Вопросы на собеседовании: Python-разработчик

functools.wraps сохраняет идентичность декорируемой функции и открывает оригинал для интроспекции.

• Без него __name__ и __doc__ принадлежат врапперу, поэтому трейсбеки, логи, инструменты документации и отладка показывают не ту функцию.
• Библиотеки, завязанные на метаданные функций, могут работать неверно, включая пиклинг, functools.singledispatch и регистрацию роутов во фреймворках.
• wraps копирует __name__, __doc__, __module__ и __dict__, а затем задаёт __wrapped__, чтобы inspect.unwrap мог добраться до оригинальной функции.

Декоратор с аргументами использует вложенные замыкания, чтобы сохранить настройки до момента вызова.

• Внешняя фабрика получает аргументы вроде times=3 и возвращает настоящий декоратор.
• Декоратор получает функцию и возвращает враппер, которому через замыкания доступны и функция, и настройки.
• Скобки обязательны даже при дефолтах, если не поддерживать обе формы через проверку первого позиционного аргумента на callable; более простой вариант состоит в том, чтобы требовать скобки и документировать это.

Сложенные декораторы применяются от функции наружу, а при вызове начинают выполняться в обратном порядке.

• Применение идёт снизу вверх: ближайший к def декоратор первым оборачивает функцию, а каждый следующий оборачивает предыдущий результат.
• Выполнение идёт сверху вниз: первым срабатывает самый внешний враппер и делегирует вызов внутрь.
• Порядок влияет на поведение: кеш снаружи проверки авторизации может кешировать ответы для неавторизованных пользователей, а обратный порядок пропускает каждый кешированный результат через авторизацию.

__exit__ всегда получает возможность выполнить очистку и решает, выйдет ли исключение за пределы блока with.

• Он получает тип исключения, значение и трейсбек либо три значения None, если блок завершился нормально.
• Истинное возвращаемое значение подавляет исключение и продолжает выполнение после блока with, как это делает contextlib.suppress.
• Возврат None или False пропускает исключение дальше, но очистка в __exit__ в любом случае выполняется.

contextlib.contextmanager сопоставляет две стороны единственного yield со входом в контекст и выходом из него.

• Код до yield работает как __enter__, а отданное значение становится целью после as.
• Код после yield работает как __exit__, поэтому yield нужно оборачивать в try/finally, чтобы гарантировать очистку при исключении в теле with.
• Исключение вбрасывается в генератор в точке yield, а перехват без повторного raise подавляет его так же, как возврат True из __exit__.

Генератор приостанавливает и возобновляет один сохранённый фрейм выполнения, поэтому данные можно обрабатывать по одному элементу.

• Вызов генераторной функции не выполняет её тело, а возвращает объект-генератор с приостановленным фреймом.
• Каждый next() продолжает выполнение до yield, отдаёт значение и снова останавливается, сохраняя локальные переменные и указатель инструкции.
• Пайплайн вроде parse(filter(read_lines(f))) проводит каждый элемент через все стадии и сохраняет постоянное потребление памяти даже для многогигабайтного лога.

Список подходит для повторно используемых материализованных данных, а генератор для ленивого однопроходного потребления.

• Списковое включение сразу строит весь результат, поэтому подходит для проверки длины, нескольких проходов, индексации и сортировки.
• Генераторное выражение отдаёт значения лениво и хорошо сочетается с sum или any, где короткое замыкание позволяет избежать лишней работы.
• Генератор не подходит, если потребитель проходит по данным дважды: второй проход молча не вернёт элементов и не вызовет ошибку.

yield from делегирует полный протокол генератора, а не только передаёт выдаваемые значения.

• При простой итерации он похож на цикл for с yield, но send() и throw() от потребителя передаются в субгенератор.
• Возвращаемое значение субгенератора становится значением выражения yield from, что позволяет генератору давать и поток, и финальный результат.
• На этой передаче возвращаемых значений строились корутинные фреймворки до async, тогда как ручной цикл ломает двустороннюю связь.

Лямбды в цикле захватывают одну общую переменную, поэтому при позднем вызове видят её последнее значение.

• Замыкания захватывают переменные, а не снимки их значений, и после цикла общая переменная содержит последний элемент.
• Аргумент по умолчанию вроде lambda x=x: ... привязывает текущее значение в момент определения; вместо этого functools.partial может сохранить его явно.
• Без такой привязки колбеки или словари обработчиков, созданные в цикле, заставляют каждый обработчик работать с последним элементом.

Аргументы по умолчанию вычисляются один раз при определении функции, что опасно для изменяемых объектов, но полезно для намеренных снимков значений.

• def f(items=[]) повторно использует один список во всех вызовах, поэтому добавленные значения протекают между ними.
• Стандартное исправление использует сентинел None и выражение items = [] if items is None else items внутри функции.
• Привязка при определении может намеренно сохранить значение переменной цикла или закешировать дорогой поиск, хотя для кеширования лучше использовать явные механизмы.

Дескрипторы централизуют управление атрибутами через методы типа классового атрибута.

• Дескриптор определяет __get__, __set__ или __delete__, а доступ к атрибуту экземпляра направляется через эти методы посредством класса.
• property является встроенным дескриптором, который связывает чтение и запись с функциями; функции тоже являются дескрипторами, чей __get__ создаёт связанные методы.
• Собственный дескриптор полезен, когда логика вроде валидации полей или преобразования единиц повторяется во многих атрибутах и иначе потребовала бы множества похожих property.

__slots__ меняет динамические атрибуты экземпляра на фиксированное хранилище и снижает расход памяти на каждый объект.

• Он заменяет __dict__ каждого экземпляра хранилищем перечисленных атрибутов, заметно сокращая память и немного ускоряя доступ к атрибутам.
• Произвольные атрибуты в рантайме недоступны, слабые ссылки требуют явного слота __weakref__, а родитель без слотов возвращает __dict__ при наследовании.
• Это оправдано для миллионов экземпляров вроде узлов AST или точек тиковых данных, но обычным доменным классам чаще важнее гибкость.

dataclass генерирует типичные методы объекта данных из аннотированных полей и даёт безопасные средства для неизменяемости и дефолтов.

• Он создаёт __init__, __repr__ и __eq__, а при необходимости __hash__ и методы сравнения, убирая повторяющиеся конструкторы из одних присваиваний.
• frozen=True запрещает присваивание атрибутов, что позволяет хешировать экземпляры и безопасно использовать их как ключи словаря.
• field(default_factory=list) вызывает фабрику для каждого экземпляра и избегает бага с общим изменяемым дефолтом в виде обычного списка.

== сравнивает значения через __eq__, а is проверяет, указывают ли две ссылки на один объект.

• Равные строки, построенные в рантайме, могут быть разными объектами, хотя == вернёт True.
• CPython интернирует маленькие целые числа и некоторые строки времени компиляции, но поведение меняется для склеенных или пользовательских строк и между реализациями.
• Используйте is для синглтонов вроде None, True, False и собственных сентинел-объектов, но не для сравнения значений с опорой на интернирование.

Поверхностное копирование дублирует только контейнер, а глубокое рекурсивно копирует его граф объектов.

• copy.copy создаёт новый внешний объект, но его элементы остаются прежними ссылками, поэтому изменение вложенного списка через копию меняет и оригинал.
• copy.deepcopy рекурсивно копирует граф и использует словарь memo для обработки циклов.
• Поверхностная копия конфига может распространить вложенное изменение одного тенанта на всех, но глубокое копирование огромных структур в горячих путях бывает дороже переработки кода без мутаций.

CPython нужен сборщик циклов, потому что один подсчёт ссылок не освобождает недостижимые объекты, которые ссылаются друг на друга.

• Подсчёт ссылок освобождает объект при нулевом счётчике, но участники цикла удерживают счётчики друг друга выше нуля.
• Поколенческий циклический сборщик периодически находит такие недостижимые группы; __del__ мешает этому из-за неоднозначного порядка финализации умирающего цикла.
• Исторически такие циклы не собирались, а сегодня финализаторы могут сработать в неожиданном порядке, поэтому ресурсы лучше очищать через контекст-менеджеры или weakref.finalize.

GIL защищает внутреннее состояние интерпретатора CPython, но не обеспечивает потокобезопасность операций приложения.

• Он позволяет только одному потоку выполнять байткод Python в каждый момент и защищает от повреждения состояние интерпретатора, например счётчики ссылок.
• Действия из нескольких байткодов, такие как проверка с последующим обновлением или += для общего атрибута, всё равно могут перемежаться и вызывать гонки и потерю обновлений.
• GIL освобождается на блокирующем I/O и внутри многих C-расширений, поэтому потоки могут ускорять I/O-bound нагрузки.

Потоки совмещают блокирующие ожидания в I/O-bound работе, но выполнение CPU-bound кода Python сериализуется из-за GIL.

• Поток освобождает GIL при блокирующем чтении сокета или обращении к базе, позволяя другим потокам работать и повышая пропускную способность при одновременных ожиданиях.
• CPU-bound потоки не ждут, а конкурируют за один GIL, поэтому работа сериализуется и может замедлиться из-за расходов на переключение.
• Для тяжёлых вычислений подходят multiprocessing, C-расширения вроде numpy, которые освобождают GIL внутри, или другой рантайм.

Тайп-хинты и mypy стоит внедрять постепенно, сразу защищая каждый уже типизированный модуль от регрессий.

• Начните с мягких настроек mypy, добавляйте более строгие переопределения для отдельных модулей и поставьте гейт в CI для уже чистого кода.
• Типизируйте весь новый код и сначала аннотируйте общее ядро, модели и утилиты, где типы ловят больше всего последующих ошибок.
• Не объединяйте аннотацию тысяч файлов в одно изменение, потому что такой дифф устаревает на ревью, пока продуктовая работа продолжается.

Типобезопасность обычно утекает через Any и непроверяемые обходные пути вроде кастов и игноров.

• Нетипизированные библиотеки, результаты json.loads и функции без аннотаций порождают Any, который незаметно распространяется и отключает последующие проверки.
• Усильте mypy настройками disallow_untyped_defs и warn_return_any, а внешние данные на границе разбирайте в TypedDict, dataclass или pydantic-модели вместо передачи сырых словарей.
• Требуйте обоснование для кастов и директив type: ignore и периодически ищите их, чтобы удалять ставшие ненужными.