Собеседование на Python-разработчика: 30 вопросов с ответами и задачи

На собеседовании Python-разработчика спрашивают про устройство языка (изменяемые типы, генераторы, декораторы, GIL), асинхронность, ООП, фреймворк из вакансии (чаще всего Django или FastAPI), базы данных и тесты, а потом дают задачу на код. Ниже 30 вопросов, которые регулярно звучат на интервью, с тем, что за ними проверяют, и короткими ответами, которых хватит для уверенного разговора.

15 мин чтения, обновлено 20 ноября 2026

Вопросы на собеседовании Python-разработчика с ответами 2026

Как проходит собеседование на Python-разработчика

Обычно это три-четыре встречи. Сначала 15-30 минут с рекрутером: опыт, стек, зарплата (подробнее в статье про HR-скрининг). Затем техническое интервью на 60-90 минут: теория, фреймворк, базы данных, задача на код. В крупных компаниях бывает отдельная секция алгоритмов, а для middle и senior проектирование системы. Как рассуждать вслух на технических секциях, разобрано в статье про техническое собеседование.

УровеньЧто спрашивают чаще всего
Juniorтипы данных и изменяемость, list, dict и set, функции, базовое ООП, простой SQL, задача на строки или массивы
Middleгенераторы, декораторы, GIL, asyncio, ORM и N+1, индексы и транзакции, тесты, ревью кода
Seniorархитектура сервисов, производительность и профилирование, проектирование API и схемы БД, разбор инцидентов

Отвечайте по схеме: короткое определение, пример из практики, ограничение или подвох. Пример из вашего кода показывает, что вы этим пользовались, а не выучили формулировку.

Вопросы по языку и типам данных

1. Чем список отличается от кортежа?

Что проверяют: понимание изменяемости.

Список изменяемый, кортеж нет. Поэтому кортеж может быть ключом словаря или элементом множества, если все его элементы тоже хешируемы. Подвох: если внутри кортежа лежит список, сам список менять можно, t[0].append(1) сработает.

2. Что не так с функцией def add(item, items=[])?

Что проверяют: когда вычисляются значения по умолчанию.

Значение по умолчанию вычисляется один раз, при определении функции. Один и тот же список переиспользуется между вызовами и накапливает элементы. Правильно писать items=None и создавать новый список внутри функции.

3. Как устроен словарь и почему ключ должен быть хешируемым?

Что проверяют: хеш-таблицы и сложность операций.

dict это хеш-таблица: по хешу ключа вычисляется место хранения, поэтому поиск и вставка в среднем O(1). Хеш ключа не должен меняться, пока ключ лежит в словаре, поэтому список ключом быть не может. С Python 3.7 словарь гарантированно сохраняет порядок вставки.

4. Чем is отличается от ==?

Что проверяют: разницу между идентичностью и равенством.

== сравнивает значения через __eq__, is проверяет, что это один и тот же объект. С None сравнивают через is None. Для небольших целых чисел is может вернуть True из-за кэша в CPython, но это деталь реализации, на неё нельзя опираться.

5. Чем поверхностная копия отличается от глубокой?

Что проверяют: работу со ссылками на вложенные объекты.

copy.copy() и срез lst[:] создают новый внешний контейнер, но вложенные объекты остаются общими. copy.deepcopy() рекурсивно копирует всё дерево. Если после поверхностной копии поменять вложенный список, изменение увидят обе копии.

6. Как принять в функцию произвольное число аргументов?

Что проверяют: сигнатуры функций и распаковку.

*args собирает лишние позиционные аргументы в кортеж, **kwargs собирает именованные в словарь. Аргументы после одиночной * в сигнатуре передаются только по имени, а аргументы до / только позиционно.

7. Что вернёт [f() for f in [lambda: i for i in range(3)]]?

Что проверяют: области видимости и замыкания.

[2, 2, 2]. Лямбды захватывают переменную i, а не её значение, и к моменту вызова i равна 2. Исправление: lambda i=i: i. Рядом спрашивают про порядок поиска имён LEGB и про global и nonlocal.

Генераторы, декораторы и контекстные менеджеры

8. Что такое генератор и чем он отличается от списка?

Что проверяют: ленивые вычисления и протокол итератора.

Генератор это функция с yield. Она возвращает итератор, который вычисляет значения по одному и хранит только текущее состояние, а список держит в памяти всё сразу. Генераторы подходят для больших файлов и потоков данных, но проходятся один раз. Выражение в круглых скобках тоже ленивое: sum(len(s) for s in lines) не строит лишний список.

9. Для чего нужен yield from?

Что проверяют: более глубокое знание генераторов.

Он делегирует работу подгенератору: отдаёт наружу его значения, пробрасывает внутрь send() и throw() и возвращает значение его return. В простом случае заменяет цикл for x in sub: yield x.

10. Напишите декоратор, который замеряет время выполнения функции.

Что проверяют: функции как объекты, замыкания, functools.wraps.

Декоратор принимает функцию и возвращает обёртку. Обёртка принимает любые аргументы, засекает time.perf_counter(), вызывает исходную функцию, логирует разницу и возвращает результат. Над обёрткой ставят @functools.wraps(func), иначе потеряются имя и docstring. Декоратор с параметрами, например @retry(times=3), это ещё один уровень вложенности.

11. Что такое контекстный менеджер?

Что проверяют: управление ресурсами.

Объект с методами __enter__ и __exit__ для конструкции with. __exit__ вызывается даже при исключении, поэтому так закрывают файлы и соединения, отпускают блокировки, откатывают транзакции. Если __exit__ вернёт True, исключение будет подавлено. Быстрый способ написать свой менеджер: генератор с @contextlib.contextmanager.

ООП в Python

12. Как работают MRO и super() при множественном наследовании?

Что проверяют: порядок разрешения методов.

Порядок поиска методов строится C3-линеаризацией, его видно через ClassName.__mro__. super() вызывает следующий класс в MRO объекта, а не обязательно прямого родителя. Поэтому в «ромбе» каждый метод выполнится один раз, если все классы вызывают super().

13. Чем __new__ отличается от __init__?

Что проверяют: как создаётся объект.

__new__ создаёт и возвращает экземпляр, __init__ настраивает уже созданный объект. __new__ переопределяют редко: при наследовании от неизменяемых типов вроде str и tuple, для синглтонов, в метаклассах.

14. В чём разница между @staticmethod, @classmethod и @property?

Что проверяют: базовое ООП, вопрос для junior.

classmethod получает класс и часто служит альтернативным конструктором, например User.from_dict(data). staticmethod не получает ни класс, ни экземпляр, это обычная функция в пространстве имён класса. property превращает метод в атрибут с геттером и, при желании, сеттером с валидацией.

15. Что такое __slots__ и дескрипторы?

Что проверяют: механику атрибутов, вопрос для middle и выше.

__slots__ фиксирует набор атрибутов: у экземпляров нет __dict__, они меньше весят, новые атрибуты добавить нельзя. Дескриптор это объект с __get__, __set__ или __delete__ в атрибуте класса. На дескрипторах построены property, classmethod, привязка методов и атрибуты моделей в SQLAlchemy.

16. Чем dataclass отличается от модели Pydantic?

Что проверяют: выбор инструмента для данных.

@dataclass генерирует __init__, __repr__ и __eq__ по аннотациям, но типы во время выполнения не проверяет: в поле age: int можно положить строку. Pydantic валидирует и приводит данные при создании объекта, поэтому его используют на границе системы: входящие запросы, конфигурация, ответы внешних API.

GIL, потоки и asyncio

17. Что такое GIL и на что он влияет?

Что проверяют: самый частый вопрос уровня middle.

GIL (Global Interpreter Lock) в CPython разрешает только одному потоку исполнять байткод Python в каждый момент. Поэтому потоки не ускоряют вычисления на CPU, но подходят для ввода-вывода: во время ожидания сети или диска GIL отпускается. Для вычислений берут процессы (ProcessPoolExecutor) или библиотеки на C, которые отпускают GIL, как NumPy. GIL не делает код потокобезопасным: counter += 1 не атомарна, нужен threading.Lock. Плюсом будет знать, что с Python 3.13 есть отдельная сборка без GIL (free-threaded, PEP 703), но обычная сборка по-прежнему с ним.

18. Когда выбрать threading, multiprocessing или asyncio?

Что проверяют: выбор модели конкурентности.

Потоки: немного параллельного ввода-вывода и синхронные библиотеки вроде requests. Процессы: тяжёлые вычисления на нескольких ядрах, ценой памяти и передачи данных между процессами. asyncio: тысячи сетевых соединений в одном потоке, если весь стек асинхронный.

19. Как работает asyncio и что будет, если в корутине вызвать time.sleep(5)?

Что проверяют: понимание event loop.

Event loop в одном потоке переключается между корутинами в точках await: пока одна ждёт сеть, выполняются другие. Многозадачность кооперативная, корутина сама отдаёт управление. time.sleep(5) или синхронный requests.get блокирует весь цикл, и ждут все запросы. Правильно: await asyncio.sleep(5), асинхронные клиенты (httpx, asyncpg) или вынос блокирующего кода в поток через asyncio.to_thread.

20. Чем asyncio.gather отличается от TaskGroup?

Что проверяют: обработку ошибок в конкурентном коде.

gather возвращает результаты в порядке передачи. При ошибке он пробрасывает первое исключение, но остальные задачи не отменяет, а с return_exceptions=True вернёт исключения в списке результатов. TaskGroup (Python 3.11+) при ошибке отменяет остальные задачи и собирает исключения в ExceptionGroup. Частая ошибка: await в цикле по одному запросу, тогда запросы идут последовательно.

21. Как Python управляет памятью и бывают ли утечки?

Что проверяют: понимание сборки мусора.

В CPython у объекта есть счётчик ссылок: когда он падает до нуля, объект удаляется сразу. Циклические ссылки находит сборщик мусора с поколениями (модуль gc). Утечки бывают: растущие глобальные словари, кэш без ограничения размера, ссылки на большие объекты в замыканиях. Ищут их через tracemalloc.

Django и FastAPI

22. Что такое проблема N+1 в Django ORM и как её решить?

Что проверяют: видите ли вы SQL за ORM.

Вы выбираете 100 заказов, а потом в цикле обращаетесь к order.customer.name: один запрос на список и ещё 100 на покупателей. select_related подтягивает ForeignKey и OneToOne одним JOIN. prefetch_related делает отдельный запрос для ManyToMany и обратных связей и склеивает данные в Python. Находят проблему через Django Debug Toolbar или лог SQL.

23. Когда QuerySet выполняет запрос к базе?

Что проверяют: понимание ленивости ORM.

filter() и exclude() только собирают запрос. Он выполняется при итерации, list(), len(), проверке в if, срезе с шагом, а результат кэшируется в объекте. Если сами объекты не нужны, лучше вызвать count() или exists().

24. Чем FastAPI отличается от Django и что будет с блокирующим кодом в async def?

Что проверяют: понимание фреймворков, а не только их API.

FastAPI это лёгкий фреймворк для API: валидация через Pydantic, автоматическая документация OpenAPI, зависимости через Depends, поддержка async. Django даёт всё в комплекте: ORM, миграции, админку, авторизацию. Синхронный клиент базы в эндпоинте с async def заблокирует event loop. Эндпоинт с обычным def FastAPI выполнит в пуле потоков, и цикл не пострадает.

Базы данных

25. Что такое индекс и когда он не помогает?

Что проверяют: умение разбирать медленные запросы.

Индекс (обычно B-tree) находит строки без полного сканирования таблицы, но замедляет запись. Он не поможет при низкой селективности, при функции над колонкой (WHERE lower(email) = ... без индекса по выражению), при LIKE '%текст'. Составной индекс по (a, b) обычно бесполезен для фильтра только по b. План запроса смотрят через EXPLAIN ANALYZE.

26. Что такое транзакции и уровни изоляции?

Что проверяют: работу с конкурентным доступом к данным.

Транзакция выполняет группу операций по принципу «всё или ничего» (ACID). Уровни изоляции: Read Uncommitted, Read Committed, Repeatable Read, Serializable. Чем выше уровень, тем меньше аномалий (грязное и неповторяющееся чтение, фантомы) и тем больше блокировок или откатов. В PostgreSQL по умолчанию Read Committed. В Django транзакцию открывают через transaction.atomic(), строки блокируют через select_for_update().

Тестирование

27. Как устроены фикстуры в pytest?

Что проверяют: пишете ли вы тесты сами.

Фикстура это функция с @pytest.fixture, которая готовит данные или ресурс, а тест получает её через аргумент. scope задаёт время жизни, код после yield выполняется как очистка. @pytest.mark.parametrize прогоняет тест на наборе данных, conftest.py делает фикстуры общими.

28. Как замокать внешний API и где патчить?

Что проверяют: изоляцию тестов.

unittest.mock.patch подменяет объект на время теста. Патчить нужно там, где объект используется, а не где объявлен: если в services.py написано from requests import get, патчат services.get. Моки не заменяют интеграционные тесты с настоящей базой, например в Docker через testcontainers.

29. Чем unit-тесты отличаются от интеграционных?

Что проверяют: подход к качеству.

Unit-тест проверяет функцию в изоляции за миллисекунды. Интеграционный проверяет связку кода с базой, очередью или другим сервисом. Пирамида тестов: много unit, меньше интеграционных, совсем немного end-to-end.

30. Сервис стал отвечать медленно. Как будете искать причину?

Что проверяют: инженерный подход.

Сначала метрики: что замедлилось, с какого момента, что менялось в релизах. Затем ищут, где уходит время: база (медленные запросы, N+1, блокировки), внешние вызовы или CPU. Для Python пригодятся cProfile и py-spy, который подключается к работающему процессу. Оптимизируют только после замера: индекс, кэш, батчинг, фоновая очередь вроде Celery.

Практические задачи на live coding

Задача обычно занимает 20-40 минут. Типичные варианты:

  • Строки и коллекции: палиндром без учёта регистра и пробелов, группировка анаграмм через defaultdict(list), первый неповторяющийся символ через Counter.
  • Алгоритмы: два числа с заданной суммой за O(n) через словарь, удаление дубликатов с сохранением порядка (list(dict.fromkeys(items))), проверка скобок через стек.
  • Задачи на язык: декоратор retry с параметрами, генератор для чтения большого файла частями, LRU-кэш на OrderedDict, «что выведет этот код».
  • SQL: вторая по величине зарплата, число заказов по клиентам с GROUP BY и HAVING, клиенты без заказов через LEFT JOIN.
  • Ревью кода: 30-50 строк с N+1, голым except:, изменяемым аргументом по умолчанию и SQL-запросом, собранным f-строкой. Нужно найти проблемы и объяснить риски.

Не пишите молча. Уточните условия и граничные случаи, назовите простое решение и его сложность, потом улучшайте:

Сначала уточню: регистр учитываем? Пустая строка считается палиндромом? Простой вариант: оставляю буквы и цифры, привожу к нижнему регистру и сравниваю с развёрнутой строкой. Это O(n) по времени и памяти. Если память важна, пройду двумя указателями с краёв.

HR-часть и вопросы о вашем опыте

У рекрутера и на финальной встрече спрашивают, как вы работаете. Подготовьте четыре ответа:

  • Рассказ о себе на 60-90 секунд: стек, проекты, чем гордитесь. Структура есть в статье «Расскажите о себе».
  • Самая сложная задача или баг. Отвечайте по методу STAR: ситуация, задача, ваши действия, результат.
  • Почему уходите и чего ждёте от новой работы.
  • Зарплатные ожидания: вилку готовьте по вакансиям на hh.ru, подробнее в статье про зарплатные ожидания.
ПлохоЛучше
«Писал бэкенд на Django»«Делал на Django и DRF API личного кабинета для сети клиник: запись, оплата, уведомления»
«Оптимизировал запросы»«Нашёл N+1 в списке заказов, добавил select_related, страница стала открываться за 0,3 секунды вместо 2»
«Знаю asyncio»«Перевёл рассылку уведомлений на asyncio и httpx, и утренняя очередь сообщений перестала копиться»

Пример ответа на вопрос о последнем проекте:

Последний год я в команде из шести человек делаю бэкенд доставки для сети аптек: FastAPI, PostgreSQL, Celery. Моя зона: заказы и интеграция с платёжным провайдером. Самой интересной была задача с дублями платежей: при повторной отправке запроса клиент платил дважды. Я добавил ключ идемпотентности и уникальный индекс, дубли пропали, и написал интеграционные тесты на этот сценарий.

Как отрепетировать

Выберите 10-15 вопросов, которые чаще встречаются в ваших вакансиях, и ответьте на каждый вслух за 1-2 минуты с таймером. Запишите себя на диктофон: в записи слышно, где вы путаетесь в терминах или уходите в сторону. Задачи решайте в простом редакторе без автодополнения и проговаривайте ход мысли. Попросите знакомого разработчика задавать уточняющие вопросы или пройдите бесплатное пробное собеседование с голосовым ИИ-интервьюером по реальной вакансии с hh.ru.

Частые вопросы

Сколько длится техническое собеседование на Python-разработчика?

Обычно 60-90 минут. Примерно половина времени уходит на теорию и опыт, остальное на задачу или ревью кода. В крупных компаниях к нему добавляют отдельные секции алгоритмов и проектирования.

Что спрашивают у junior Python-разработчика?

Базу языка: типы данных и их изменяемость, списки, словари и множества, функции, основы ООП и исключения. Обычно добавляют простой SQL-запрос с JOIN и задачу на строки или массивы. Внутренности CPython от junior не ждут, но ждут, что он подробно объяснит свой учебный или пет-проект.

Нужно ли решать алгоритмические задачи?

Зависит от компании. Крупные маркетплейсы, банки и поисковики часто проводят отдельную алгоритмическую секцию с задачами простого и среднего уровня. В небольших продуктовых компаниях чаще дают практическую задачу или ревью кода. Минимум: оценка сложности, хеш-таблицы, два указателя, стек, сортировка.

Что делать, если не знаю ответа на вопрос?

Скажите прямо, что не сталкивались, и порассуждайте, на что это похоже и как бы вы это выяснили. Например: «С дескрипторами напрямую не работал, но знаю, что на них построен property, поэтому предполагаю...». Честное рассуждение ценится выше уверенной ошибки. Подробнее в статье о том, как вести себя на собеседовании.

Django или FastAPI: что учить к собеседованию?

Смотрите на интересные вам вакансии: на hh.ru фреймворк почти всегда указан в описании. Django чаще встречается в больших монолитах и внутренних системах, FastAPI в новых микросервисах и ML-сервисах. Если времени мало, выучите один глубоко, а у второго поймите ключевые идеи.