Python

Найпопулярніші запитання та відповіді на співбесіді з Python

1. Що таке Python і які його основні особливості?

Python

Python — це високорівнева мова загального призначення з акцентом на читабельність, швидку розробку та великий стандартний інструментарій.

Основні особливості:

• Простий синтаксис: код легко читати й підтримувати.
• Інтерпретована модель виконання: швидкий цикл змін без етапу ручної компіляції.
• Кросплатформеність: один код працює на Linux, macOS, Windows.
• Мультипарадигменність: procedural, OOP, functional підходи в одному проєкті.
• Сильна екосистема: pip, venv, pyproject.toml, тисячі готових бібліотек.
• Сучасні можливості Python 3.14+: type hints, dataclass, async/await, match/case, генератори, context managers.

Приклад production-style функції:

from dataclasses import dataclass

@dataclass(slots=True)
class User:
    name: str
    active: bool

def process_users(users: list[User]) -> list[str]:
    return [user.name for user in users if user.active]

Коротко:

• Python прискорює розробку завдяки простому синтаксису та великій стандартній бібліотеці.
• Мова підходить для backend, automation, data/ML, тестування та DevOps.
• У Python 3.14+ ключові практики: type hints, async IO, сучасний standard library.

2. Які ключові переваги Python?

Python

Ключові переваги Python в продакшені:

• висока швидкість розробки через лаконічний синтаксис;
• велика стандартна бібліотека (pathlib, itertools, collections, asyncio);
• зріла екосистема пакетів для backend, data, automation, тестування;
• переносимість коду між ОС;
• хороша підтримка типізації (typing, mypy, pyright) і сучасних практик.

Коротко:

• Python зменшує time-to-market.
• Дає багато готових інструментів без додаткових залежностей.
• Підходить і для MVP, і для масштабованих сервісів.

3. Чим Python відрізняється від компільованих мов програмування?

Python

Python зазвичай виконується інтерпретатором: код компілюється у байткод і виконується в рантаймі (CPython VM). У компільованих мовах (C/C++, Rust) переважно є попередня компіляція у машинний код.

Практичні наслідки:

• Python швидше в розробці та прототипуванні.
• Нативні компільовані мови зазвичай швидші у CPU-bound задачах.
• У Python продуктивність часто покращують алгоритмами, профілюванням і C-розширеннями.

Коротко:

• Python оптимізує швидкість розробки.
• Компіляція в машинний код зазвичай дає кращу raw-продуктивність.
• Вибір залежить від домену та вимог до latency/throughput.

4. Що означає динамічна типізація в Python?

Python

Динамічна типізація означає, що тип прив'язаний до об'єкта, а не до імені змінної. Ім'я може посилатися на значення різних типів у різний час виконання.

value = 10        # int
value = "10"      # str

Типи перевіряються під час виконання, тому помилки типів виникають у runtime, якщо не використовувати статичний аналізатор типів.

Коротко:

• У Python тип має об'єкт, не змінна.
• Тип може змінюватися при перевизначенні імені.
• Type hints додають контроль до запуску коду.

5. Що означає строгість типів (strong typing) у Python?

Python

Strong typing у Python означає, що інтерпретатор не виконує небезпечні неявні перетворення між несумісними типами.

1 + "2"  # TypeError

Для операцій між різними типами потрібне явне приведення:

1 + int("2")  # 3

Коротко:

• Python динамічно типізований, але строгий щодо сумісності типів.
• Небезпечні неявні конверсії блокуються помилкою.
• Явне приведення робить поведінку передбачуваною.

6. Що таке REPL і коли його використовують?

Python

REPL (Read-Eval-Print Loop) це інтерактивний режим, де ви вводите вираз, отримуєте результат одразу і швидко перевіряєте гіпотези.

Застосування:

• перевірити API бібліотеки;
• швидко протестувати вираз або алгоритм;
• дослідити дані перед імплементацією в модулі.

Інструменти: стандартний python, ipython, ptpython.

Коротко:

• REPL дає найшвидший фідбек-цикл.
• Зручний для експериментів і дебагу.
• Не замінює тести, але скорочує час перевірки ідей.

7. Що таке literals у Python, наведіть приклади різних типів literals?

Python

Literal це фіксоване значення, записане прямо в коді.

name = "Ada"                  # str literal
count = 42                    # int literal
ratio = 3.14                  # float literal
enabled = True                # bool literal
items = [1, 2, 3]             # list literal
config = {"retries": 3}       # dict literal
flags = {"a", "b"}            # set literal
point = (10, 20)              # tuple literal
raw = b"abc"                  # bytes literal

Коротко:

• Literals це вбудовані константні значення в коді.
• Кожен базовий тип має свій синтаксис літерала.
• Вони часто використовуються для ініціалізації даних.

8. Що таке keywords у Python?

Python

Keywords це зарезервовані слова мови, які мають спеціальне синтаксичне призначення і не можуть бути іменами змінних.

Приклади: if, for, class, def, match, case, try, except, async, await.

Переглянути список:

import keyword
print(keyword.kwlist)

Коротко:

• Keywords формують синтаксис Python.
• Їх не можна використовувати як ідентифікатори.
• Список доступний через модуль keyword.

9. Що таке змінна в Python?

Python

Змінна в Python це ім'я (reference), яке посилається на об'єкт у пам'яті. Присвоєння зв'язує ім'я з об'єктом, а не "кладе значення в коробку".

x = [1, 2]
y = x
y.append(3)
# x і y посилаються на один список

Коротко:

• Змінна це посилання на об'єкт.
• Кілька імен можуть посилатися на один mutable-об'єкт.
• Це важливо для розуміння копіювання і побічних ефектів.

10. Що таке `pass` і `...` (Ellipsis) у Python?

Python

pass це оператор-заглушка: нічого не робить, але дозволяє синтаксично коректний порожній блок.

... (Ellipsis) це окремий об'єкт Ellipsis. Часто використовується як маркер "ще не реалізовано", у type hints та бібліотеках (наприклад NumPy).

def feature() -> None:
    pass

PLACEHOLDER = ...

Коротко:

• pass потрібен для порожніх блоків коду.
• ... це значення-об'єкт, а не ключове слово.
• Обидва використовують як тимчасові заглушки з різною семантикою.

11. Що таке PEP і як він впливає на розвиток Python?

Python

PEP (Python Enhancement Proposal) це офіційний документ, який описує нову фічу, стандарт або процес у екосистемі Python.

Через PEP проходять:

• обговорення дизайну;
• технічна аргументація;
• рішення про прийняття/відхилення;
• стандартизація практик.

Приклади: PEP 8 (style), PEP 484 (type hints), PEP 634 (pattern matching).

Коротко:

• PEP це механізм еволюції мови та інструментів.
• Він робить зміни прозорими й формалізованими.
• Багато сучасних практик Python закріплені саме через PEP.

12. Що таке PEP 8 і навіщо він потрібен?

Python

PEP 8 це офіційний стиль-гайд для Python-коду: іменування, форматування, відступи, імпорти, довжина рядків, читабельність конструкцій.

Навіщо потрібен:

• код має однаковий стиль у команді;
• швидше code review;
• менше шуму в diff;
• вища підтримуваність.

На практиці стиль автоматизують через ruff format або black + ruff.

Коротко:

• PEP 8 стандартизує стиль Python-коду.
• Це про читабельність і підтримку, не про продуктивність.
• Дотримання краще автоматизувати інструментами.

13. Які нові можливості з'явилися у сучасних версіях Python (3.10+)?

Python

Ключові можливості сучасного Python:

• match/case (structural pattern matching);
• покращений синтаксис і повідомлення про помилки;
• union-типи через | (int | None);
• typing.Self, typing.TypeAlias, typing.override;
• generics у стилі PEP 695 (class Box[T]: ..., def f[T](...) -> ...);
• tomllib у стандартній бібліотеці.

Практично це зменшує boilerplate і покращує надійність типізованого коду.

Коротко:

• Python 3.10+ суттєво покращив синтаксис і typing.
• match/case і сучасний typing найпомітніше впливають на код.
• Нові фічі варто використовувати в новому коді за замовчуванням.

14. Що таке docstring у Python?

Python

Docstring це рядок документації, перший вираз у модулі, класі або функції. Він доступний через __doc__ і використовується IDE, help(), генераторами docs.

def normalize_email(email: str) -> str:
    """Return lowercase email without surrounding spaces."""
    return email.strip().lower()

Рекомендовано описувати: що робить функція, аргументи, повернення, винятки.

Коротко:

• Docstring це вбудована документація в коді.
• Працює як джерело для help() та автогенерації docs.
• Якісний docstring зменшує потребу читати реалізацію.

15. Як працюють відступи (indentation) у Python?

Python

У Python відступи визначають блоки коду (тіло if, for, def, class). Тобто відступ є частиною синтаксису, а не лише стилем.

if is_ready:
    run_task()
else:
    stop_task()

Змішування tab і spaces може призвести до IndentationError або некоректної структури блоку.

Коротко:

• Відступ у Python задає структуру програми.
• Неправильний відступ ламає виконання.
• Використовуйте стабільний стиль (4 пробіли).

16. Скільки пробілів потрібно для відступу відповідно до PEP8 та чому важливо дотримуватись однакового відступу?

Python

PEP 8 рекомендує 4 пробіли на один рівень відступу.

Чому це критично:

• однакова структура блоку в усьому проєкті;
• передбачуваний вигляд у різних редакторах;
• менше помилок через tab/space конфлікти;
• чистіший diff у Git.

Коротко:

• Стандартний відступ: 4 пробіли.
• Єдиний стиль прибирає клас помилок форматування.
• Це напряму покращує читабельність і підтримку коду.

17. У чому різниця між `ruff` і `black` щодо функціоналу та використання?

Python

black це форматер коду з фіксованими правилами.

ruff це швидкий linter, а також форматер і автофіксер багатьох правил (PEP8, імпорти, потенційні баги, спрощення синтаксису).

Практичні підходи:

• або ruff check --fix + ruff format;
• або ruff для lint + black для форматування.

Коротко:

• black фокусується на форматуванні.
• ruff закриває linting і частину автоправок.
• У сучасних проєктах часто достатньо одного ruff.

18. Поясніть призначення type annotations у Python і наведіть приклад функції з type annotations.

Python

Type annotations описують очікувані типи аргументів і повернення. Вони покращують автодоповнення, статичний аналіз і читабельність API.

def process_users(users: list[dict[str, object]]) -> list[str]:
    return [str(user["name"]) for user in users if bool(user.get("active"))]

Анотації не виконують runtime-валідацію самі по собі, але допомагають знайти помилки на етапі CI через mypy/pyright.

Коротко:

• Type hints документують контракт функції.
• Дають раннє виявлення помилок через static checking.
• Підвищують якість API у великих кодових базах.

19. Що таке debugging і чому це важливий навик для програмістів?

Python

Debugging це системний пошук причини некоректної поведінки коду та її усунення. Це не лише "знайти баг", а відтворити, локалізувати і перевірити fix.

Базовий цикл:

• відтворити проблему;
• звузити ділянку коду;
• перевірити гіпотезу (логами/дебагером);
• додати тест, що фіксує сценарій.

Коротко:

• Debugging зменшує MTTR і кількість регресій.
• Працює найкраще як процес, а не хаотичний пошук.
• Завершення дебагу: fix + тест + постперевірка.

20. Поясніть призначення використання функції `print` для налагодження. Наведіть приклад ситуації, коли цей підхід корисний.

Python

print-debugging це швидкий спосіб перевірити значення змінних і порядок виконання без запуску складних інструментів.

Корисно, коли треба швидко перевірити гіпотезу в локальному скрипті:

def parse_port(raw: str) -> int:
    value = raw.strip()
    print(f"raw={raw!r} value={value!r}")
    return int(value)

Для продакшен-коду краще переходити на logging, щоб мати рівні логів і кероване виведення.

Коротко:

• print підходить для короткої локальної діагностики.
• Швидко показує стан змінних у проблемній точці.
• Для стабільної діагностики в сервісі використовуйте logging.

21. Опишіть, як можна використовувати Python Debugger (PDB) для налагодження. Які переваги PDB у порівнянні з `print`?

Python

pdb дозволяє зупиняти виконання програми, крокувати по рядках, дивитися стан змінних і стек викликів.

Базове використання:

import pdb

def compute(x: int) -> int:
    pdb.set_trace()
    return x * 2

Ключові команди: n (next), s (step), c (continue), p expr (print expr), l (list), bt (backtrace).

Коротко:

• pdb дає інтерактивний контроль виконання.
• Ефективніший за print для складних сценаріїв.
• Дозволяє діагностувати стан без засмічення коду логами.

22. Які стратегії можна застосовувати для налагодження циклів та функцій у Python?

Python

Практичні стратегії:

• локалізувати баг через мінімальний відтворюваний приклад;
• логувати інваріанти на ітераціях циклу;
• ставити breakpoint на вхід/вихід функції;
• перевіряти крайні випадки (порожні дані, None, великі обсяги);
• покривати проблемний шлях тестом.

Для циклів корисно логувати індекс і ключові проміжні стани.

Коротко:

• Починайте з відтворення і звуження проблеми.
• Перевіряйте інваріанти і крайні умови.
• Фіналізуйте фікс тестом, що ловить регресію.

23. Який вплив мають довготривалі функції на продуктивність програми?

Python

Довготривалі функції збільшують latency, блокують воркери/потоки і погіршують пропускну здатність сервісу.

Ризики:

• повільні відповіді API;
• таймаути;
• зростання черг задач;
• гірше використання CPU/IO.

Підхід: профілювати (cProfile), розбивати на менші кроки, використовувати генератори/стрімінг, виносити важкі обчислення в multiprocessing або фон.

Коротко:

• Довгі функції напряму б'ють по latency.
• Оптимізацію роблять на основі профілювання, не інтуїції.
• Архітектурно краще розділяти CPU-bound і IO-bound роботу.

24. Що таке logging і чому його краще використовувати замість `print`?

Python

logging це стандартний механізм журналювання подій із рівнями (DEBUG, INFO, WARNING, ERROR, CRITICAL), форматами й обробниками (console, file).

Чому краще за print:

• керовані рівні деталізації;
• структурований формат;
• централізована конфігурація;
• можливість інтеграції з observability-стеком.

Коротко:

• logging придатний для продакшену, print ні.
• Рівні логів дають контроль шуму.
• Логи мають бути структурованими й консистентними.

25. Що таке traceback?

Python

Traceback це стек викликів, який Python показує при винятку: де почалось виконання, через які функції пройшов код і де саме сталася помилка.

Використання:

• швидко знайти файл/рядок джерела помилки;
• зрозуміти шлях виконання до збою;
• побудувати точний тест на відтворення.

Коротко:

• Traceback це "маршрут" до помилки.
• Найцінніша частина: останні кадри стека і тип винятку.
• Аналіз traceback прискорює root-cause.

26. Які основні типи даних існують у Python?

Python

Основні built-in типи:

• числові: int, float, complex;
• логічний: bool;
• рядки/байти: str, bytes, bytearray;
• колекції: list, tuple, set, dict, frozenset;
• спеціальні: NoneType (None).

Важливо розуміти mutability:

• mutable: list, dict, set, bytearray;
• immutable: int, str, tuple, frozenset.

Коротко:

• Python має багатий набір базових типів "з коробки".
• Вибір структури даних впливає на складність операцій.
• Mutability визначає поведінку копіювання та побічні ефекти.

27. Яка різниця між звичайним діленням (`/`) і цілочисельним діленням (`//`) у Python?

Python

/ виконує звичайне ділення і завжди повертає float.

// виконує floor-ділення: повертає цілу частину вниз (до -∞), тип зазвичай int для цілих операндів.

7 / 2    # 3.5
7 // 2   # 3
-7 // 2  # -4

Коротко:

• / -> дійсний результат.
• // -> округлення вниз до цілого.
• Для від'ємних чисел // не еквівалентне "обрізанню до нуля".

28. Поясніть використання оператора модуля (`%`) у Python. Як його можна використати щоб визначити, чи число парне або непарне?

Python

Оператор % повертає остачу від ділення.

Перевірка парності:

def is_even(n: int) -> bool:
    return n % 2 == 0

Якщо n % 2 == 0, число парне; інакше непарне.

Типові задачі: циклічні індекси, розбиття на групи, календарні обчислення.

Коротко:

• % повертає remainder.
• n % 2 це стандартна перевірка парності.
• Часто використовується для циклічної логіки.

29. Як Python працює з великими цілими числами і які є обмеження при роботі з дуже великими числами?

Python

int у Python має довільну точність (arbitrary precision), тобто не обмежений 32/64-бітами як у багатьох мовах.

Обмеження практичні:

• пам'ять процесу;
• час обчислень на дуже великих значеннях;
• вартість операцій зростає зі збільшенням кількості цифр.

Коротко:

• Переповнення int у звичному сенсі немає.
• Обмеження: ресурси машини, а не фіксований бітовий розмір.
• Для великих обчислень важливі алгоритми і профілювання.

30. Яке значення має обробка ділення на нуль у Python, як запобігти `ZeroDivisionError` у коді?

Python

Ділення на нуль викликає ZeroDivisionError. Це треба обробляти явно, якщо дільник надходить із зовнішнього вводу або розраховується динамічно.

def safe_div(a: float, b: float) -> float | None:
    if b == 0:
        return None
    return a / b

У критичних сценаріях використовуйте try/except і логування контексту.

Коротко:

• Ділення на нуль це контрольована runtime-помилка.
• Найпростіше запобігання: перевірка дільника до операції.
• Для зовнішніх даних додавайте захист і діагностику.

31. Опишіть використання модуля `random` у Python. Які найбільш поширені функції у цьому модулі?

Python

random використовується для псевдовипадкових значень у симуляціях, тестових даних, non-crypto задачах.

Поширені функції:

• random() — число у [0.0, 1.0);
• randint(a, b) — ціле в діапазоні;
• randrange(start, stop, step) — як range, але випадковий елемент;
• choice(seq) / choices(seq, k=...);
• shuffle(list_) — перемішує список in-place;
• sample(population, k) — унікальна вибірка.

Для криптографії використовуйте secrets, не random.

Коротко:

• random підходить для звичайної прикладної випадковості.
• Найчастіше: randint, choice, shuffle, sample.
• Для security-sensitive задач потрібен secrets.

32. Як у Python працювати з числами з кращою точністю?

Python

Для фінансових і точних десяткових обчислень використовуйте decimal.Decimal, а не float.

from decimal import Decimal

total = Decimal("0.1") + Decimal("0.2")  # Decimal('0.3')

Для раціональних чисел корисний fractions.Fraction.

Коротко:

• float зручний, але має похибки двійкового представлення.
• Для точної десяткової арифметики обирайте Decimal.
• Тип числа має відповідати домену задачі.

33. Що таке escape-символи у рядках Python і як їх використовують? Наведіть приклади для `\n`, `\t`, `\r`, `\"`, і `\'`.

Python

Escape-послідовності це спеціальні комбінації з \, які кодують службові символи всередині рядка.

• \n — новий рядок
• \t — табуляція
• \r — повернення каретки
• \" — подвійна лапка в рядку з "
• \' — одинарна лапка в рядку з '

text = "A\tB\n\"quoted\"\nI\'m here\rX"

Коротко:

• Escape-символи керують форматуванням рядка.
• Дозволяють вставляти лапки без ламання синтаксису.
• Для шляхів/regex часто зручно використовувати raw-рядки r"...".

34. Поясніть використання методів `strip`, `lstrip` та `rstrip` у Python. Чим вони відрізняються?

Python

Методи працюють з краями рядка:

• strip() — прибирає символи з обох боків;
• lstrip() — лише зліва;
• rstrip() — лише справа.

За замовчуванням видаляють whitespace, або конкретний набір символів:

"  hello  ".strip()      # "hello"
"--id--".strip("-")      # "id"

Коротко:

• strip-сімейство не змінює рядок in-place, а повертає новий.
• Різниця лише у стороні очищення.
• Часто використовується на вхідних даних.

35. Опишіть призначення методу `count` у рядках. Як він працює?

Python

str.count(sub[, start[, end]]) рахує кількість неперекривних входжень підрядка sub у вибраному діапазоні.

"banana".count("an")      # 2
"banana".count("a", 2)    # 2

Повертає 0, якщо входжень немає.

Коротко:

• count швидко дає кількість входжень підрядка.
• Підтримує обмеження пошуку через start/end.
• Рахує неперекривні входження.

36. Як працює метод `join` у Python і для чого найчастіше його використовують?

Python

sep.join(iterable) з'єднує послідовність рядків в один рядок через розділювач sep.

names = ["Ada", "Linus", "Guido"]
result = ", ".join(names)  # "Ada, Linus, Guido"

Типове застосування: формування CSV-подібних рядків, логів, SQL-фрагментів, URL-шляхів, повідомлень.

Коротко:

• join це стандартний і швидкий спосіб склеювання рядків.
• Викликається на розділювачі, не на списку.
• Ефективніший за багаторазове += у циклі.

37. Що таке slicing (нарізка) у Python і як з її допомогою отримати підрядки? Наведіть приклади з позитивними та негативними індексами.

Python

Slicing це вибір частини послідовності через [start:stop:step].

s = "python"
s[1:4]     # "yth"
s[:2]      # "py"
s[-3:]     # "hon"
s[::-1]    # "nohtyp"

start включається, stop не включається.

Коротко:

• Slicing працює для рядків, списків, кортежів.
• Негативні індекси рахуються з кінця.
• Це базовий інструмент обробки послідовностей без циклів.

38. Поясніть метод `replace` для рядків. Як ним можна замінити декілька входжень підрядка?

Python

str.replace(old, new, count=-1) повертає новий рядок, де old замінено на new. За замовчуванням замінюються всі входження.

"foo bar foo".replace("foo", "baz")      # "baz bar baz"
"foo bar foo".replace("foo", "baz", 1)   # "baz bar foo"

Коротко:

• replace не змінює рядок in-place.
• Без count замінює всі входження.
• count дозволяє контролювати кількість замін.

39. Як працює метод `split` у рядках?

Python

split(sep=None, maxsplit=-1) ділить рядок на список підрядків.

• без sep ділить по будь-яких пробільних символах;
• з sep ділить по конкретному розділювачу;
• maxsplit обмежує кількість розділень.

"a,b,c".split(",")         # ["a", "b", "c"]
"a b   c".split()          # ["a", "b", "c"]
"k=v=x".split("=", 1)      # ["k", "v=x"]

Коротко:

• split перетворює рядок у список токенів.
• sep=None має спеціальну поведінку для whitespace.
• maxsplit корисний для парсингу key/value форматів.

40. Як працює приведення типів (type casting)?

Python

Type casting це явне перетворення значення між типами через конструктори: int(), float(), str(), bool(), list(), tuple(), set(), dict().

age = int("42")
price = float("19.99")
text = str(10)

Некоректні дані спричиняють виняток (ValueError, TypeError), тому для зовнішнього вводу потрібна валідація.

Коротко:

• Python надає явні функції конверсії типів.
• Не всі значення можна безпечно конвертувати.
• Для user input потрібні перевірки й обробка винятків.

41. Як Python автоматично конвертує різні типи даних у значення boolean?

Python

У булевому контексті Python застосовує truthiness правила.

False-подібні значення:

• False, None;
• нульові числа: 0, 0.0, 0j;
• порожні колекції: "", [], {}, set(), tuple(), range(0).

Усе інше зазвичай True.

bool([])      # False
bool("0")     # True

Коротко:

• Boolean-конверсія базується на truthy/falsy правилах.
• Порожнє і нульове -> False.
• Непорожній рядок "0" все одно True.

42. Поясніть, як перетворити рядок у ціле або дійсне число у Python. Що буде, якщо рядок не можна перетворити у число?

Python

Для перетворення використовуйте int() і float():

count = int("42")
ratio = float("3.14")

Якщо рядок невалідний, Python піднімає ValueError.

def parse_int(value: str) -> int | None:
    try:
        return int(value)
    except ValueError:
        return None

Коротко:

• int()/float() виконують явну конверсію з рядка.
• Невалідний формат -> ValueError.
• Для зовнішніх даних потрібен try/except.

43. Що робить Python при порівнянні різних типів даних, таких як цілі числа і дійсні, або цілі числа і boolean?

Python

Python дозволяє числове порівняння сумісних numeric-типів.

• int і float порівнюються за значенням.
• bool є підкласом int: False == 0, True == 1.

1 == 1.0      # True
True == 1     # True
False < 1     # True

Для несумісних типів (наприклад int і str) порівняння порядку (<, >) викликає TypeError.

Коротко:

• int, float, bool мають спільну numeric-семантику.
• bool поводиться як 0/1 у порівняннях.
• Несумісні типи не порівнюються оператором порядку.

44. Як Python обробляє порівняння між списками та set?

Python

list і set це різні типи з різною семантикою, тому пряме порівняння порядку між ними не підтримується.

[1, 2] == {1, 2}   # False
[1, 2] < {1, 2}    # TypeError

Якщо треба порівняти склад елементів, нормалізуйте тип:

set([1, 2]) == {1, 2}  # True

Коротко:

• list і set порівнюються як різні структури даних.
• == між ними зазвичай False.
• Для змістовного порівняння спершу приводьте до одного типу.

45. Опишіть використання функції `bool()` у Python.

Python

bool(x) повертає булеве значення x за правилами truthiness.

Типові сценарії:

• явне перетворення значення до True/False;
• читабельні умови;
• побудова фільтрів.

bool("text")   # True
bool("")       # False
bool(0)        # False

Коротко:

• bool() уніфікує перевірку "порожнє/непорожнє".
• Спирається на вбудовані правила truthy/falsy.
• Корисний для валідації та умовної логіки.

46. У чому різниця між `list` і `tuple`?

Python

Головна різниця: list mutable, tuple immutable.

Практичні наслідки:

• list підходить для даних, що змінюються;
• tuple підходить для фіксованих записів;
• tuple можна використовувати як ключ словника (якщо елементи хешовані).

coords: tuple[float, float] = (50.45, 30.52)
queue: list[str] = ["task-1", "task-2"]

Коротко:

• list для змінних колекцій.
• tuple для незмінних структур даних.
• Вибір впливає на безпечність API і використання в dict/set.

47. Як можна створити `tuple`?

Python

Основні способи:

t1 = (1, 2, 3)
t2 = 1, 2, 3
t3 = tuple([1, 2, 3])
single = (42,)     # важлива кома
empty = ()

Для одного елемента кома обов'язкова, інакше це просто вираз у дужках.

Коротко:

• tuple створюють через літерал або tuple(iterable).
• single = (x,) це коректний одноелементний tuple.
• Порожній tuple: ().

48. Яка різниця між методом `reverse` і нарізкою `[::-1]` при перевертанні списку?

Python

list.reverse() змінює існуючий список in-place і повертає None.

lst[::-1] створює новий перевернутий список (копію).

values = [1, 2, 3]
values.reverse()      # values -> [3, 2, 1]

other = values[::-1]  # новий список

Коротко:

• reverse() змінює оригінал.
• [::-1] повертає новий об'єкт.
• Вибір залежить від потреби зберегти вихідні дані.

49. Поясніть призначення та використання методу `sort` для списків. Як відсортувати список у спадному порядку?

Python

list.sort() сортує список in-place. Підтримує параметри:

• key — функція ключа сортування;
• reverse=True — спадний порядок.

nums = [5, 1, 7]
nums.sort(reverse=True)  # [7, 5, 1]

Якщо потрібна нова відсортована копія, використовуйте sorted(iterable).

Коротко:

• sort() змінює список на місці.
• Для спадання використовуйте reverse=True.
• sorted() зручний, коли оригінал треба зберегти.

50. У чому різниця між методом `copy` і прямим присвоєнням одного списку іншому? Чому іноді важливо використовувати `copy`?

Python

Присвоєння копіює лише посилання:

a = [1, 2]
b = a
b.append(3)   # a теж зміниться

a.copy() створює новий (поверхневий) список:

a = [1, 2]
b = a.copy()
b.append(3)   # a не зміниться

Для вкладених структур може знадобитися copy.deepcopy.

Коротко:

• = не копіює дані, а ділить один об'єкт між змінними.
• copy() ізолює зміни на рівні верхнього списку.
• Для вкладених об'єктів використовуйте deepcopy.

51. Що робить метод `pop` у списку? Чим його поведінка відрізняється якщо вказати індекс і якщо ні?

Python

pop() видаляє і повертає елемент зі списку.

• pop() без аргументів видаляє останній елемент;
• pop(i) видаляє елемент за індексом i.

items = ["a", "b", "c"]
last = items.pop()     # "c"
first = items.pop(0)   # "a"

Некоректний індекс викликає IndexError.

Коротко:

• pop поєднує видалення і повернення значення.
• Без індексу працює з кінцем списку.
• З індексом видаляє конкретну позицію.

52. Як об'єднати два списки у Python використовуючи оператор `+` і метод `extend`? У чому ключова різниця між цими двома способами?

Python

a + b створює новий список, а a.extend(b) змінює список a in-place.

a = [1, 2]
b = [3, 4]

c = a + b         # [1, 2, 3, 4], a не змінився
a.extend(b)       # a -> [1, 2, 3, 4]

Коротко:

• + повертає новий об'єкт.
• extend() мутує існуючий список.
• Вибір залежить від того, чи треба зберегти оригінал.

53. Для чого застосовуються функції `min`, `max`, `sum`, `all`, `any` у контексті списків?

Python

Це базові агрегатори для ітерованих колекцій:

• min() / max() — мінімум і максимум;
• sum() — сума чисел;
• all() — True, якщо всі елементи truthy;
• any() — True, якщо хоча б один елемент truthy.

nums = [3, 10, 1]
min(nums), max(nums), sum(nums)  # (1, 10, 14)
all([True, 1, "x"])              # True
any([0, "", None, 5])            # True

Коротко:

• Функції зменшують boilerplate у циклах.
• Працюють з будь-яким iterable.
• Добре поєднуються з генераторами для lazy-обробки.

54. Що таке словник (`dict`) у Python і чим він відрізняється від інших структур даних?

Python

dict це асоціативний масив: зберігає пари ключ -> значення. Ключі мають бути hashable, значення можуть бути будь-якого типу.

Відмінності:

• доступ за ключем, а не за індексом;
• середня складність пошуку/вставки/видалення близька до O(1);
• з Python 3.7+ зберігає порядок вставки ключів.

Коротко:

• dict оптимальний для швидкого доступу за ключем.
• Це основна структура для конфігурацій і мапінгів.
• Ключі повинні бути незмінними (hashable).

55. У чому різниця між отриманням значення зі словника через квадратні дужки `[]` і методом `get`?

Python

d[key] повертає значення або кидає KeyError, якщо ключа немає.

d.get(key, default) повертає значення або default (або None), без винятку.

config = {"timeout": 30}
config["timeout"]         # 30
config.get("retries", 3)  # 3

Коротко:

• [] для обов'язкових ключів.
• get() для опціональних полів.
• get() зменшує кількість try/except у читанні даних.

56. Опишіть, як можна оновити та видалити елементи зі словника.

Python

Оновлення:

• d[key] = value — вставити/оновити один ключ;
• d.update({...}) — масове оновлення.

Видалення:

• del d[key] — видалити ключ (помилка, якщо нема);
• d.pop(key, default) — видалити і повернути значення;
• d.popitem() — видалити останню пару;
• d.clear() — очистити весь словник.

Коротко:

• Для upsert підходять [] і update().
• Для безпечного видалення частіше використовують pop().
• Обирайте API залежно від бажаної поведінки при відсутньому ключі.

57. Для чого призначені методи `keys`, `values` та `items` у словниках?

Python

Ці методи повертають view-об'єкти словника:

• keys() — всі ключі;
• values() — всі значення;
• items() — пари (key, value).

data = {"a": 1, "b": 2}
for key, value in data.items():
    ...

View динамічні: відображають актуальний стан словника.

Коротко:

• keys/values/items потрібні для ітерації та перевірок.
• items() найзручніший для циклу з ключем і значенням.
• Це не копії, а "живі" представлення даних.

58. Як влаштований `dict` у Python під капотом?

Python

dict реалізований як hash table з оптимізаціями пам'яті і швидкого доступу. Ключ хешується, за хешем обирається комірка, колізії розв'язуються внутрішнім алгоритмом probing.

Практичні наслідки:

• середній доступ близько O(1);
• якість __hash__ і __eq__ впливає на поведінку;
• mutable об'єкти не можна використовувати як ключі.

Коротко:

• dict це високопродуктивна hash-структура.
• Швидкість досягається за рахунок хешування.
• Ключі мають бути hashable та стабільними.

59. Що таке hash function?

Python

Hash function перетворює об'єкт у ціле число (hash), яке використовується для швидкого розміщення/пошуку в dict і set.

Умови для коректності:

• якщо a == b, тоді hash(a) == hash(b);
• значення хеша має бути стабільним протягом життя об'єкта.

Коротко:

• Хеш-функція є основою швидкої роботи dict/set.
• Вона не гарантує унікальність (можливі колізії).
• Для custom-класів важлива узгодженість __eq__ і __hash__.

60. Що таке `set` у Python і чим він відрізняється від інших структур даних?

Python

set це невпорядкована колекція унікальних елементів.

Відмінності:

• автоматично прибирає дублікати;
• швидкі операції перевірки належності (x in s);
• підтримує теоретико-множинні операції: union/intersection/difference.

Коротко:

• set оптимальний для унікальності та membership-check.
• Порядок елементів не гарантується.
• Елементи мають бути hashable.

61. Як створити `set` у Python і які обмеження існують щодо елементів set?

Python

Створення:

s1 = {1, 2, 3}
s2 = set([1, 2, 2, 3])   # {1, 2, 3}
empty = set()            # не {}

Обмеження:

• елементи мають бути hashable (наприклад int, str, tuple);
• list, dict, set не можна додати напряму.

Коротко:

• set() створює порожню множину.
• Дублікати автоматично видаляються.
• Дозволені лише hashable-елементи.

62. Для чого використовується метод `intersection()` у Python set і чим він відрізняється від `union()`?

Python

intersection() повертає спільні елементи множин, а union() об'єднує всі унікальні елементи з обох множин.

a = {1, 2, 3}
b = {3, 4}

a.intersection(b)  # {3}
a.union(b)         # {1, 2, 3, 4}

Коротко:

• intersection = перетин (спільне).
• union = об'єднання (все унікальне).
• Обидва методи базові для порівняння наборів даних.

63. Які типи даних є immutable?

Python

Поширені immutable-типи:

• int, float, bool, complex;
• str, bytes;
• tuple (якщо елементи теж immutable);
• frozenset;
• NoneType.

Коротко:

• Immutable-об'єкт не можна змінити після створення.
• Замість мутації створюється новий об'єкт.
• Такі типи безпечніші для ключів dict/елементів set.

64. Які типи даних є mutable?

Python

Поширені mutable-типи:

• list;
• dict;
• set;
• bytearray;
• більшість user-defined об'єктів класів.

Коротко:

• Mutable-об'єкти змінюються in-place.
• Мутації можуть створювати побічні ефекти через спільні посилання.
• Потрібно обережно працювати з копіюванням.

65. Чому важливо розуміти змінюваність, працюючи зі словниками або set?

Python

dict і set базуються на хешуванні, тому їх елементи/ключі мають бути стабільними (hashable). Mutable-об'єкти не можна безпечно використовувати як ключі або елементи set.

Також мутація значень через спільні reference часто породжує неочікувані баги.

Коротко:

• Mutability впливає на коректність ключів у dict/set.
• Спільні mutable-об'єкти часто дають побічні ефекти.
• Явні копії і контроль мутацій зменшують баги.

66. Що таке `None`?

Python

None це спеціальне singleton-значення типу NoneType, яке означає "відсутність значення".

Типові сценарії:

• функція нічого явно не повертає;
• опціональні параметри;
• маркер "дані ще не задані".

Перевірка виконується через is:

if value is None:
    ...

Коротко:

• None означає відсутність значення.
• Це singleton, тому порівнюють через is.
• Часто використовується в API як опціональний стан.

67. Що таке `id` у Python, як його використовувати і чому це важливо?

Python

id(obj) повертає ідентифікатор об'єкта (унікальний в межах життєвого циклу об'єкта в поточному процесі).

Корисно для діагностики:

• чи це той самий об'єкт;
• чи створено копію;
• чи сталася мутація спільного reference.

Коротко:

• id допомагає аналізувати identity об'єктів.
• Корисний у дебазі копіювання/мутацій.
• Не використовується як бізнес-ідентифікатор.

68. Яка різниця між операторами `is` та `==`?

Python

== порівнює значення (еквівалентність), а is порівнює ідентичність (чи це один і той самий об'єкт у пам'яті).

a = [1, 2]
b = [1, 2]
a == b   # True
a is b   # False

Для None завжди використовуйте is.

Коротко:

• == про рівність значень.
• is про той самий об'єкт.
• value is None це правильний стиль перевірки.

69. Як застосовується Singleton pattern у Python? Наведіть приклади Singleton-об'єктів у Python.

Python

Singleton означає один глобальний екземпляр об'єкта в процесі. У Python його часто замінюють модульним рівнем (модулі імпортуються один раз).

Приклади singleton-об'єктів мови:

• None;
• True і False;
• Ellipsis.

У прикладному коді замість жорсткого Singleton частіше використовують DI-контейнер або фабрики для кращої тестованості.

Коротко:

• Python вже має вбудовані singleton-об'єкти.
• Часто достатньо модульного скоупу без окремого патерна.
• Зловживання Singleton погіршує тестованість.

70. Для чого використовуються оператори `break` та `continue` в циклах Python?

Python

break достроково завершує цикл, continue пропускає поточну ітерацію і переходить до наступної.

for n in range(10):
    if n == 5:
        break
    if n % 2 == 0:
        continue

Коротко:

• break зупиняє цикл повністю.
• continue пропускає лише поточний крок.
• Вони роблять керування циклом явним і читабельним.

71. Поясніть поняття нескінченного циклу. У яких випадках доречно використовувати нескінченний цикл і як забезпечити його коректне завершення?

Python

Нескінченний цикл це цикл без природної умови завершення, наприклад while True. Використовується для daemon/worker-процесів, polling, event-loop логіки.

Коректне завершення:

• чітка умова break;
• обробка сигналів завершення;
• таймаути й try/finally для clean-up.

while True:
    task = queue.get()
    if task is None:
        break
    handle(task)

Коротко:

• while True доречний для довгоживучих сервісних циклів.
• Потрібен контрольований механізм зупинки.
• Завжди передбачайте вивільнення ресурсів.

72. Опишіть, як працюють вкладені цикли у Python. Які проблеми з продуктивністю можуть виникати при їх використанні і як їх уникати?

Python

Вкладений цикл це цикл усередині іншого циклу. Часто складність стає O(n*m) або гірше, що критично на великих даних.

Оптимізації:

• замінювати пошук у списках на set/dict;
• виносити інваріанти за межі внутрішнього циклу;
• застосовувати генератори, itertools, векторизацію;
• профілювати "гарячі" ділянки.

Коротко:

• Вкладені цикли швидко множать вартість обчислень.
• Структури даних часто важливіші за мікрооптимізації.
• Профілювання показує, що саме треба оптимізувати.

73. Що таке structural pattern matching (`match`/`case`)?

Python

match/case (Python 3.10+) це механізм розбору структури даних за шаблонами. Працює з літералами, типами, послідовностями, словниками та класами.

def handle(message: dict[str, object]) -> str:
    match message:
        case {"type": "ping"}:
            return "pong"
        case {"type": "user", "id": int(user_id)}:
            return f"user:{user_id}"
        case _:
            return "unknown"

Коротко:

• match/case читається краще для складного розгалуження.
• Дозволяє одночасно перевіряти форму і виймати дані.
• Особливо корисний для протоколів/подій і парсингу структур.

74. У яких випадках pattern matching кращий за `if`/`elif`?

Python

match/case кращий, коли потрібно:

• перевіряти багато взаємовиключних форм даних;
• розпаковувати вкладені структури;
• уникати довгих ланцюгів if/elif.

if/elif кращий для простих булевих умов і короткої логіки.

Коротко:

• Для структурних сценаріїв краще match/case.
• Для простих умов достатньо if/elif.
• Критерій вибору: читабельність і підтримка.

75. Що таке функція в Python?

Python

Функція це іменований callable-блок коду, який приймає аргументи, повертає результат і дозволяє інкапсулювати логіку.

def normalize_name(name: str) -> str:
    return name.strip().title()

Функції підтримують default-значення, keyword-аргументи, *args/**kwargs, анотації типів, декоратори.

Коротко:

• Функція це базова одиниця повторного використання коду.
• Вона формує чіткий контракт через параметри й return.
• Type hints роблять контракт явним.

76. Які існують типи аргументів функцій?

Python

У сучасному Python:

• positional-only (/);
• positional-or-keyword;
• keyword-only (*);
• variadic positional (*args);
• variadic keyword (**kwargs).

def f(a, /, b, *, c, **kwargs):
    ...

Коротко:

• Python дає гнучкий контроль способу виклику функції.
• / і * формалізують API-контракт.
• *args/**kwargs корисні для розширюваних інтерфейсів.

77. Що таке позиційні та іменовані аргументи?

Python

Позиційні аргументи передаються за порядком, іменовані (keyword) за назвою параметра.

def connect(host: str, port: int) -> str:
    return f"{host}:{port}"

connect("localhost", 5432)          # позиційно
connect(host="localhost", port=5432) # іменовано

Коротко:

• Позиційні залежать від порядку параметрів.
• Іменовані підвищують читабельність виклику.
• Їх можна комбінувати з дотриманням правил сигнатури.

78. Що таке аргументи за замовчуванням і які з ними можуть бути проблеми?

Python

Default-аргументи підставляються, якщо значення не передано під час виклику. Вони обчислюються один раз при визначенні функції.

Проблема: mutable default.

def add_item(item: int, bucket: list[int] | None = None) -> list[int]:
    if bucket is None:
        bucket = []
    bucket.append(item)
    return bucket

Коротко:

• Defaults зручні для стабільних значень.
• Mutable default може накопичувати стан між викликами.
• Безпечний патерн: None + ініціалізація всередині.

79. Поясніть призначення та використання `*args` і `**kwargs` у функціях Python. Чим вони відрізняються?

Python

*args збирає додаткові позиційні аргументи в tuple. **kwargs збирає додаткові іменовані аргументи в dict.

def log_event(event: str, *args: object, **kwargs: object) -> None:
    ...

Використання: обгортки, адаптери API, декоратори, проксування параметрів.

Коротко:

• *args = додаткові позиційні.
• **kwargs = додаткові іменовані.
• Вони роблять функції гнучкими, але потребують чіткої валідації.

80. Як визначити функцію з type annotations у Python? Наведіть приклад і поясніть переваги цього підходу.

Python

Типи задаються в сигнатурі параметрів і return-значення.

def process_users(users: list[dict[str, object]]) -> list[str]:
    return [str(user["name"]) for user in users if bool(user.get("active"))]

Переваги:

• кращий DX (autocomplete, навігація);
• статична перевірка в CI;
• явний контракт для інших розробників.

Коротко:

• Анотації типів документують API.
• Вони зменшують ризик помилок інтеграції.
• Найбільша користь у середніх і великих кодових базах.

81. Що таке lambda-функції?

Python

lambda це анонімна одно-виразна функція. Зазвичай використовується для коротких callbacks у sorted, map, filter.

users = [{"name": "Ada"}, {"name": "Bob"}]
users_sorted = sorted(users, key=lambda u: u["name"])

Для складної логіки краще звичайна def-функція.

Коротко:

• lambda зручна для коротких локальних виразів.
• Обмежена одним виразом.
• Для читабельності складний код краще виносити в def.

82. Яка область видимості змінних у функції?

Python

Python використовує правило LEGB для пошуку імен:

• Local;
• Enclosing (зовнішні функції);
• Global (модуль);
• Builtins.

Усередині функції присвоєння створює локальну змінну, якщо не оголошено global або nonlocal.

Коротко:

• Scope визначає, де ім'я доступне і змінюване.
• LEGB пояснює порядок пошуку змінних.
• Неправильне розуміння scope часто дає UnboundLocalError.

83. Що таке локальні та глобальні змінні у Python?

Python

Локальні змінні живуть у тілі функції. Глобальні змінні визначені на рівні модуля.

Для зміни глобальної з функції потрібен global, але це зазвичай варто уникати через неявні залежності.

Коротко:

• Локальні безпечніші для підтримки й тестування.
• Глобальні спрощують доступ, але ускладнюють контроль стану.
• Краще передавати залежності параметрами.

84. Яка різниця між локальними і nonlocal-змінними у Python?

Python

nonlocal використовується у вкладеній функції для зміни змінної із найближчого enclosing-scope (не глобального).

def counter() -> callable:
    value = 0

    def inc() -> int:
        nonlocal value
        value += 1
        return value

    return inc

Коротко:

• Локальна змінна належить поточній функції.
• nonlocal змінює стан зовнішньої функції.
• Це ключовий механізм для closure зі станом.

85. Що таке unpacking у Python і як його застосовують при присвоєнні?

Python

Unpacking це розкладання елементів послідовності/структури в окремі змінні.

x, y = (10, 20)
first, *middle, last = [1, 2, 3, 4]

Працює також зі словниками в match/case, викликах функцій і циклах.

Коротко:

• Unpacking робить код компактнішим і читабельнішим.
• Підтримує "зірочковий" збір решти значень.
• Часто використовується в парсингу структур даних.

86. Поясніть поняття packing значень у Python і наведіть приклади.

Python

Packing це збирання кількох значень в одну структуру (tuple, list, dict).

point = 10, 20                 # tuple packing

def collect(*args: int) -> tuple[int, ...]:
    return args

*args і **kwargs це типовий приклад packing аргументів.

Коротко:

• Packing збирає багато значень в один контейнер.
• Найчастіше використовується в сигнатурах функцій.
• Добре поєднується з unpacking на стороні виклику.

87. Для чого використовують оператор `*` при packing та unpacking?

Python

* у параметрах функції пакує позиційні аргументи (*args), а у виклику розпаковує iterable в позиційні аргументи.

def add(a: int, b: int) -> int:
    return a + b

nums = [2, 3]
add(*nums)  # 5

Також * використовується у присвоєнні для захоплення "решти" елементів.

Коротко:

• * універсальний оператор для роботи з varargs.
• У сигнатурі пакує, у виклику розпаковує.
• Зменшує шаблонний код при передачі даних.

88. Що таке closure і яке його відношення до decorator-ів?

Python

Closure це внутрішня функція, яка "пам'ятає" змінні enclosing-scope навіть після завершення зовнішньої функції.

Decorator зазвичай реалізують саме через closure: обгортка зберігає посилання на оригінальну функцію і додаткові параметри.

Коротко:

• Closure це функція + захоплений контекст.
• Decorator часто є практичним застосуванням closure.
• Дає можливість додати поведінку без зміни тіла функції.

89. Що таке decorator у Python і як він працює?

Python

Decorator це callable, який приймає функцію/клас і повертає модифіковану версію (обгортку).

from functools import wraps

def log_calls(func):
    @wraps(func)
    def wrapper(*args, **kwargs):
        return func(*args, **kwargs)
    return wrapper

Застосування: логування, кешування, авторизація, ретраї, метрики.

Коротко:

• Decorator додає cross-cutting поведінку.
• Працює через обгортання callable.
• Дозволяє не дублювати технічну логіку в бізнес-коді.

90. Чи можна використовувати декілька decorator-ів для однієї функції?

Python

Так, можна стекувати кілька декораторів. Вони застосовуються знизу вгору (ближчий до def виконується першим обгортанням).

@decorator_a
@decorator_b
def handler() -> None:
    ...

Еквівалент: handler = decorator_a(decorator_b(handler)).

Коротко:

• Кілька декораторів допустимі і поширені.
• Порядок застосування має значення.
• Стек декораторів треба документувати для прозорості.

91. Опишіть можливу проблему з черговістю decorator-ів при їх застосуванні до функції.

Python

Неправильний порядок може змінити семантику: наприклад, кешування до перевірки доступу може закешувати небажаний результат або обійти очікувану логіку.

Типові ризики:

• логування бачить вже змінені аргументи;
• ретраї обгортають не той виняток;
• кеш ставиться до/після валідації в неправильній точці.

Коротко:

• Порядок декораторів впливає на поведінку функції.
• Це часта причина прихованих багів.
• Для критичних ланцюжків потрібні тести на порядок виконання.

92. Чи можна створити decorator за допомогою класу?

Python

Так. Клас-декоратор реалізує __call__, щоб екземпляр поводився як функція.

class CallCounter:
    def __init__(self, func):
        self.func = func
        self.calls = 0

    def __call__(self, *args, **kwargs):
        self.calls += 1
        return self.func(*args, **kwargs)

Коротко:

• Decorator можна реалізувати не лише функцією, а й класом.
• Клас зручний, коли потрібен внутрішній стан.
• Ключовий механізм: __call__.

93. Як визначити decorator, що приймає параметри?

Python

Потрібна трирівнева структура: фабрика декоратора -> декоратор -> wrapper.

from functools import wraps

def retry(times: int):
    def decorator(func):
        @wraps(func)
        def wrapper(*args, **kwargs):
            for _ in range(times - 1):
                try:
                    return func(*args, **kwargs)
                except Exception:
                    pass
            return func(*args, **kwargs)
        return wrapper
    return decorator

Коротко:

• Параметризований декоратор це функція, що повертає декоратор.
• Часто використовують closure для збереження параметрів.
• Такий підхід зручний для конфігурованої поведінки.

94. Для чого використовують `functools.wraps` у decorator-функціях?

Python

functools.wraps копіює метадані оригінальної функції в wrapper: ім'я, docstring, модуль, а також __wrapped__.

Це важливо для:

• коректного дебагу й логів;
• інтроспекції та документації;
• сумісності з інструментами, що читають сигнатуру.

Коротко:

• wraps зберігає "ідентичність" оригінальної функції.
• Без нього декоровані функції втрачають корисні метадані.
• Це best practice для всіх wrapper-декораторів.

95. Як працюють dict comprehension, list comprehension і set comprehension?

Python

Comprehension створює колекцію з виразу і циклу(ів), опційно з фільтром.

squares = [x * x for x in range(6)]
mapping = {x: x * x for x in range(6)}
unique = {x % 3 for x in range(10)}

Формат:

• list: [expr for x in it if cond]
• set: {expr for x in it if cond}
• dict: {k_expr: v_expr for x in it if cond}

Коротко:

• Comprehension компактно виражає трансформацію даних.
• Працює для list, set, dict.
• Дає чистіший код, ніж ручне додавання в циклі.

96. Які переваги використання list comprehensions у порівнянні зі звичайними циклами?

Python

Переваги:

• коротший і декларативніший код;
• менше службових змінних;
• зазвичай трохи краща продуктивність у CPython;
• нижчий ризик забути append.

Недолік: для дуже складної логіки comprehension погіршує читабельність.

Коротко:

• List comprehension добре підходить для простих трансформацій.
• Часто швидший і чистіший за ручний цикл.
• Для складних гілок краще звичайний for.

97. Чи можете навести приклад вкладеної list comprehension?

Python

Приклад flatten матриці:

matrix = [[1, 2], [3, 4], [5, 6]]
flat = [item for row in matrix for item in row]  # [1, 2, 3, 4, 5, 6]

Приклад з умовою:

pairs = [(x, y) for x in range(3) for y in range(3) if x != y]

Коротко:

• Вкладена comprehension це кілька for в одному виразі.
• Порядок for відповідає вкладеним циклам.
• Використовуйте, коли вираз залишається читабельним.

98. Що швидше у Python: list comprehension або створення списку за допомогою циклу?

Python

У типових сценаріях list comprehension трохи швидший за цикл з append, бо має оптимізований байткод і менше накладних операцій.

Важливо: реальний приріст залежить від тіла операції, тому для критичних ділянок варто вимірювати (timeit, pyperf).

Коротко:

• Часто швидше: list comprehension.
• Різниця може бути невеликою.
• Для production-рішень орієнтуйтесь на вимірювання.

99. Що таке iterator у Python?

Python

Iterator це об'єкт, який повертає елементи послідовно і пам'ятає поточний стан. Він реалізує протокол:

• __iter__() повертає себе;
• __next__() повертає наступний елемент або кидає StopIteration.

Коротко:

• Iterator дає поелементний доступ без повного завантаження даних.
• Це база для for, генераторів і lazy-обробки.
• Після вичерпання iterator не "перемотується" сам.

100. Як створити iterator з ітерованого об'єкта за допомогою функції `iter()`?

Python

Викликайте iter(iterable), щоб отримати iterator.

items = [10, 20, 30]
it = iter(items)

Після цього значення читаються через next(it).

Коротко:

• iter() перетворює iterable на iterator.
• Це явний спосіб керувати ітерацією вручну.
• Використовується у низькорівневій обробці потоку даних.

101. Для чого призначена функція `next()` при роботі з iterator-ами?

Python

next(iterator[, default]) повертає наступний елемент iterator. Коли елементи закінчились, кидає StopIteration або повертає default, якщо його передано.

it = iter([1, 2])
next(it)        # 1
next(it)        # 2
next(it, None)  # None

Коротко:

• next() дає ручний контроль кроку ітерації.
• Без default кінець потоку -> StopIteration.
• З default зручно безпечно читати потік.

102. Чи можна взаємозамінно використовувати методи `__next__()` і `__iter__()` з функціями `next()` та `iter()`?

Python

Так, але з нюансом протоколу:

• iter(obj) викликає obj.__iter__();
• next(it) викликає it.__next__().

Тобто функції є стандартним інтерфейсом до dunder-методів і зазвичай використовуються замість прямого виклику.

Коротко:

• iter() відповідає __iter__().
• next() відповідає __next__().
• У прикладному коді краще викликати вбудовані функції.

103. Яка роль `StopIteration` у проєктуванні iterator-ів і коли це зазвичай виникає?

Python

StopIteration сигналізує, що iterator вичерпано. for-цикл перехоплює його автоматично і завершує ітерацію.

Зазвичай виникає:

• при виклику next(it) після останнього елемента;
• у custom-ітераторах, коли дані закінчились.

Коротко:

• StopIteration це штатний кінець потоку.
• Його не треба логувати як "помилку" в normal-flow.
• У власних iterator-ах його треба піднімати коректно.

104. Що таке generator і чим він відрізняється від iterator чи звичайної функції?

Python

Generator це спеціальний iterator, який створюється функцією з yield. Він генерує значення по одному і зберігає внутрішній стан між викликами.

Відмінності:

• від звичайної функції: не завершується одним return, а "пауза/продовження";
• від ручного iterator: простіша реалізація без явного класу __next__.

Коротко:

• Generator це найзручніший спосіб lazy-ітерації.
• Дає менше коду, ніж custom iterator-клас.
• Особливо корисний для великих потоків даних.

105. Як створити generator-функцію?

Python

Потрібно визначити функцію з yield.

def countdown(start: int):
    current = start
    while current > 0:
        yield current
        current -= 1

Виклик countdown(3) повертає generator-об'єкт, який можна ітерувати.

Коротко:

• Наявність yield робить функцію генератором.
• Generator повертає значення поетапно.
• Стан функції зберігається між ітераціями.

106. Як ключове слово `yield` забезпечує функціональність generator-ів і чому вони економлять пам'ять?

Python

yield повертає чергове значення і "заморожує" контекст функції (локальні змінні, позицію виконання). Наступний next() відновлює виконання з цієї точки.

Економія пам'яті: дані не створюються повністю наперед, а обчислюються on-demand.

Коротко:

• yield реалізує паузу/продовження виконання.
• Generator підтримує lazy evaluation.
• Це знижує memory footprint для великих наборів даних.

107. У чому різниця між `return` і `yield`?

Python

return завершує функцію і повертає одне фінальне значення. yield повертає проміжне значення і зберігає стан для подальшого продовження.

У генераторі return означає кінець ітерації (StopIteration).

Коротко:

• return -> завершення функції.
• yield -> поетапна видача значень.
• yield використовується для потокової обробки.

108. Що таке Object-Oriented Programming (OOP) та його головні принципи у Python?

Python

OOP це підхід, де дані і поведінка об'єднані в об'єктах.

Ключові принципи:

• інкапсуляція;
• наслідування;
• поліморфізм;
• абстракція.

У Python OOP зазвичай поєднується з композицією і duck typing.

Коротко:

• OOP структурує домен через класи й об'єкти.
• Python підтримує OOP гнучко, без надмірного шаблонного коду.
• На практиці композиція часто краща за глибоке наслідування.

109. Що таке `class` у Python?

Python

class це шаблон (blueprint) для створення об'єктів з атрибутами та методами.

class User:
    def __init__(self, name: str) -> None:
        self.name = name

Клас задає структуру і поведінку майбутніх екземплярів.

Коротко:

• Клас описує дані й операції над ними.
• На основі класу створюються об'єкти (instances).
• Це базова одиниця моделювання в OOP.

110. Як створити object у Python?

Python

Об'єкт створюється викликом класу:

class User:
    def __init__(self, name: str) -> None:
        self.name = name

user = User("Ada")

Під час створення виконується __init__ для ініціалізації стану.

Коротко:

• Object = екземпляр класу.
• Створення: instance = ClassName(...).
• __init__ налаштовує початкові атрибути.

111. Що таке об'єкти та атрибути?

Python

Об'єкт це конкретний екземпляр типу/класу. Атрибут це пов'язане з об'єктом ім'я-значення (дані або метод).

user.name       # атрибут-дані
user.save()     # атрибут-метод

Коротко:

• Об'єкт зберігає стан і поведінку.
• Атрибути описують цей стан/поведінку.
• Доступ до атрибутів: крапкова нотація.

112. Яку роль виконує метод `__init__()` у класі?

Python

__init__ це ініціалізатор екземпляра: викликається після створення об'єкта і заповнює початковий стан.

class Account:
    def __init__(self, owner: str, balance: float = 0.0) -> None:
        self.owner = owner
        self.balance = balance

Коротко:

• __init__ задає стартові атрибути об'єкта.
• Працює як вхідна точка конфігурації instance.
• Не створює об'єкт, а лише ініціалізує його.

113. Для чого параметр `self` у методах класу Python?

Python

self це посилання на поточний екземпляр, через нього метод читає/змінює інстанс-атрибути.

def deposit(self, amount: float) -> None:
    self.balance += amount

Ім'я self не зарезервоване синтаксично, але є загальноприйнятим стандартом.

Коротко:

• self зв'язує метод з конкретним об'єктом.
• Через self доступні інстанс-дані.
• Це обов'язковий перший параметр instance method.

114. Як визначати методи у класі?

Python

Методи визначаються як функції всередині class.

class Calculator:
    def add(self, a: int, b: int) -> int:
        return a + b

Типові види: instance (self), class (@classmethod, cls), static (@staticmethod, без self/cls).

Коротко:

• Метод це функція в тілі класу.
• Тип методу визначається декоратором і сигнатурою.
• Найчастіше використовується instance method.

115. Поясніть концепцію "все є об'єктом" у Python і наведіть приклади.

Python

У Python майже все є об'єктом: числа, рядки, функції, класи, модулі. Тому у всього є тип, атрибути й поведінка.

type(10)          # <class 'int'>
type(len)         # <class 'builtin_function_or_method'>
type(str)         # <class 'type'>

Коротко:

• Єдина об'єктна модель спрощує мову.
• Функції й класи теж об'єкти першого класу.
• Це робить Python гнучким для метапрограмування.

116. Наведіть приклад класу з методами, які виконують обчислення на основі атрибутів.

Python

class Rectangle:
    def __init__(self, width: float, height: float) -> None:
        self.width = width
        self.height = height

    def area(self) -> float:
        return self.width * self.height

    def perimeter(self) -> float:
        return 2 * (self.width + self.height)

Коротко:

• Методи можуть обчислювати значення з інстанс-атрибутів.
• Це інкапсулює доменну логіку в об'єкті.
• API класу стає самодокументованим.

117. Опишіть ситуацію, коли може знадобитися використання кількох класів у Python-програмі.

Python

Коли домен має кілька відповідальностей, їх розділяють по класах. Наприклад e-commerce: Order, OrderItem, PaymentService, InventoryService.

Це дає:

• чіткий розподіл відповідальностей;
• слабше зв'язування;
• простішу заміну/тестування компонентів.

Коротко:

• Кілька класів потрібні для моделювання складного домену.
• Розподіл відповідальностей підвищує підтримуваність.
• Композиція класів зазвичай краща за "god object".

118. У чому різниця між instance method, class method і static method?

Python

• Instance method: має self, працює з конкретним екземпляром.
• Class method: має cls, працює з класом загалом.
• Static method: не має self/cls, це утилітарна функція в namespace класу.

Коротко:

• Instance -> логіка екземпляра.
• Class -> логіка класу/альтернативні конструктори.
• Static -> допоміжна логіка без доступу до стану.

119. Що таке `@classmethod` у Python і чим він відрізняється від звичайних методів?

Python

@classmethod передає першим аргументом клас (cls), а не екземпляр. Часто використовується для factory-методів.

class User:
    def __init__(self, name: str) -> None:
        self.name = name

    @classmethod
    def from_email(cls, email: str) -> "User":
        return cls(email.split("@")[0])

Коротко:

• classmethod працює на рівні класу.
• Зручний для альтернативних конструкторів.
• Не потребує вже створеного instance.

120. Що таке `@staticmethod` у класах Python і коли його доцільно застосовувати?

Python

@staticmethod визначає метод без автоматичного self або cls. Він логічно належить класу, але не залежить від стану.

class Math:
    @staticmethod
    def clamp(value: int, min_v: int, max_v: int) -> int:
        return max(min_v, min(value, max_v))

Коротко:

• staticmethod це функція в namespace класу.
• Використовуйте для допоміжної логіки без доступу до атрибутів.
• Не підходить, якщо потрібен стан instance або class.

121. У чому різниця між `@classmethod` і `@staticmethod` у класах Python?

Python

Різниця у першому аргументі і рівні доступу:

• @classmethod отримує cls і може працювати з класовим станом;
• @staticmethod не отримує нічого автоматично.

classmethod частіше для фабрик/поліморфних конструкторів, staticmethod для утиліт.

Коротко:

• classmethod знає про клас.
• staticmethod ізольований від класового/інстанс стану.
• Вибір залежить від потреби доступу до cls.

122. Що таке інстанс-атрибути у класах Python і чим вони відрізняються від класових атрибутів?

Python

Інстанс-атрибути належать конкретному об'єкту (self.x). Класові атрибути належать класу і спільні для всіх екземплярів.

class User:
    role = "member"           # class attribute
    def __init__(self, name: str) -> None:
        self.name = name      # instance attribute

Коротко:

• Інстанс-атрибути зберігають індивідуальний стан.
• Класові атрибути зберігають спільну конфігурацію.
• Мутації class-атрибутів впливають на всі instance.

123. Що таке `__slots__` у Python?

Python

__slots__ обмежує набір дозволених атрибутів у класі і може зменшити споживання пам'яті, прибираючи __dict__ для екземплярів.

class Point:
    __slots__ = ("x", "y")
    def __init__(self, x: int, y: int) -> None:
        self.x = x
        self.y = y

Коротко:

• __slots__ корисний для великої кількості легковагових об'єктів.
• Дає memory-оптимізацію і контроль атрибутів.
• Зменшує гнучкість динамічного додавання полів.

124. Що таке magic methods (dunder методи) у класах Python і чому їх називають "магічними"?

Python

Dunder-методи (__init__, __str__, __len__, __eq__, ...) це спеціальні хуки, які Python викликає автоматично у відповідь на оператори та built-ins.

Їх називають "магічними", бо вони інтегрують ваш клас у поведінку мови.

Коротко:

• Dunder-методи визначають протокольну поведінку об'єкта.
• Вони дозволяють вашим класам поводитись "як вбудовані типи".
• Використовуйте їх лише коли є чітка семантична потреба.

125. Для чого призначений метод `__del__`?

Python

__del__ це фіналізатор, який може викликатися перед знищенням об'єкта GC. Його поведінка не детермінована, тому для керування ресурсами краще використовувати context managers (with) і явне закриття.

Коротко:

• __del__ не гарантує своєчасного виконання.
• Не покладайте критичний clean-up лише на нього.
• Рекомендований підхід: with/try-finally.

126. Наведіть приклад використання магічного методу `__str__` для визначення текстового представлення власного класу у Python.

Python

class User:
    def __init__(self, name: str, active: bool) -> None:
        self.name = name
        self.active = active

    def __str__(self) -> str:
        status = "active" if self.active else "inactive"
        return f"User(name={self.name}, status={status})"

str(user) і print(user) використають __str__.

Коротко:

• __str__ дає людинозрозуміле представлення об'єкта.
• Корисний для логів і CLI-виводу.
• Має бути коротким і читабельним.

127. Для чого використовуються `__str__` і `__repr__`?

Python

__str__ орієнтований на кінцевого читача. __repr__ орієнтований на розробника/debug, бажано щоб був однозначним.

print(obj) переважно використовує __str__, а REPL/repr(obj) використовує __repr__.

Коротко:

• __str__ для дружнього виводу.
• __repr__ для технічного представлення.
• Добра практика: мати обидва, якщо клас доменний.

128. Як працює operator overloading у Python і чому це корисно?

Python

Operator overloading це реалізація dunder-методів операторів (__add__, __sub__, __eq__, ...), щоб об'єкти власного класу підтримували оператори.

class Vector2:
    def __init__(self, x: float, y: float) -> None:
        self.x = x
        self.y = y

    def __add__(self, other: "Vector2") -> "Vector2":
        return Vector2(self.x + other.x, self.y + other.y)

Коротко:

• Дає природний синтаксис для доменних типів.
• Покращує виразність API.
• Важливо зберігати математично очікувану семантику.

129. Що таке inheritance (наслідування)?

Python

Наслідування дозволяє створити дочірній клас, який успадковує атрибути й методи базового класу та може розширювати/перевизначати поведінку.

Коротко:

• Наслідування сприяє повторному використанню коду.
• Дочірній клас може перевизначати методи базового.
• Надмірна ієрархія ускладнює підтримку, тому часто краще композиція.

130. Що таке single inheritance у Python?

Python

Single inheritance означає, що клас має лише одного прямого батька.

class Animal:
    ...

class Dog(Animal):
    ...

Це найпростіша і зазвичай найчитабельніша форма наслідування.

Коротко:

• Один дочірній клас -> один базовий клас.
• Проста модель резолюції методів.
• Часто достатня для більшості бізнес-моделей.

131. Як реалізувати наслідування у класах Python і який для цього використовується синтаксис?

Python

Синтаксис: class Child(Base):.

class Base:
    def greet(self) -> str:
        return "hello"

class Child(Base):
    def greet(self) -> str:
        return "hi"

За потреби виклику базової логіки використовуйте super().

Коротко:

• Наслідування задається у дужках після імені класу.
• Дочірній клас отримує API базового.
• Перевизначення дозволяє адаптувати поведінку.

132. Як отримати доступ до членів базового класу у дочірньому класі?

Python

Доступ можливий напряму через успадковані атрибути/методи або через super().

class Base:
    def greet(self) -> str:
        return "hello"

class Child(Base):
    def greet(self) -> str:
        return super().greet() + " world"

Коротко:

• Успадковані члени доступні в дочірньому класі автоматично.
• super() коректно викликає логіку базового класу.
• Це важливо для розширення, а не дублювання поведінки.

133. Для чого функція `super()` у наслідуванні Python, як її використовують?

Python

super() повертає проксі до наступного класу за MRO, щоб викликати його методи. Типово використовується в __init__ і при cooperative multiple inheritance.

class Child(Base):
    def __init__(self, value: int) -> None:
        super().__init__()
        self.value = value

Коротко:

• super() викликає батьківську реалізацію без жорсткого імені класу.
• Допомагає підтримувати MRO-коректність.
• Рекомендований спосіб роботи з наслідуванням.

134. Опишіть функцію `isinstance()` у Python і наведіть приклад її використання.

Python

isinstance(obj, cls_or_tuple) перевіряє, чи об'єкт належить типу або його підкласу.

isinstance(10, int)                 # True
isinstance(True, int)               # True
isinstance("x", (str, bytes))       # True

Коротко:

• isinstance безпечніший за type(obj) is ... у поліморфному коді.
• Враховує ієрархію наслідування.
• Підтримує кортеж типів.

135. Поясніть функцію `issubclass()` у Python і наведіть приклад її застосування.

Python

issubclass(Sub, Base) перевіряє, чи клас Sub є підкласом Base.

class Animal: ...
class Dog(Animal): ...

issubclass(Dog, Animal)  # True

Коротко:

• Працює з класами, не з екземплярами.
• Зручно для валідації API на рівні типів.
• Враховує транзитивне наслідування.

136. Що таке multiple inheritance (множинне наслідування)?

Python

Multiple inheritance це спадкування одного класу від кількох базових класів.

class A: ...
class B: ...
class C(A, B): ...

Дає гнучкість, але вимагає дисципліни у дизайні методів і super().

Коротко:

• Один клас може успадковувати поведінку з кількох джерел.
• Корисно для mixin-підходу.
• Може ускладнювати розуміння MRO.

137. Як працює MRO (Method Resolution Order) у multiple inheritance?

Python

MRO визначає порядок пошуку методів у ієрархії класів. У Python використовується алгоритм C3 linearization.

Переглянути порядок можна через ClassName.__mro__ або ClassName.mro().

Коротко:

• MRO вирішує, з якого базового класу брати метод.
• Порядок передбачуваний і формально визначений (C3).
• Для cooperative inheritance всі класи мають викликати super().

138. Які переваги та недоліки використання multiple inheritance?

Python

Переваги:

• повторне використання поведінки з кількох джерел;
• зручні mixins для "додавання" можливостей.

Недоліки:

• складніший MRO;
• ризик конфліктів імен/поведінки;
• складніший дебаг і онбординг.

Коротко:

• MI потужний, але вимагає строгих правил дизайну.
• Для більшості кейсів композиція простіша.
• Використовуйте MI переважно для невеликих mixins.

139. Що таке Mixins?

Python

Mixin це невеликий клас з вузькою додатковою поведінкою, який призначений для комбінування через наслідування, а не для самостійного використання.

Приклади: TimestampMixin, JsonSerializableMixin.

Коротко:

• Mixin додає одну конкретну можливість.
• Зазвичай не має власного повного життєвого циклу.
• Добре поєднується з multiple inheritance.

140. Що таке encapsulation (інкапсуляція) у Python?

Python

Інкапсуляція це приховування внутрішньої реалізації за стабільним публічним API. У Python це реалізується переважно конвенціями і property, а не жорсткими модифікаторами доступу.

Коротко:

• Клієнт коду працює з інтерфейсом, а не з деталями.
• Інкапсуляція зменшує зв'язування між компонентами.
• Полегшує зміну внутрішньої реалізації без ломання API.

141. Яка різниця між доступом public, private і protected?

Python

У Python це здебільшого naming-conventions:

• public: name — доступний усюди;
• protected: _name — внутрішнє використання за домовленістю;
• private: __name — name mangling (_ClassName__name), не абсолютний захист.

Коротко:

• Python не має строгих access modifiers як у Java/C#.
• _name і __name це сигнали наміру для розробників.
• Реальний контроль доступу будується через API-дизайн.

142. Що таке polymorphism (поліморфізм) і як він реалізується у Python?

Python

Поліморфізм це можливість працювати з різними об'єктами через спільний інтерфейс. У Python часто реалізується duck typing і протоколами.

def render(obj) -> str:
    return obj.to_text()

Будь-який об'єкт з методом to_text підходить.

Коротко:

• Один інтерфейс, багато реалізацій.
• У Python поліморфізм часто "поведінковий", а не ієрархічний.
• Це спрощує розширення системи новими типами.

143. Що таке abstraction (абстракція) у Python?

Python

Абстракція це виділення суттєвого API і приховування зайвих деталей реалізації. Клієнт працює з контрактом, а не з внутрішніми кроками.

Коротко:

• Абстракція знижує когнітивне навантаження.
• Полегшує заміну реалізації без змін клієнтського коду.
• Реалізується через інтерфейси, ABC, протоколи, фасади.

144. Як реалізувати data abstraction?

Python

Підхід:

• сховати прямий доступ до внутрішніх полів (_field);
• надати контрольований API через методи/@property;
• валідувати інваріанти в setter-логіці.

class Temperature:
    def __init__(self, celsius: float) -> None:
        self.celsius = celsius

    @property
    def celsius(self) -> float:
        return self._celsius

    @celsius.setter
    def celsius(self, value: float) -> None:
        if value < -273.15:
            raise ValueError("invalid temperature")
        self._celsius = value

Коротко:

• Data abstraction захищає інваріанти об'єкта.
• property дає контрольований доступ до стану.
• Внутрішні деталі можна змінювати без зміни API.

145. Що таке ABC та `@abstractmethod`?

Python

ABC (Abstract Base Class) це абстрактний базовий клас з модуля abc. @abstractmethod позначає метод, який обов'язково має реалізувати підклас.

from abc import ABC, abstractmethod

class Storage(ABC):
    @abstractmethod
    def save(self, data: bytes) -> None:
        ...

Коротко:

• ABC формалізує контракт ієрархії.
• @abstractmethod забороняє інстанціювати неповну реалізацію.
• Корисно для плагінних/розширюваних архітектур.

146. Що таке property у Python і як їх застосовують?

Python

property перетворює методи доступу в атрибутоподібний API з можливістю валідації, обчислень або lazy-логіки.

class User:
    def __init__(self, name: str) -> None:
        self._name = name

    @property
    def name(self) -> str:
        return self._name

Коротко:

• property дає контроль доступу без зміни зовнішнього синтаксису.
• Підходить для валідації й derived-значень.
• Дозволяє еволюціонувати API без ломання клієнтів.

147. Що таке `@property`?

Python

@property це декоратор для getter-методу. Разом з @x.setter і @x.deleter формує керований атрибут.

Коротко:

• @property дозволяє читати метод як поле.
• Допомагає інкапсулювати внутрішню реалізацію.
• Часто використовується для backward-compatible API.

148. Що таке descriptor у Python?

Python

Descriptor це об'єкт, який реалізує __get__, __set__ або __delete__ і керує доступом до атрибутів іншого класу.

Через descriptor працюють property, classmethod, staticmethod.

Коротко:

• Descriptor це низькорівневий механізм атрибутного доступу.
• Дозволяє повторно використовувати логіку валідації/проксування полів.
• Це основа багатьох метапрограмних технік Python.

149. Чим відрізняються property і descriptor?

Python

property це готовий високорівневий descriptor для одного атрибута. Кастомний descriptor це загальніший механізм, який можна перевикористати в багатьох полях/класах.

Коротко:

• property простіший і локальний.
• Descriptor гнучкіший і масштабованіший.
• property фактично побудований на descriptor-протоколі.

150. Коли доцільніше використовувати property, а коли descriptor?

Python

Використовуйте property, коли логіка стосується одного-двох полів конкретного класу. Використовуйте descriptor, коли ту саму логіку (валідація, кастинг, ленива ініціалізація) треба повторно застосувати в багатьох класах.

Коротко:

• Локальна логіка поля -> property.
• Повторне використання політики доступу -> descriptor.
• Descriptor вигідний у великих доменних моделях.

151. Для чого використовують `setattr()`, `getattr()` і `hasattr()`? Яка між ними різниця?

Python

Це функції динамічного доступу до атрибутів:

• getattr(obj, name[, default]) — прочитати атрибут;
• setattr(obj, name, value) — встановити атрибут;
• hasattr(obj, name) — перевірити наявність.

value = getattr(user, "email", None)
if not hasattr(user, "active"):
    setattr(user, "active", True)

Коротко:

• getattr/setattr/hasattr потрібні для динамічної роботи з об'єктами.
• Корисні в generic-коді, serialization, адаптерах.
• Важливо не зловживати, щоб не втратити читабельність.

152. Поясніть значення методу `__set_name__` у Python-descriptor-ах та наведіть приклад його застосування.

Python

__set_name__(self, owner, name) викликається під час створення класу і дає descriptor-у знати ім'я атрибута, до якого його прив'язано.

class Field:
    def __set_name__(self, owner, name): self.name = name

Коротко:

• __set_name__ ініціалізує descriptor контекстом класу.
• Дозволяє робити перевикористовувані валідатори полів.
• Спрацьовує один раз на етапі class creation.

153. Що таке `dataclass` і коли його варто використовувати?

Python

@dataclass автоматично генерує boilerplate (__init__, __repr__, __eq__). Підходить для моделей даних без складної поведінки.

from dataclasses import dataclass
@dataclass(slots=True)
class User: name: str; active: bool = True

Коротко:

• dataclass скорочує код для data-моделей.
• Добрий вибір для DTO/конфігурацій.
• Для складної валідації часто потрібні інші інструменти.

154. У чому різниця між `dataclass` і Pydantic?

Python

dataclass фокусується на зручному описі структури. Pydantic додає runtime-валідацію, парсинг і серіалізацію даних.

Коротко:

• dataclass легший і швидший для внутрішніх моделей.
• Pydantic кращий для зовнішнього вводу/API.
• Вибір залежить від потреби валідації під час виконання.

155. Що таке type hints і навіщо вони потрібні?

Python

Type hints це анотації типів у сигнатурах і змінних, що формують явний контракт. Вони покращують IDE-підказки і статичний аналіз.

Коротко:

• Type hints підвищують зрозумілість API.
• Дають раннє виявлення класу помилок.
• Корисні навіть у динамічній мові.

156. Як працює статична перевірка типів (mypy)?

Python

mypy читає type hints і аналізує код без запуску, перевіряючи сумісність типів. Він ловить помилки інтеграції до runtime.

Коротко:

• mypy виконує compile-time-подібну перевірку для Python.
• Працює найкраще в CI.
• Строгі режими зменшують кількість production-багів.

157. Як забезпечити type safety у Python-проєкті?

Python

• послідовно додати type hints у публічний API;
• увімкнути mypy/pyright у CI;
• використовувати TypedDict, Protocol, generics;
• мінімізувати Any і неявні касти.

Коротко:

• Type safety це процес, а не разова дія.
• Найбільший ефект дає CI-гейт на типи.
• Поступове підвищення strictness працює краще за "big bang".

158. Що таке `TypedDict`?

Python

TypedDict описує типізовану форму словника: які ключі очікуються і яких типів їх значення.

from typing import TypedDict
class UserPayload(TypedDict): name: str; active: bool

Коротко:

• TypedDict типізує dict з фіксованими ключами.
• Зручний для JSON-подібних структур.
• Перевіряється статичним аналізатором.

159. Що таке `Protocol` у typing?

Python

Protocol описує поведінковий контракт (structural typing): тип сумісний, якщо має потрібні методи/атрибути, незалежно від наслідування.

Коротко:

• Protocol реалізує duck typing у статичній типізації.
• Зменшує жорстке зв'язування з конкретними класами.
• Корисний для тестованих і розширюваних API.

160. Що таке Generics у Python?

Python

Generics дозволяють писати типи й функції, параметризовані іншими типами. У сучасному синтаксисі: class Box[T]: ..., def first[T](...) -> T.

Коротко:

• Generics роблять типи повторно використовуваними.
• Підсилюють type safety колекцій і контейнерів.
• Зменшують дублювання типізованого коду.

161. Що таке Pydantic і для чого він використовується?

Python

Pydantic це бібліотека для опису схем даних з runtime-валідацією, перетворенням типів і зручною серіалізацією.

Типові кейси: FastAPI request/response моделі, конфігурація застосунку.

Коротко:

• Pydantic валідовує зовнішні дані під час виконання.
• Зручний для API і інтеграцій.
• Дає чіткі помилки валідації та схеми.

162. Що таке exception-и у Python?

Python

Exception це об'єкт, який сигналізує про помилкову або виняткову ситуацію під час виконання коду.

Коротко:

• Exception-и переривають normal-flow.
• Їх треба обробляти там, де можна прийняти рішення.
• Коректна модель помилок підвищує надійність системи.

163. Які є три типи помилок у Python і чим вони відрізняються?

Python

• Syntax errors: помилки синтаксису до запуску;
• Runtime exceptions: помилки під час виконання;
• Logical errors: код виконується, але результат неправильний.

Коротко:

• Syntax/runtime ловить інтерпретатор.
• Логічні помилки ловляться тестами і рев'ю.
• Кожен тип потребує різного підходу діагностики.

164. Як використовувати `try`, `except`, `else` та `finally`?

Python

try містить ризикову операцію, except обробляє помилку, else виконується коли помилки не було, finally виконується завжди (clean-up).

try: data = load()
except FileNotFoundError: data = {}
else: validate(data)
finally: close_connections()

Коротко:

• else тримайте для коду "успішного шляху".
• finally для ресурсів/очищення.
• Ловіть конкретні exception-и, не "все підряд".

165. Що означає порядок `except`-категорій?

Python

except перевіряються зверху вниз, тому спочатку ставлять найконкретніші винятки, а загальні (Exception) в кінці.

Коротко:

• Порядок except впливає на те, який обробник спрацює.
• Широкий except зверху "з'їдає" специфічні кейси.
• Це критично для правильного recovery-flow.

166. Яке призначення ключового слова `assert` у Python-коді?

Python

assert перевіряє інваріант і піднімає AssertionError, якщо умова хибна. Підходить для внутрішніх перевірок розробника, не для валідації user input.

Коротко:

• assert документує "це має бути істинним".
• Не замінює продакшен-обробку помилок.
• Використовуйте для контрактів у внутрішній логіці.

167. Чим `raise` відрізняється від простого print error message у Python?

Python

raise змінює контроль потоку і сигналізує помилку викликувачеві. print лише виводить текст і не зупиняє помилковий сценарій.

Коротко:

• raise це механізм обробки помилок, print ні.
• Exception-и можна централізовано ловити/логувати.
• print для діагностики, не для error-contract.

168. Як створити власний виняток (custom exception)?

Python

Створіть клас, що наслідує Exception (або конкретніший базовий виняток).

class InvalidOrderError(Exception):
    pass

Коротко:

• Custom exception робить помилки доменно-виразними.
• Дозволяє точково ловити потрібні кейси.
• Краще за універсальний ValueError скрізь.

169. Яке значення має створення custom exceptions у Python і як вони покращують обробку помилок?

Python

Власні exception-и формують явну error-модель домену й відділяють технічні помилки від бізнес-правил.

Коротко:

• Покращують читабельність і підтримку обробників.
• Дають точнішу семантику в логах/API.
• Спрощують тестування негативних сценаріїв.

170. Як організовані exception-и у Python і яка ієрархія exception-класів?

Python

Ієрархія побудована від BaseException. Для прикладного коду майже завжди працюють з нащадками Exception.

Ключові гілки: ValueError, TypeError, KeyError, OSError, RuntimeError.

Коротко:

• Exception-и утворюють дерево класів.
• Краще ловити конкретні підкласи.
• BaseException зазвичай не перехоплюють у бізнес-логіці.

171. Які підходи до обробки кількох різних exception-ів у Python і чому їх слід обробляти окремо?

Python

Підходи:

• окремі except для кожного типу;
• групування логічно однакових: except (A, B):;
• окремі recovery-стратегії для кожної категорії.

Коротко:

• Різні exception-и часто потребують різних дій.
• Окрема обробка зменшує приховані дефекти.
• Логи стають точнішими й кориснішими.

172. Для чого потрібно повторно піднімати (re-raise) exception у Python і коли це буває корисно?

Python

Re-raise (raise без аргументів у except) дозволяє додати контекст (лог, метрики, cleanup) і передати ту саму помилку вище.

Коротко:

• Re-raise зберігає початковий traceback.
• Корисний для централізованої обробки на вищому рівні.
• Не "ковтайте" критичні помилки без потреби.

173. Чому використання try-except блоку варто обмежувати у програмах Python і як це впливає на продуктивність?

Python

try/except потрібен, але не має обгортати великі блоки "про всяк випадок". Особливо дорого, коли винятки виникають часто (exception-driven flow).

Коротко:

• Ловіть лише очікувані помилки в вузькому місці.
• Часті exception-и погіршують продуктивність і читабельність.
• Prefer explicit checks там, де це доречно.

174. Як обробляти помилки під час роботи з файлами?

Python

Використовуйте with і ловіть конкретні винятки (FileNotFoundError, PermissionError, UnicodeDecodeError, OSError).

try:
    with open(path, "r", encoding="utf-8") as f:
        content = f.read()
except FileNotFoundError:
    ...

Коротко:

• with гарантує закриття файлу.
• Обробляйте конкретні I/O помилки.
• Логуйте контекст (шлях, режим, кодування).

175. Які режими роботи з файлами у Python?

Python

Основні режими:

• r читання;
• w перезапис;
• a дозапис в кінець;
• x створення нового файлу;
• b бінарний режим;
• t текстовий (за замовчуванням);
• + читання+запис.

Коротко:

• Режим визначає семантику безпеки й змін файлу.
• w затирає вміст, a зберігає існуючий.
• Для байтових даних використовуйте b.

176. Чому важливо закривати файли після операцій і що може статись, якщо залишити файл відкритим?

Python

Відкритий файл утримує дескриптор ОС. Якщо не закривати:

• витік file descriptors;
• блокування файлів/неповний flush;
• нестабільність на довгих процесах.

Коротко:

• Закриття файлу вивільняє ресурси ОС.
• with автоматизує безпечне закриття.
• Це критично для сервісів і batch-скриптів.

177. У чому різниця між методами `read()`, `readline()` та `readlines()` для читання файлів?

Python

• read() читає весь файл (або n байт/символів);
• readline() читає один рядок;
• readlines() читає всі рядки у список.

Коротко:

• read() і readlines() можуть бути важкими по пам'яті.
• Для великих файлів краще ітерація for line in file.
• Вибір залежить від обсягу і сценарію обробки.

178. Як у Python записати дані у файл і яка різниця між режимом `w` (write) та `a` (append)?

Python

Запис:

with open("out.txt", "w", encoding="utf-8") as f:
    f.write("hello\n")

w перезаписує файл з початку, a додає новий контент у кінець.

Коротко:

• w затирає старі дані.
• a зберігає існуючий вміст.
• Для журналів зазвичай використовують a.

179. Як працювати з великими файлами ефективно?

Python

• читати потоково (по рядках або чанках);
• уникати завантаження всього файлу в пам'ять;
• використовувати буферизацію і генератори;
• для колонкових/табличних даних обирати відповідні формати й парсери.

Коротко:

• Ключ: streaming замість full-read.
• Генератори зменшують memory footprint.
• Алгоритм обробки важливіший за мікрооптимізації.

180. Що таке контекстні менеджери?

Python

Контекстний менеджер керує ресурсом за протоколом __enter__/__exit__: відкриття/ініціалізація та гарантоване завершення/cleanup.

Коротко:

• Дає безпечний lifecycle ресурсу.
• Працює через with.
• Зменшує кількість витоків ресурсів.

181. Як працює конструкція `with`?

Python

with викликає __enter__ при вході в блок і __exit__ при виході, навіть коли сталася помилка.

with open("data.txt", "r", encoding="utf-8") as f:
    data = f.read()

Коротко:

• with гарантує cleanup.
• Робить роботу з ресурсами декларативною.
• Рекомендований для файлів, локів, транзакцій, сесій.

182. Як створити власний контекстний менеджер?

Python

Два підходи:

• клас з __enter__/__exit__;
• функція з contextlib.contextmanager.

from contextlib import contextmanager

@contextmanager
def temp_flag():
    yield

Коротко:

• Клас підходить для складного стану.
• contextmanager зручний для коротких сценаріїв.
• Обидва дають гарантований cleanup.

183. Як Python керує пам'яттю?

Python

CPython використовує reference counting і циклічний garbage collector. Додатково є внутрішній алокатор (pymalloc) для дрібних об'єктів.

Коротко:

• Базовий механізм: лічильник посилань.
• GC прибирає циклічні посилання.
• Пам'ять звільняється не завжди миттєво на рівні ОС.

184. Що таке reference counting у Python і чому воно важливе для керування пам'яттю?

Python

Кожен об'єкт має лічильник посилань. Коли він стає нулем, об'єкт можна звільнити. Це забезпечує швидке звільнення більшості короткоживучих об'єктів.

Коротко:

• Reference counting дає передбачуваний lifecycle об'єктів.
• Не вирішує циклічні посилання самостійно.
• Разом з GC формує повну модель керування пам'яттю.

185. Що таке garbage collection у Python?

Python

Garbage collection у CPython знаходить і прибирає недосяжні цикли об'єктів, які не можуть бути очищені лише reference counting.

Коротко:

• GC доповнює reference counting.
• Особливо важливий для циклічних графів посилань.
• Його можна контролювати через модуль gc.

186. Як отримати адресу пам'яті об'єкта у Python?

Python

У CPython id(obj) часто відповідає адресі об'єкта в пам'яті (як ціле число). Це діагностичний інструмент, а не стабільний зовнішній ідентифікатор.

Коротко:

• id() дає identity об'єкта.
• У CPython це зазвичай memory address.
• Не використовуйте для бізнес-логіки.

187. Для чого функція `getrefcount()` з модуля `sys`, як вона працює у Python?

Python

sys.getrefcount(obj) повертає поточний лічильник посилань на об'єкт (у CPython). Значення зазвичай на 1 більше через тимчасове посилання аргументу.

Коротко:

• Це інструмент діагностики memory-behavior.
• Корисний для аналізу витоків посилань.
• Не слід покладатися на нього в прикладній логіці.

188. Поясніть на прикладах різницю між mutable та immutable-об'єктами щодо reference counting і керування пам'яттю.

Python

Immutable-об'єкти не змінюються, тому "зміна" створює новий об'єкт. Mutable-об'єкти змінюються in-place, і всі посилання бачать зміну.

a = "x"; b = a; a += "y"   # новий об'єкт
x = [1]; y = x; y.append(2) # зміна того ж об'єкта

Коротко:

• Immutable зменшують побічні ефекти.
• Mutable ефективніші для in-place модифікацій.
• Різниця критична для копіювання і спільних reference.

189. Яка різниця між shallow copy та deep copy у Python, коли використовувати кожен підхід?

Python

Shallow copy копіює лише зовнішній контейнер, вкладені об'єкти залишаються спільними. Deep copy рекурсивно копіює всю структуру.

import copy
copy.copy(obj)
copy.deepcopy(obj)

Коротко:

• Shallow достатній для "плоских" структур.
• Deep потрібен для ізольованої роботи з вкладеними mutable-даними.
• Deep copy дорожчий по часу і пам'яті.

190. Що таке modules і packages у Python?

Python

Module це окремий .py-файл з кодом. Package це каталог модулів (простір імен), що організує код у більші блоки.

Коротко:

• Module = одиниця коду.
• Package = структура для масштабування модулів.
• Розбиття на модулі/пакети покращує підтримуваність.

191. Як імпортувати module у Python?

Python

Основні форми:

• import module;
• import module as m;
• from module import name;
• from package import submodule.

Коротко:

• Імпорт завантажує модуль і робить його доступним у namespace.
• Alias (as) покращує читабельність і уникнення конфліктів.
• Віддавайте перевагу явним імпортам.

192. Які бувають типи imports?

Python

Поширені типи:

• абсолютні;
• відносні;
• вибіркові (from x import y);
• alias-імпорти (as);
• динамічні (importlib).

Коротко:

• Тип імпорту впливає на читабельність і підтримку.
• У продакшені переважно використовують абсолютні імпорти.
• Динамічні імпорти застосовують точково.

193. Як працює система імпортів?

Python

Інтерпретатор шукає модуль по sys.path, завантажує його один раз і кешує в sys.modules. Повторний імпорт використовує кеш.

Коротко:

• Імпорт = пошук + виконання модуля + кешування.
• Це пояснює, чому модульний код виконується при першому імпорті.
• Циклічні імпорти виникають через порядок ініціалізації модулів.

194. У чому різниця між абсолютним і відносним імпортом?

Python

Абсолютний імпорт починається від кореня пакета (from app.utils import x). Відносний імпорт використовує крапки (from .utils import x).

Коротко:

• Абсолютні імпорти читабельніші і стабільніші.
• Відносні зручні всередині пакета, але гірші для рефакторингу.
• Для великих проєктів краще стандартно тримати абсолютні.

195. Що робить функція `dir()`, як її можна застосовувати до modules?

Python

dir(obj) повертає список доступних атрибутів/імен об'єкта. Для модулів це швидкий спосіб подивитися API.

import math
dir(math)

Коротко:

• dir() допомагає в інтерактивному дослідженні модулів.
• Корисний у REPL і дебазі.
• Не замінює офіційну документацію.

196. Поясніть роль конструкції `if __name__ == "__main__":` у Python-скриптах.

Python

Цей блок виконується лише коли файл запущений як скрипт, а не імпортований як модуль. Це розділяє reusable-код і CLI-entrypoint.

Коротко:

• Дозволяє модуль і запускати, і імпортувати.
• Запобігає небажаному виконанню при імпорті.
• Стандартний патерн для скриптів.

197. Що означає файл `__init__.py` у Python package?

Python

__init__.py позначає каталог як пакет і може ініціалізувати package-level API (наприклад, реекспортувати класи/функції).

Коротко:

• Формує публічний інтерфейс пакета.
• Може містити мінімальну ініціалізацію.
• Не варто перевантажувати його важкою логікою.

198. Які best practices для стилю імпортів у Python-коді?

Python

• групувати імпорти: stdlib, third-party, local;
• уникати from x import *;
• тримати імпорти на початку файлу (крім обґрунтованих lazy-import кейсів);
• використовувати сортування/форматування (ruff, isort).

Коротко:

• Консистентні імпорти покращують читабельність.
• Явні імпорти зменшують конфлікти імен.
• Автоматизація інструментами прибирає ручні помилки.

199. Які популярні built-in modules існують у Python?

Python

Приклади популярних модулів стандартної бібліотеки:

• os, sys, pathlib, json, datetime, re,
• collections, itertools, functools, typing,
• asyncio, subprocess, logging, argparse.

Коротко:

• Стандартна бібліотека покриває більшість базових задач.
• Це знижує кількість зовнішніх залежностей.
• Варто добре знати stdlib перед додаванням сторонніх пакетів.

200. Що ви знаєте про пакет `collections`, які ще built-in modules використовувались?

Python

collections надає високорівневі структури:

• Counter, defaultdict, deque, namedtuple, ChainMap.

Типово комбінується з:

• itertools для ітераційних пайплайнів;
• functools для кешування/функц. інструментів;
• pathlib, json, datetime в прикладних задачах.

Коротко:

• collections розширює базові контейнери практичними структурами.
• Часто підвищує простоту й продуктивність коду.
• Добре працює в парі з itertools/functools.

201. Що повертає `sys.argv`?

Python

sys.argv повертає список аргументів командного рядка:

• sys.argv[0] — ім'я скрипта;
• решта елементів — передані аргументи.

Коротко:

• sys.argv це базовий інтерфейс CLI-аргументів.
• Значення приходять рядками.
• Для складних CLI краще argparse.

202. Який основний модуль для роботи з операційною системою у Python?

Python

Основний модуль це os (разом з os.path), а для сучасного API шляхів рекомендовано pathlib.

Коротко:

• os дає доступ до process/env/filesystem API ОС.
• pathlib зручніший для роботи з шляхами.
• У реальних проєктах часто використовують обидва.

203. Як перемішати елементи списку за допомогою модуля `random`?

Python

Використовуйте random.shuffle(list_) для in-place перемішування.

import random
items = [1, 2, 3, 4]
random.shuffle(items)

Коротко:

• shuffle змінює оригінальний список.
• Працює лише зі списками (mutable sequence).
• Для нової копії: random.sample(items, k=len(items)).

204. Що таке virtual environment?

Python

Virtual environment це ізольоване середовище Python із власними пакетами й версіями залежностей для конкретного проєкту.

Коротко:

• Ізоляція прибирає конфлікти залежностей між проєктами.
• Стандартний інструмент: venv.
• Це базова практика для reproducible development.

205. Як працює `pip`?

Python

pip встановлює, оновлює та видаляє пакети з індексів (здебільшого PyPI), розв'язує залежності і ставить їх у поточне середовище.

Коротко:

• pip це стандартний пакетний менеджер Python.
• Працює в межах активного venv/інтерпретатора.
• Для стабільності важливі pinned-версії.

206. Що таке `requirements.txt`?

Python

requirements.txt це файл зі списком залежностей (часто з точними версіями), який використовується для відтворюваної інсталяції.

Коротко:

• Формат простий і сумісний з pip install -r.
• Найкраще фіксувати точні версії для production.
• Часто генерується з lock-файлів.

207. Що таке `pyproject.toml` і чому він став стандартом?

Python

pyproject.toml це стандартизований файл конфігурації проєкту: metadata пакета, build-system, налаштування інструментів (ruff, pytest, mypy тощо).

Коротко:

• Централізує конфігурацію Python-проєкту.
• Підтримується сучасним packaging tooling.
• Зменшує кількість розрізнених config-файлів.

208. Як керувати залежностями в сучасному Python-проєкті?

Python

• ізолювати середовище (venv);
• визначати залежності в pyproject.toml;
• фіксувати lock/constraints для reproducibility;
• регулярно оновлювати з CI-перевірками.

Коротко:

• Керування залежностями має бути відтворюваним.
• Не змішуйте глобальні і проєктні пакети.
• Оновлення робіть контрольовано через тести.

209. Як правильно організувати структуру великого Python-проєкту?

Python

• розділити код на доменні пакети;
• мати окремі шари: api, services, domain, infrastructure;
• виділити tests/, scripts/, configs/;
• тримати явні межі модулів та публічний API.

Коротко:

• Структура має відображати домен, а не випадкові технічні деталі.
• Чіткі межі зменшують циклічні залежності.
• Тести і tooling повинні бути first-class частиною дерева.

210. У чому різниця між автоматизованим і ручним тестуванням, які переваги автоматизованого тестування?

Python

Ручне тестування виконується людиною крок за кроком. Автоматизоване тестування виконується скриптами/фреймворками.

Коротко:

• Автотести швидкі, повторювані і придатні для CI.
• Ручне тестування корисне для exploratory UX-сценаріїв.
• У продакшені потрібна комбінація обох підходів.

211. Що таке TDD (Test-Driven Development)?

Python

TDD це цикл: написати failing-тест -> мінімальна реалізація -> рефакторинг.

Коротко:

• TDD формує API через тести.
• Дає швидкий feedback про регресії.
• Працює найкраще для модульної бізнес-логіки.

212. Які популярні фреймворки для тестування у Python?

Python

Найпопулярніші: pytest, unittest (stdlib), також hypothesis для property-based тестів.

Коротко:

• pytest найчастіше вибирають для нових проєктів.
• unittest корисний як стандартний базовий інструмент.
• hypothesis підсилює покриття edge-cases.

213. Що таке `unittest` у Python?

Python

unittest це вбудований xUnit-фреймворк для тестів: test case класи, assert-методи, setup/teardown, test runner.

Коротко:

• Частина стандартної бібліотеки.
• Підходить для консервативних середовищ без зовнішніх залежностей.
• Має більш "церемоніальний" синтаксис за pytest.

214. Що таке `pytest` і чим він відрізняється від `unittest` за синтаксисом і функціональністю?

Python

pytest це фреймворк з простим синтаксисом функційних тестів, потужними fixtures, параметризацією і екосистемою плагінів.

Коротко:

• pytest менш шаблонний і зручніший для великих тест-сетів.
• unittest class-based і стандартний у stdlib.
• У сучасних проєктах переважає pytest.

215. Опишіть, як метод `pytest.raises` використовується для тестування виникнення конкретних exception-ів в Python-коді.

Python

pytest.raises(ExpectedError) перевіряє, що блок коду піднімає саме очікуваний виняток.

import pytest
with pytest.raises(ValueError):
    int("abc")

Коротко:

• Тестує негативні сценарії явно.
• Захищає від "мовчазного" проходження помилок.
• Може перевіряти і повідомлення/атрибути винятку.

216. Що таке параметризація у тестах, як pytest підтримує її через `@pytest.mark.parametrize`?

Python

Параметризація запускає один тест на кількох наборах вхідних даних. У pytest це робиться декоратором @pytest.mark.parametrize.

Коротко:

• Менше дублювання тест-коду.
• Легко масштабувати кейси.
• Краща прозорість покриття вхідних сценаріїв.

217. Як можна у pytest задати власні назви тестів при параметризованому тестуванні для кращої читабельності?

Python

Використовуйте параметр ids у parametrize.

@pytest.mark.parametrize("value,expected", [(2, True), (3, False)], ids=["even", "odd"])

Коротко:

• ids робить output тест-рану зрозумілішим.
• Полегшує діагностику падінь.
• Особливо корисно при великій кількості кейсів.

218. Що таке Arrange/Setup у тестуванні, чому це важливо?

Python

Arrange/Setup це підготовка тестового стану: дані, об'єкти, моки, середовище. Якісний setup робить тест детермінованим.

Коротко:

• Нестабільний setup = flaky-тести.
• Добрий setup ізолює тест від зовнішніх ефектів.
• Чіткий Arrange покращує читабельність сценарію.

219. Які етапи містить Cleanup/Teardown і чому це важливо?

Python

Teardown прибирає все, що створив тест: тимчасові файли, з'єднання, моки, тестові записи в БД.

Коротко:

• Cleanup забезпечує ізоляцію між тестами.
• Зменшує побічні ефекти і флейковість.
• У pytest це зручно робити через fixture finalizers/yield-fixtures.

220. У чому різниця між методами `setUp()` та `setUpClass()` у unittest?

Python

setUp() виконується перед кожним тест-методом. setUpClass() (classmethod) виконується один раз перед усіма тестами класу.

Коротко:

• setUp для пер-тестової ізоляції.
• setUpClass для дорогих спільних ресурсів.
• Надмірне спільне state через setUpClass може ускладнювати тести.

221. Що таке mock object і як він допомагає підвищити якість тестів?

Python

Mock object це підставний об'єкт, який імітує залежність і дозволяє контролювати поведінку/перевіряти виклики.

Коротко:

• Моки ізолюють юніт від зовнішніх сервісів.
• Роблять тести швидшими і стабільнішими.
• Дають перевірку взаємодій, не лише результату.

222. Яка різниця між використанням `mock.patch` у unittest та `monkeypatch` у pytest для мокання об'єктів?

Python

mock.patch з unittest.mock патчить об'єкти за шляхом імпорту і має багату API для перевірки викликів. monkeypatch у pytest простіше змінює атрибути/env/dict на час тесту.

Коротко:

• patch потужніший для mock-assertion сценаріїв.
• monkeypatch зручний для швидких тестових підмін.
• Часто їх комбінують залежно від кейсу.

223. Яке призначення параметра `scope` у pytest fixtures?

Python

scope визначає життєвий цикл fixture: function, class, module, package, session.

Коротко:

• Менший scope = краща ізоляція.
• Більший scope = швидший ран великих тест-сетів.
• Вибір scope це баланс швидкості та незалежності.

224. Що таке складність алгоритму і як вона визначається?

Python

Складність алгоритму оцінює, як ростуть витрати часу/пам'яті зі збільшенням розміру вхідних даних n.

Коротко:

• Вимірюють часову та просторову складність.
• Оцінка зазвичай асимптотична.
• Допомагає обирати алгоритм і структури даних.

225. Поясніть поняття big O-нотації і її значення в оцінці складності алгоритмів.

Python

Big-O описує верхню межу зростання вартості алгоритму при великому n, ігноруючи константи і нижчі члени.

Коротко:

• Big-O показує масштабованість, а не точний час.
• Дає мову для порівняння алгоритмів.
• Критично важлива для продуктивності на великих обсягах.

226. Які види алгоритмічної складності найчастіше зустрічаються?

Python

Найчастіші: O(1), O(log n), O(n), O(n log n), O(n^2).

Коротко:

• O(n) і O(n log n) найтиповіші в прикладних задачах.
• O(n^2)+ часто стає вузьким місцем.
• Потрібно враховувати також пам'ять, не лише час.

227. Наведіть приклади задач, які ефективно вирішуються лінійними (O(n)) алгоритмами.

Python

Приклади:

• пошук максимуму/мінімуму;
• фільтрація елементів;
• підрахунок частот через Counter;
• перевірка умов для кожного елемента.

Коротко:

• O(n) означає один прохід по даних.
• Це оптимально для багатьох агрегацій.
• Лінійні алгоритми добре масштабуються.

228. Як працює `lru_cache` і коли його використовувати?

Python

functools.lru_cache кешує результати функції за аргументами і повертає готове значення при повторних викликах.

Коротко:

• Ефективний для pure-функцій із повторюваними вхідними даними.
• Не підходить для функцій із side effects.
• maxsize контролює обсяг кешу в пам'яті.

229. Як профілювати продуктивність Python-коду?

Python

Базові інструменти:

• timeit для мікровимірювань;
• cProfile/pstats для call-level профілю;
• py-spy/scalene для production-like аналізу.

Коротко:

• Оптимізуйте лише після вимірювань.
• Профілюйте реалістичні сценарії навантаження.
• Фіксуйте baseline до/після змін.

230. Які основні способи оптимізації Python-коду?

Python

• обрати правильні структури даних;
• зменшити асимптотичну складність;
• уникати зайвих копій;
• використовувати генератори/lazy pipeline;
• кешувати дорогі обчислення;
• виносити hot paths у C/Rust/NumPy, якщо потрібно.

Коротко:

• Найбільший приріст дає алгоритм, не синтаксичний твік.
• Оптимізація має спиратися на профілювання.
• Читабельність не варто жертвувати без виміряної вигоди.

231. Коли варто використовувати C extensions або PyPy?

Python

C extensions доречні для вузьких CPU-hotspots і інтеграції з нативними бібліотеками. PyPy доречний, коли довгоживучий pure-Python код виграє від JIT.

Коротко:

• C extension: максимальна продуктивність ціною складності збірки.
• PyPy: потенційний приріст без переписування на C.
• Вибір робиться на основі бенчмарків вашого workload.

232. Що таке memory profiling?

Python

Memory profiling це вимірювання, де і скільки пам'яті споживає код у часі, щоб знайти витоки і важкі ділянки.

Коротко:

• Показує memory hot spots і піки.
• Корисний для batch/data workloads.
• Інструменти: tracemalloc, memory_profiler, scalene.

233. Що таке GIL (Global Interpreter Lock)?

Python

GIL це механізм у CPython, який дозволяє лише одному thread одночасно виконувати Python bytecode в межах процесу.

Коротко:

• GIL впливає на CPU-bound multithreading.
• Для I/O-bound задач threads все ще корисні.
• Для CPU-паралелізму частіше використовують multiprocessing.

234. Як глобальний інтерпретаторний лок Python (GIL) впливає на concurrency у CPython та які наслідки це має для multithreading?

Python

Через GIL потоки в CPython не виконують Python bytecode truly-parallel для CPU-bound коду. Вони кооперативно перемикаються.

Наслідки:

• для I/O-bound потоків ефект добрий (очікування I/O перекривається);
• для CPU-bound задач приріст від threads зазвичай обмежений.

Коротко:

• GIL обмежує паралелізм потоків у CPU-bound сценаріях.
• Threads залишаються корисними для мережі/диска.
• Для CPU використовуйте процеси або нативні обчислення.

235. Як GIL впливає на продуктивність?

Python

GIL майже не заважає в I/O-bound задачах, але стримує throughput CPU-bound multithreaded Python-коду в одному процесі.

Коротко:

• Вплив GIL залежить від типу навантаження.
• CPU-bound + threads у CPython часто не масштабується.
• Архітектуру слід обирати за профілем задач.

236. Поясніть концепцію threading у Python та як він відрізняється від multiprocessing.

Python

threading запускає кілька потоків в одному процесі зі спільною пам'яттю. multiprocessing запускає окремі процеси з окремою пам'яттю.

Коротко:

• Threads легші і зручні для I/O-bound.
• Processes дають реальний CPU-паралелізм.
• Процеси мають вищі накладні витрати IPC/створення.

237. Коли використовувати multiprocessing замість threading?

Python

Коли задача CPU-bound і потребує використання кількох ядер у CPython. Приклади: heavy parsing, image/video processing, чисельні обчислення.

Коротко:

• CPU-bound -> зазвичай multiprocessing.
• I/O-bound -> зазвичай threading/asyncio.
• Враховуйте вартість серіалізації між процесами.

238. Яка різниця між concurrency та parallelism у програмуванні, коли і яке з них доцільно використовувати?

Python

Concurrency це перекривання задач у часі. Parallelism це одночасне фізичне виконання задач на кількох ядрах.

Коротко:

• Concurrency корисний для I/O затримок.
• Parallelism потрібен для CPU-intensive обчислень.
• У Python вибір інструмента залежить від типу bottleneck.

239. Що таке concurrency у Python?

Python

Concurrency у Python це організація виконання кількох задач так, щоб вони прогресували разом: через threads, asyncio або процеси.

Коротко:

• Це про керування багатьма задачами, не обов'язково паралельно.
• Дозволяє підвищити throughput I/O сценаріїв.
• Потребує акуратного дизайну синхронізації та скасування.

240. У чому різниця між IO-bound і CPU-bound задачами?

Python

IO-bound задачі переважно чекають мережу/диск/БД. CPU-bound задачі переважно витрачають час на обчислення процесора.

Коротко:

• IO-bound добре масштабується через asyncio/threads.
• CPU-bound краще масштабується через multiprocessing/нативний код.
• Спочатку визначте bottleneck через профілювання.

241. Для чого потрібен модуль `asyncio` у Python і як він дозволяє реалізувати асинхронне програмування?

Python

asyncio надає event loop, task scheduling і async primitives для кооперативної конкурентності в I/O-bound задачах.

Коротко:

• Дозволяє ефективно обслуговувати багато I/O-операцій.
• Базується на async/await.
• Добре підходить для мережевих сервісів і клієнтів.

242. Чим відрізняється синхронне і асинхронне програмування у Python?

Python

Синхронне: виклик блокує поточний потік до завершення. Асинхронне: await віддає керування event loop, поки операція очікує I/O.

Коротко:

• Async зменшує idle-time під час I/O.
• Sync простіший для лінійної логіки.
• Async додає складність управління задачами і cancellation.

243. Що таке `async`/`await`?

Python

async def визначає coroutine-функцію. await призупиняє coroutine до готовності awaitable і повертає контроль loop.

Коротко:

• Це синтаксис асинхронної кооперативної моделі.
• Використовується разом з asyncio та async-бібліотеками.
• await можливий лише всередині async def.

244. Як працює `asyncio`?

Python

asyncio запускає event loop, який виконує tasks (coroutines), перемикаючись у точках await і плануючи готові операції I/O.

Коротко:

• Один потік може обслуговувати багато I/O задач.
• Планування кооперативне, не preemptive.
• Блокувальні виклики потрібно виносити з loop.

245. Що таке event loop?

Python

Event loop це планувальник, який відстежує події/готовність I/O і запускає відповідні callbacks/coroutines.

Коротко:

• Центральний компонент asyncio-моделі.
• Керує життєвим циклом async задач.
• Визначає, коли яка coroutine продовжує виконання.

246. Як `asyncio` дозволяє реалізувати асинхронне програмування і які основні компоненти задіяні в asyncio-коді?

Python

Ключові компоненти:

• event loop;
• coroutine (async def);
• task (asyncio.create_task);
• awaitables (futures, tasks, coroutines);
• синхронізаційні примітиви (Lock, Queue, Semaphore).

Коротко:

• asyncio поєднує планування і async-API в єдину модель.
• Задачі кооперативно ділять один потік виконання.
• Архітектура має враховувати таймаути, retry і cancellation.

247. Коли `asyncio` не дає переваг?

Python

Коли workload CPU-bound або основні бібліотеки блокувальні й не мають async API. Також не окупається для простих коротких скриптів.

Коротко:

• Async не прискорює чисті обчислення.
• Без неблокувальних I/O бібліотек вигода мінімальна.
• Складність async має бути виправдана навантаженням.

248. Як працює asyncio cancellation?

Python

Скасування задачі (task.cancel()) піднімає CancelledError у coroutine. Код має коректно обробляти cleanup у try/finally.

Коротко:

• Cancellation це звичайний control-flow у async.
• Потрібно закладати обробку скасування в дизайн coroutine.
• Ігнорування cancellation призводить до "завислих" задач.

249. Що таке `contextvars`?

Python

contextvars дає context-local змінні, безпечні для async/threads сценаріїв. Корисно для request-id, correlation-id, tenant-context.

Коротко:

• Альтернатива глобальному state у конкурентному коді.
• Значення ізольоване per-context.
• Покращує трасування і observability.

250. Які best practices варто застосовувати при написанні Python-коду?

Python

• дотримуватись PEP 8 та автоматизувати форматування;
• писати явні type hints для публічного API;
• використовувати with для ресурсів;
• покривати бізнес-логіку тестами;
• уникати передчасної оптимізації, профілювати;
• тримати модулі невеликими з чіткою відповідальністю;
• керувати залежностями через pyproject.toml + lock strategy.

Коротко:

• Читабельність і передбачуваність важливіші за "трюки".
• Якість тримається на автоматизації: lint, types, tests, CI.
• Архітектурна простота зменшує вартість підтримки.