⏱️ Big O Breakdown

Классическое «красивое» решение:

def fib(n):
    if n < 2:
        return n
    return fib(n - 1) + fib(n - 2)

Выглядит как определение из учебника. Какая сложность?
A) O(n)
B) O(n log n)
C) O(n²)
D) O(2ⁿ)


Правильный ответ: D — O(2ⁿ)

Разбор
Каждый вызов fib(n) порождает два новых: fib(n-1) и fib(n-2). Те — ещё по два. И так далее.
Дерево вызовов растёт экспоненциально:

                  fib(5)
                /        \
            fib(4)        fib(3)
           /     \        /    \
        fib(3) fib(2)  fib(2) fib(1)
        /   \    ...    ...
     fib(2) fib(1)

Заметь, как fib(3) считается дважды, fib(2) — трижды, fib(1) — ещё больше. Мы пересчитываем одно и то же.

fib(40) — уже больше миллиарда вызовов.

Почему именно 2ⁿ
Дерево вызовов имеет высоту n и каждый уровень удваивается. Узлов в нём — порядка 2ⁿ.

Точнее — O(φⁿ), где φ ≈ 1.618 (золотое сечение), но для big-O это эквивалентно O(2ⁿ).

🐍Вопросы с собесов -> ProstoPython

📈 From O(n) to O(1)

Задача
Реализовать очередь: добавляем элементы в конец, забираем — с начала. Классический FIFO.

queue.add("a")   → ["a"]
queue.add("b")   → ["a", "b"]
queue.add("c")   → ["a", "b", "c"]
queue.pop_front() → "a"   осталось ["b", "c"]

Наивное решение через list — O(n) на pop

queue = []

queue.append("a")
queue.append("b")
queue.append("c")

first = queue.pop(0)   # ← вот тут проблема

append() — это O(1), отлично. А вот pop(0) — O(n).

Почему? Список в Python — это массив в памяти. Когда удаляешь нулевой элемент, все остальные сдвигаются на одну позицию влево. На миллионе элементов — миллион операций копирования.
При активной работе с очередью получаем O(n²) суммарно. На больших данных — катастрофа.

Решение: collections.deque — O(1) на оба конца

from collections import deque

queue = deque()

queue.append("a")
queue.append("b")
queue.append("c")

first = queue.popleft()   # O(1) ✅

deque (double-ended queue) внутри устроен как связный список блоков. Добавление и удаление с обоих концов — гарантированно O(1).

🐍Вопросы с собесов -> ProstoPython

🧰 Code Cleanup

Плохой код

f = open("data.txt")
content = f.read()
f.close()

Работает. Но это бомба замедленного действия.

Что не так
Если между open и close вылетит исключение — close() никогда не выполнится. Файловый дескриптор остаётся открытым.

f = open("data.txt")
data = json.loads(f.read())   # ← упало с JSONDecodeError
f.close()                      # ← сюда мы уже не дошли

Один такой баг в цикле — и через час процесс падает с OSError: Too many open files. Лимит файловых дескрипторов в системе не резиновый.

Это касается не только файлов: сокеты, соединения с БД, lock'и, любые ресурсы, которые нужно явно освобождать.

Чистый вариант — with

with open("data.txt") as f:
    content = f.read()

with гарантирует, что close() вызовется при выходе из блока — независимо от того, было ли исключение.

🐍Вопросы с собесов -> ProstoPython

🧠 Interview Thinking

Задача
Даны две строки. Вернуть True, если одна — анаграмма другой (содержит те же символы в любом порядке).

"listen", "silent"  → True
"hello",  "world"   → False
"rat",    "car"     → False

Как думает junior
«Отсортирую обе и сравню»:

def is_anagram(s1, s2):
    return sorted(s1) == sorted(s2)

Одна строка. Работает. Сложность — O(n log n) из-за сортировки.

На собесе это пройдёт. Но если интервьюер спросит «а быстрее можно?» — junior часто застревает.

Как думает сильный кандидат
Перед кодом задаёт себе вопрос: «Что я вообще проверяю?»
Не порядок символов. А то, что у каждой буквы одинаковое количество вхождений в обеих строках.

Это сравнение частот. Значит — счётчик.

from collections import Counter

def is_anagram(s1, s2):
    return Counter(s1) == Counter(s2)

Counter строится за O(n), сравнение двух Counter'ов — тоже O(n). Итого — O(n) по времени.

Edge case, который ловит интервьюер
Что если строки разной длины? Сортировка и Counter оба корректно вернут False — длина учтётся автоматически.

Но умный кандидат проверяет длину явно в начале:

def is_anagram(s1, s2):
    if len(s1) != len(s2):
        return False
    return Counter(s1) == Counter(s2)

Зачем? Это ранний выход за O(1). Если длины разные — даже Counter строить не нужно. На больших строках экономит время.
Это маленький штрих, но он показывает: ты не просто решаешь, а думаешь про производительность.

Уточнения, которые поднимают тебя выше
Сильный кандидат сам спросит ещё до кода:

«Регистр важен?» — "Listen" и "silent" — анаграммы?

«Пробелы учитываем?» — "conversation" и "voices rant on"?

🐍Вопросы с собесов -> ProstoPython

🎭 Red Flag

Перехватываем ошибку и кидаем свою:

def load_config(path):
    try:
        with open(path) as f:
            return json.loads(f.read())
    except Exception:
        raise ValueError("Не удалось загрузить конфиг")

Выглядит чисто. На вызывающей стороне — понятное сообщение. Вроде всё хорошо.
Пока что-то не сломается в проде.

Что не так
Ты только что выкинул всю информацию о реальной причине.

Было:
FileNotFoundError: [Errno 2] No such file: '/etc/app.conf'
JSONDecodeError: Expecting value: line 3 column 1 (char 47)
PermissionError: [Errno 13] Permission denied

Стало:
ValueError: Не удалось загрузить конфиг

Дебажить такое — кошмар. В логах нет ни traceback'а оригинала, ни строки в JSON, ни пути файла. Только бесполезное сообщение.

Как надо — raise ... from

try:
    with open(path) as f:
        return json.loads(f.read())
except Exception as e:
    raise ValueError("Не удалось загрузить конфиг") from e

from e прицепляет оригинальное исключение к новому. В логах теперь увидишь:

JSONDecodeError: Expecting value: line 3 column 1

The above exception was the direct cause of the following exception:

ValueError: Не удалось загрузить конфиг

Сохраняется обе части: твоё человекочитаемое сообщение и техническая причина.

🐍Вопросы с собесов -> ProstoPython

📈 From O(n) to O(log n)

Задача
Дан отсортированный массив. Найти индекс числа target или вернуть -1, если его нет.

nums = [1, 3, 5, 7, 9, 11, 13, 15], target = 11
→ 5

Наивное решение — O(n)

def find(nums, target):
    for i, n in enumerate(nums):
        if n == target:
            return i
    return -1

Проходит весь массив. На миллионе элементов — миллион сравнений. Сортировка не используется.
Бинарный поиск — O(log n)

Идея: каждый шаг отбрасываем половину массива.

Смотрим на средний элемент:
равен target → нашли
target меньше → ищем в левой половине
target больше → ищем в правой половине

def find(nums, target):
    left, right = 0, len(nums) - 1
    while left <= right:
        mid = (left + right) // 2
        if nums[mid] == target:
            return mid
        elif nums[mid] < target:
            left = mid + 1
        else:
            right = mid - 1
    return -1

O(log n) — потому что на каждом шаге размер задачи делится пополам.
Насколько это быстрее

n              линейный поиск     бинарный поиск
─────────────────────────────────────────────────
1 000          1 000              ~10
1 000 000      1 000 000          ~20
1 000 000 000  1 миллиард         ~30

На миллиарде элементов — 30 шагов вместо миллиарда.

🐍Вопросы с собесов -> ProstoPython

🧠 Interview Thinking
Все знают FizzBuzz. Это не задача на алгоритмы. Это задача на то, как ты пишешь код.

Условие
Числа от 1 до n. Для каждого:
кратно 3 → "Fizz"
кратно 5 → "Buzz"
кратно и 3, и 5 → "FizzBuzz"
иначе → само число

Как пишет junior

for i in range(1, n + 1):
    if i % 3 == 0 and i % 5 == 0:
        print("FizzBuzz")
    elif i % 3 == 0:
        print("Fizz")
    elif i % 5 == 0:
        print("Buzz")
    else:
        print(i)

Работает. Принято.

Но интервьюер уже видит проблемы:
условие i % 3 == 0 and i % 5 == 0 — это i % 15 == 0, но junior это не упростил
что будет, если завтра добавят i % 7 == 0 → "Bazz"? Получим лестницу из 8 веток.

Как пишет сильный кандидат
Сначала проговаривает структуру:

«Это не три независимых условия, а накопление строки. Для каждого числа я хочу собрать суффиксы: если делится на 3 — добавить Fizz, если на 5 — добавить Buzz. Если ничего не накопилось — вернуть само число.»

И пишет:

for i in range(1, n + 1):
    out = ""
    if i % 3 == 0:
        out += "Fizz"
    if i % 5 == 0:
        out += "Buzz"
    print(out or i)

Заметь:
никаких and — два независимых условия сами дают «FizzBuzz»
никакой проблемы порядка — Fizz всегда перед Buzz
никакого else — out or i элегантно подставляет число, если строка пустая

А если масштабировать?

Сильный кандидат предложит сам:

«Если бы правил было больше, я бы вынес их в данные.»

RULES = [(3, "Fizz"), (5, "Buzz"), (7, "Bazz")]

for i in range(1, n + 1):
    out = "".join(word for div, word in RULES if i % div == 0)
    print(out or i)

Теперь добавить новое правило — это одна строка в списке, а не новая ветка в функции.

🐍Вопросы с собесов -> ProstoPython

🧰 Code Cleanup

Плохой код

names = ["Anna", "Boris", "Carol"]
ages = [30, 25, 40]

for i in range(len(names)):
    print(f"{names[i]} — {ages[i]} лет")

Работает. Но связь между списками неявная. Чтобы понять код, нужно мысленно держать индекс i и индексировать оба списка вручную.

Чистый вариант

for name, age in zip(names, ages):
    print(f"{name} — {age} лет")

zip склеивает списки в пары: ("Anna", 30), ("Boris", 25), ("Carol", 40).
В цикле сразу распаковываем — и работаем с именованными переменными, а не с индексами.

🐍Вопросы с собесов -> ProstoPython

🎭 Red Flag

def process(value):
    if type(value) == list:
        return sum(value)
    if type(value) == int:
        return value * 2

Работает. На простых случаях. Но это хрупкая проверка типа, и она ломается в самых неприятных местах.

Что не так
type(x) == X проверяет точное совпадение типа. Любой наследник провалит проверку:

class MyList(list):
    pass

m = MyList([1, 2, 3])

type(m) == list      # False ❗️
isinstance(m, list)  # True ✅


MyList — это список во всех смыслах. У него те же методы, то же поведение. Но type(m) == list его не пропускает.
Это нарушает принцип подстановки Лисков (LSP): код, который работает с базовым типом, должен работать с наследниками. type == этот принцип ломает.

🐍Вопросы с собесов -> ProstoPython

⏱️ Big O Breakdown

def process(nums):
    for n in nums:
        print(n)

    for n in nums:
        print(n * 2)

nums длины n.

Какая сложность?

A) O(n)
B) O(2n)
C) O(n²)
D) Зависит от размера

Правильный ответ: A — O(n)
Разбор

Глаз видит два цикла и хочет сказать «O(n²)». Но n² появляется только тогда, когда циклы вложены — один внутри другого.
Здесь циклы последовательные: сначала отработал первый (n шагов), потом второй (ещё n шагов). Итого — 2n шагов.
В big-O константы отбрасываются: 2n — это O(n). Не O(2n), а именно O(n).

🐍Вопросы с собесов -> ProstoPython

🧰 Code Cleanup

Плохой код

if is_active == True:
    do_something()

if items == []:
    return None

Работает. Но это двойная проверка там, где хватит одной.

Чистый вариант

if is_active:
    do_something()

if not items:
    return None

if сам приводит значение к булеву. Не нужно сравнивать с True или с пустым контейнером — питон уже понимает, что считать «истиной».

🐍Вопросы с собесов -> ProstoPython

📈 From O(n·m) to O(n+m)

Задача
Даны два отсортированных массива. Слить их в один отсортированный.

a = [1, 4, 7, 10]
b = [2, 3, 8, 11]
→ [1, 2, 3, 4, 7, 8, 10, 11]

Наивное решение — O((n+m) log(n+m))

def merge(a, b):
    return sorted(a + b)

Работает. Но мы выбрасываем то, что массивы уже отсортированы. Платим за сортировку «с нуля».

Сравнить через in? Ещё хуже — O(n·m)

result = []
for x in a:
    for y in b:
        if y < x and y not in result:
            result.append(y)
    result.append(x)

Вложенный цикл по парам — катастрофа.

Два указателя — O(n+m)
Идём по обоим массивам одновременно. На каждом шаге берём меньший элемент:

def merge(a, b):
    i = j = 0
    result = []
    while i < len(a) and j < len(b):
        if a[i] <= b[j]:
            result.append(a[i])
            i += 1
        else:
            result.append(b[j])
            j += 1
    result.extend(a[i:])   # докинуть остаток
    result.extend(b[j:])
    return result

Каждый элемент обоих массивов посещается ровно один раз. Итого — O(n+m) по времени.

🐍Вопросы с собесов -> ProstoPython

⏱️ Big O Breakdown

def running_average(nums):
    result = []
    for i in range(1, len(nums) + 1):
        result.append(sum(nums[:i]) / i)
    return result

nums длины n.

Какая сложность?

A) O(n)
B) O(n log n)
C) O(n²)
D) O(n²) только в худшем случае

Правильный ответ: C — O(n²)

Разбор
Внешний цикл — n шагов. Это очевидно.
А вот внутри прячется коварство: sum(nums[:i]) на каждом шаге проходит по всем элементам до i. Это O(i) операций.

i=1:  sum по 1 элементу
i=2:  sum по 2 элементам
i=3:  sum по 3 элементам
...
i=n:  sum по n элементам

Сумма: 1 + 2 + 3 + ... + n ≈ n²/2. Итого — O(n²).

🐍Вопросы с собесов -> ProstoPython

🧠 Interview Thinking

Задача
Дан массив цен акции по дням. Купить один раз, продать позже — максимизировать прибыль.

prices = [7, 1, 5, 3, 6, 4]
→ 5     (купить за 1 в день 1, продать за 6 в день 4)

Как думает junior — O(n²)
Перебирает все пары «день покупки / день продажи»:

best = 0
for i in range(len(prices)):
    for j in range(i + 1, len(prices)):
        best = max(best, prices[j] - prices[i])

Работает. На большом входе — таймаут.

Как думает сильный кандидат — O(n)
Главный вопрос: что мне нужно знать, чтобы посчитать прибыль в день i?
Только одно — самая низкая цена среди предыдущих дней. Если я её помню, то прибыль = prices[i] - min_so_far.
Значит, идём слева направо, на каждом шаге обновляем две вещи:
минимальную цену из увиденных
лучшую прибыль из увиденных

def max_profit(prices):
    min_price = float("inf")
    best = 0
    for price in prices:
        min_price = min(min_price, price)       # самый дешёвый день до сих пор
        best = max(best, price - min_price)     # лучшая прибыль до сих пор
    return best

Один проход. O(n) время, O(1) память.

🐍Вопросы с собесов -> ProstoPython

🧰 Code Cleanup

Плохой код

def calculate_price(items):
    total = sum(item.price for item in items)
    if total > 5000:
        total *= 0.9
    if len(items) > 10:
        total -= 200
    return total + total * 0.2

Откуда взялись 5000, 0.9, 10, 200, 0.2? Что они значат? Без знания бизнес-логики — никак не понять.
Это и есть магические числа: непонятные литералы прямо в коде.

Чистый вариант

DISCOUNT_THRESHOLD = 5000
DISCOUNT_RATE = 0.9
BULK_ITEM_THRESHOLD = 10
BULK_DISCOUNT = 200
VAT_RATE = 0.2

def calculate_price(items):
    total = sum(item.price for item in items)
    if total > DISCOUNT_THRESHOLD:
        total *= DISCOUNT_RATE
    if len(items) > BULK_ITEM_THRESHOLD:
        total -= BULK_DISCOUNT
    return total + total * VAT_RATE

Та же логика. Но теперь код читается как описание правил, а не как ребус.
Что мы получили
1. Самодокументируемость. total > DISCOUNT_THRESHOLD объясняет сам себя.
2. Изменения в одном месте. Если VAT поменяется с 20% на 21% — правишь одну строку, а не охотишься за 0.2 по всему файлу.

🐍Вопросы с собесов -> ProstoPython

⚖️ This vs That

Оба сравнивают. Разница ловится в одной фразе.
== — равенство значений

«Эти два объекта одинаковые по содержанию?»

[1, 2, 3] == [1, 2, 3]   # True
"abc" == "abc"           # True

is — идентичность объектов

«Это один и тот же объект в памяти?»

a = [1, 2, 3]
b = [1, 2, 3]
c = a

a == b   # True   — содержимое одинаковое
a is b   # False  — разные объекты в памяти
a is c   # True   — одна и та же ссылка

== смотрит что внутри. is смотрит где живёт.

Где это путают
Самая частая ошибка — сравнение с числами и строками:

x = 1000
y = 1000
x is y   # False (или True — зависит от реализации!)

CPython кэширует маленькие числа (от -5 до 256) и короткие строки. Поэтому:

a = 100; b = 100
a is b   # True   — оба указывают на кэшированный объект

a = 1000; b = 1000
a is b   # False  — разные объекты

Никогда не используй is для сравнения значений. Поведение зависит от внутренней оптимизации интерпретатора. Сегодня работает — завтра нет.

Когда is — единственно правильный выбор
Для синглтонов Python: None, True, False.

if x is None:        # ✅ правильно
if x == None:        # ❌ работает, но не идиоматично

🐍Вопросы с собесов -> ProstoPython

🧠 Interview Thinking

Задача
Дан массив длины n. Найти элемент, который встречается более n/2 раз. Гарантируется, что он есть.

nums = [3, 2, 3, 3, 1, 3, 3]   (n = 7, нужен элемент > 3 раз)
→ 3

Как думает junior — O(n) время, O(n) память
Через Counter:

from collections import Counter

def majority(nums):
    return Counter(nums).most_common(1)[0][0]

Работает, O(n) по времени. Но память — тоже O(n): храним частоты всех уникальных элементов.
На собесе это пройдёт. Но если интервьюер спросит «а можешь без дополнительной памяти?» — junior застревает.

Как думает сильный кандидат — алгоритм Бойера-Мура
Ключевой инсайт: раз мажоритарный элемент встречается больше половины раз, его «голосов» хватит, чтобы перебить все остальные элементы вместе взятые.

Идея: идём по массиву и ведём «счётчик силы» одного кандидата. Если встречаем его же — +1. Другой — -1. Если счётчик ушёл в ноль — меняем кандидата.

def majority(nums):
    candidate = None
    count = 0
    for n in nums:
        if count == 0:
            candidate = n
        count += 1 if n == candidate else -1
    return candidate

O(n) время, O(1) память. Один проход.

🐍Вопросы с собесов -> ProstoPython

🧰 Code Cleanup

Плохой код

msg = "User %s has %d points" % (name, score)
msg = "User {} has {} points".format(name, score)
msg = "User {name} has {score} points".format(name=name, score=score)

Все три работают. Но это наследие из старого Python, когда f-strings ещё не было.

Чистый вариант

msg = f"User {name} has {score} points"

Короче. Значения прямо на своих местах — не нужно держать в голове, какой {} соответствует какому аргументу.

Что ещё умеют f-strings

Выражения прямо внутри:

f"Discount: {price * 0.9:.2f}"
f"Items: {len(cart)}"
f"Greeting: {'Hi' if user else 'Hello'}"

Форматирование — после двоеточия:

f"{value:.2f}"      # 2 знака после запятой → "3.14"
f"{n:>10}"          # выравнивание вправо в 10 символов
f"{n:,}"            # разделители тысяч → "1,000,000"
f"{n:08b}"          # двоичное с ведущими нулями → "00001010"

🐍Вопросы с собесов -> ProstoPython

⏱️ Big O Breakdown

nums = [1, 2, 3, ..., 1_000_000]
n = len(nums)

Какая сложность len()?
A) O(1)
B) O(n)
C) O(log n)
D) Зависит от типа объекта


Правильный ответ: D — зависит от типа
Для большинства встроенных типов — O(1). Но не для всего.

Разбор
В Python len() зовёт метод __len__ объекта. Если он реализован как прямое чтение поля — это O(1).

Так устроены:

list, tuple, str, bytes, dict, set, frozenset, range

У каждого из них внутри уже хранится длина. len() просто её возвращает — за константное время.

len([1] * 1_000_000)   # O(1) — мгновенно
len("a" * 1_000_000)   # O(1) — мгновенно

Но есть исключения — генераторы

gen = (x for x in range(1000))
len(gen)   # ❌ TypeError: object of type 'generator' has no len()

У генератора нет длины, потому что элементы ещё не сгенерированы. len() не работает в принципе.
Если очень нужно — конвертируй в список (len(list(gen))), но это O(n) и съест всю память.

🐍Вопросы с собесов -> ProstoPython

🧠 Interview Thinking

Задача
Лестница из n ступеней. За один шаг можно подняться на 1 или 2 ступени. Сколько различных способов добраться до вершины?

n = 4
→ 5

Способы: 1+1+1+1, 1+1+2, 1+2+1, 2+1+1, 2+2

Как думает junior — рекурсия в лоб, O(2ⁿ)
«До n-й ступени можно прийти либо с (n-1), либо с (n-2). Значит:»

def climb(n):
    if n <= 2:
        return n
    return climb(n - 1) + climb(n - 2)

Работает. И это те же самые числа Фибоначчи.
Сложность — O(2ⁿ). На n = 40 уже секунды, на n = 50 — минуты.

Как думает сильный кандидат
Замечает: формула f(n) = f(n-1) + f(n-2) — это Фибоначчи. И сразу понимает, что подзадачи повторяются.
Дальше — два пути:

Мемоизация (top-down):

from functools import lru_cache

@lru_cache(maxsize=None)
def climb(n):
    if n <= 2:
        return n
    return climb(n - 1) + climb(n - 2)

Каждое значение считается один раз. O(n) время, O(n) память.

Итеративно (bottom-up):

def climb(n):
    a, b = 1, 2
    for _ in range(n - 1):
        a, b = b, a + b
    return a

O(n) время, O(1) память. Лучший вариант.

Главный инсайт
Когда в рекурсии видишь разветвление с повторяющимися подзадачами — это сигнал к динамическому программированию.

🐍Вопросы с собесов -> ProstoPython