполняется n раз → O(n)

Теперь объединяем:

O(n) + O(n) = O(2n)

В Big O константы отбрасываются:

O(2n) → O(n)

📌 Итог

Даже если циклов два,
это не значит O(n²).

Важно:

они выполняются последовательно,
а не вложенно.

🐍Вопросы с собесов -> ProstoPython

📈 FROM O(...) TO O(...)

Edit Distance: от O(3ⁿ) до O(n·m)

Задача: найти минимальное количество операций чтобы превратить одну строку в другую. Операции — вставка, удаление, замена символа.

s1 = "kitten"
s2 = "sitting"
# Ответ: 3
# kitten → sitten (замена k→s)
# sitten → sittin (замена e→i)
# sittin → sitting (вставка g)

Это называется расстояние Левенштейна. Используется в spell checker, git diff, поиске похожих строк.

Наивное решение — рекурсия:

def edit_distance(s1, s2, i, j):
    if i == 0:
        return j  # вставить j символов
    if j == 0:
        return i  # удалить i символов
    if s1[i-1] == s2[j-1]:
        return edit_distance(s1, s2, i-1, j-1)
    return 1 + min(
        edit_distance(s1, s2, i-1, j),    # удаление
        edit_distance(s1, s2, i, j-1),    # вставка
        edit_distance(s1, s2, i-1, j-1)   # замена
    )

O(3ⁿ) — три рекурсивных вызова на каждом шаге. На строках длиной 10 — тысячи повторных вычислений.

DP — O(n·m):

def edit_distance(s1, s2):
    n, m = len(s1), len(s2)
    dp = [[0] * (m + 1) for _ in range(n + 1)]

    for i in range(n + 1):
        dp[i][0] = i  # удалить i символов
    for j in range(m + 1):
        dp[0][j] = j  # вставить j символов

    for i in range(1, n + 1):
        for j in range(1, m + 1):
            if s1[i-1] == s2[j-1]:
                dp[i][j] = dp[i-1][j-1]
            else:
                dp[i][j] = 1 + min(
                    dp[i-1][j],    # удаление
                    dp[i][j-1],    # вставка
                    dp[i-1][j-1]   # замена
                )

    return dp[n][m]

Визуализация для "cat" и "cut":

    ""  c  u  t
""   0  1  2  3
c    1  0  1  2
a    2  1  1  2
t    3  2  2  1  ← ответ

Символы совпали — берём диагональ. Не совпали — минимум из трёх соседей плюс 1.

Оптимизация до O(m) памяти:

Как и в LCS — хранить только две строки таблицы.

🐍Вопросы с собесов -> ProstoPython

🧰 Code Cleanup

На первый взгляд — обычный код.
Но именно так пишут на автомате… и теряют читаемость.

❌ Плохой код

users = [
    {"name": "Alice", "age": 17},
    {"name": "Bob", "age": 25},
    {"name": "Charlie", "age": 16},
]

result = []

for u in users:
    if u["age"] >= 18:
        result.append(u["name"])

print(result)

✅ Улучшенный код

result = [user["name"] for user in users if user["age"] >= 18]

💥 Объяснение

Работает и так, и так.

Но есть нюанс.

👉 В первом варианте ты заставляешь мозг держать:

🔷 временный список
🔷 цикл
🔷 условие
🔷 мутацию (append)

👉 Во втором — всё выражено как одна мысль:

«возьми имена пользователей старше 18»

И это ключевое отличие.

🧠 Где здесь ловушка

Многие думают:

🔷 «list comprehension — это просто короче»

На самом деле:

🔷 Это декларативный стиль, а не просто синтаксический сахар

Ты описываешь *что хочешь получить*, а не *как это собирать по шагам*.

⚠️ Но не переусердствуй

Вот так — уже плохо:

result = [u["name"].upper() for u in users if u["age"] >= 18 and u["name"].startswith("A")]

Становится сложно читать.

🐍Вопросы с собесов -> ProstoPython

UDP (User Datagram Protocol) — транспортный протокол для передачи данных без установления соединения.

Особенности

🔹 нет установки соединения (connectionless)
🔹 нет гарантии доставки
🔹 нет порядка доставки
🔹 минимальные накладные расходы → высокая скорость

Когда используется

🔹 стриминг (видео/аудио)
🔹 онлайн-игры
🔹 DNS-запросы

Итог: UDP — быстрый, но ненадёжный протокол передачи данных без подтверждений и контроля доставки.

🐍Вопросы с собесов -> ProstoPython

❌ Rookie Mistakes

На первый взгляд — код абсолютно безопасный.
Но именно здесь многие ловят странные баги.

❌ Пример с ошибкой

def add_user(name, data={}):
    data[name] = len(name)
    return data

print(add_user("Alice"))
print(add_user("Bob"))
print(add_user("Charlie"))

🤯 Ожидание

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

💥 Реальность

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

🧠 Почему это ошибка

На первый взгляд кажется:
data={} создаётся заново при каждом вызове.

Но…

👉 Значение по умолчанию создаётся один раз
👉 И это один и тот же словарь

Ты не создаёшь новый dict — ты каждый раз дописываешь в старый

⚠️ Именно здесь чаще всего ошибаются

Многие думают:

«Функция вызвалась → значит всё внутри новое»

На самом деле:

Дефолтные аргументы живут между вызовами


✅ Исправленный вариант

def add_user(name, data=None):
    if data is None:
        data = {}
    data[name] = len(name)
    return data

Теперь каждый вызов создаёт новый словарь.


⚡️ Краткий вывод

Если видишь в аргументах:

{} / [] / set()

👉 это потенциальный баг

🐍Вопросы с собесов -> ProstoPython

🧩 Code Cleanup

itertools — перестань писать вложенные циклы руками

Типичный код когда нужно перебрать все пары:

colors = ["red", "blue"]
sizes = ["S", "M", "L"]

result = []
for color in colors:
    for size in sizes:
        result.append((color, size))

Работает. Но две вложенности только ради декартова произведения — многовато.

После:

from itertools import product

result = list(product(colors, sizes))
# [('red','S'),('red','M'),('red','L'),('blue','S'),('blue','M'),('blue','L')]

Одна строка. Читается как задача — "произведение цветов и размеров".

🐍Вопросы с собесов -> ProstoPython

❌ Rookie Mistakes

Не сравнивай float через ==

Код который ломается в самый неожиданный момент:

total = 0.1 + 0.2
if total == 0.3:
    print("равно")
else:
    print("не равно")

Выведет "не равно". Всегда.

print(0.1 + 0.2)  # 0.30000000000000004

Числа с плавающей точкой хранятся в бинарном виде — и большинство десятичных дробей не представимы точно. 0.1 в памяти это не ровно 0.1 — это ближайшее представимое число.

🐍Вопросы с собесов -> ProstoPython

В множество (set) можно помещать только hashable (хешируемые) объекты.

Требования

🔹 объект имеет __hash__()
🔹 объект неизменяемый (immutable)
🔹 корректно реализует __eq__()

Можно

🔹 int, float, str, bool
🔹 tuple (если внутри тоже hashable)
🔹 frozenset

Нельзя

🔹 list
🔹 dict
🔹 set

(они изменяемые → нет стабильного хеша)

🐍Вопросы с собесов -> ProstoPython

🧰 Code Cleanup

На первый взгляд — аккуратный код.
Но в нём есть дублирование, которое замедляет чтение.

❌ Плохой код

def get_active_users(users):
    result = []

    for user in users:
        if "is_active" in user:
            if user["is_active"]:
                result.append(user["name"])

    return result

✅ Улучшенный код

def get_active_users(users):
    return [user["name"] for user in users if user.get("is_active")]

💥 Объяснение

В первом варианте происходит лишнее:

👉 Ты сначала проверяешь наличие ключа
👉 Потом сразу используешь его же

Это дублирование логики.

🐍Вопросы с собесов -> ProstoPython

🧠 Interview Thinking

Классическая задача.
Но валятся здесь не из-за кода — а из-за мышления.

📌 Задача

Дана строка:

s = "leetcode"

Нужно вернуть индекс первого уникального символа.
Если нет — вернуть -1.

👶 Как думает junior

def first_unique(s):
    for i in range(len(s)):
        if s.count(s[i]) == 1:
            return i
    return -1

На первый взгляд — логично.

👉 Проверяем каждый символ
👉 Если встречается 1 раз — возвращаем индекс

💥 Проблема

Метод count() — это O(n)

А он вызывается внутри цикла.

👉 Итог: O(n²)

На маленьких строках — ок
На больших — просадка


🧠 Как думает сильный кандидат

from collections import Counter

def first_unique(s):
    freq = Counter(s)

    for i, char in enumerate(s):
        if freq[char] == 1:
            return i

    return -1

🚀 Что изменилось

👉 Сначала считаем частоты → O(n)
👉 Потом один проход → O(n)

Итого: O(n)

⚠️ Но дело не только в оптимизации

Сильный кандидат:

🔷 сразу проговаривает сложность
🔷 замечает повторные операции
🔷ищет способ вынести их из цикла


🎯 Что хочет интервьюер

Не просто решение.

А чтобы ты сказал:

«Здесь есть повторный подсчёт.
Я могу вынести его в отдельную структуру»

🐍Вопросы с собесов -> ProstoPython

📈 From O(n²) to O(n)

Задача простая.
Но именно здесь многие застревают в brute force.

📌 Задача

Дан массив чисел и число target.

Нужно найти два индекса, сумма элементов по которым равна target.

nums = [2, 7, 11, 15]
target = 9

Ответ: [0, 1]


❌ Наивное решение (brute force)

def two_sum(nums, target):
    for i in range(len(nums)):
        for j in range(i + 1, len(nums)):
            if nums[i] + nums[j] == target:
                return [i, j]

💥 Проблема

Два вложенных цикла:

👉 O(n²)

На маленьких массивах — нормально
На больших — боль

🧠 Ключевой вопрос

На первый взгляд кажется:
«Ну а как иначе? Надо же проверить все пары»

Но…

👉 А если мы будем помнить, что уже видели?

✅ Оптимизированное решение

def two_sum(nums, target):
    seen = {}

    for i, num in enumerate(nums):
        complement = target - num

        if complement in seen:
            return [seen[complement], i]

        seen[num] = i

🚀 Что произошло

Мы заменили:

👉 «перебирать все пары»
на
👉 «проверять, встречали ли нужное значение раньше»


📉 Сложность

Один проход по массиву → O(n)
Поиск в словаре → O(1)

Итого: O(n)

⚠️ Где часто ошибаются

❌ Сначала добавляют в seen, потом проверяют
→ ловят кейс, где элемент используется дважды

Правильно:

👉 сначала проверка
👉 потом добавление

🐍Вопросы с собесов -> ProstoPython

Попробуйте ответить без запуска, что выведет код, разбор будет через 2 часа

🐍Вопросы с собесов -> ProstoPython

✅ Правильный ответ:
[1, 2, 3, 4]
[1, 2, 3, 4]

💥 Разбор

На первый взгляд кажется:

data += [4] создаёт новый список

Но это не так.

🧠 Что происходит на самом деле

Для списков:

data += [4]

👉 это мутация (аналог extend)
👉 объект изменяется на месте

А data и lst — это одна и та же ссылка.

⚠️ Где ловушка

Многие думают:

+= всегда создаёт новый объект

Но в Python:

для list → мутация
для tuple, str → новый объект

Один и тот же оператор — разное поведение.

🐍Вопросы с собесов -> ProstoPython

🧰 Code Cleanup

На первый взгляд — нормальный код.
Но в нём скрытая неэффективность и шум.

❌ Плохой код

def group_by_type(items):
    result = {}

    for item in items:
        if item["type"] not in result:
            result[item["type"]] = []

        result[item["type"]].append(item)

    return result

✅ Улучшенный код

from collections import defaultdict

def group_by_type(items):
    result = defaultdict(list)

    for item in items:
        result[item["type"]].append(item)

    return result

💥 Объяснение

В первом варианте:

👉 дважды обращаешься к item["type"]
👉 руками обрабатываешь инициализацию

Код работает, но перегружен лишними действиями.

🧠 Что здесь неочевидно

Многие думают:

«Ну это же стандартный паттерн»

На самом деле:

ты берёшь на себя работу, которую уже решил Python

⚠️ Где часто ошибаются

Пишут так «по привычке»:

if key not in dict:
    dict[key] = []

Хотя это почти всегда можно упростить.

⚡️ Маленькое правило

👉 Если собираешь значения в группы → смотри в сторону defaultdict
👉 Убирай повторные обращения к одним и тем же данным

🐍Вопросы с собесов -> ProstoPython

⏱️ Big O Breakdown

def process(matrix):
    result = []
    for row in matrix:
        for val in row:
            result.append(val)
    return result

matrix — это список из n элементов суммарно (например, 100 чисел, разбитых на строки разной длины).

Какая сложность?

A) O(n)
B) O(n²)
C) O(n · m)
D) Зависит от формы матрицы

Правильный ответ: A — O(n)

Разбор

Глаз видит два вложенных цикла и автоматически кричит «O(n²)!». Это рефлекс, и он часто врёт.

Сложность считается не по количеству циклов, а по числу итераций относительно размера входа.

Здесь внутренний for val in row пробегает по элементам строки. А внешний — по строкам. В сумме мы касаемся каждого элемента ровно один раз.

Если всего элементов n — мы делаем n шагов. Это O(n).

🐍Вопросы с собесов -> ProstoPython