Вопросы для собеседования Data Scientist

Готовый набор для интервьюера: 36 вопросов с тезисами эталонного ответа, задача, рубрика и план встречи.

Junior: 12 Middle: 12 Senior: 12 Задача Рубрика

Коротко

На собеседовании Data Scientist хорошо работает схема на 60 минут: 3-4 устных вопроса по стеку, одна задача на live coding, проектирование для middle и выше и вопросы кандидата. Ниже вопросы по грейдам из базы Техпрогона: у каждого тезисы, которые должен назвать сильный кандидат.

Всего в базе по этой роли 220 устных вопросов с чек-листом ответа.

Обновлено 18 октября 2026 г.

Как построить техсобес на 60 минут

0-5 мин

Знакомство

Кто вы, формат встречи, кандидат коротко о себе и последнем проекте.

5-20 мин

Вопросы по стеку

3-4 устных вопроса из набора ниже. Сверяйте ответ с тезисами.

20-45 мин

Live coding

Одна задача. Смотрите на процесс по рубрике, а не только на ответ.

45-55 мин

Проектирование

Для middle и выше: система или решение целиком. Для junior: ещё вопросы.

55-60 мин

Вопросы кандидата

Что спросил кандидат, тоже сигнал: интерес к задачам и команде.

Junior: 12 вопросов

Основы: как устроено и зачем. Хватит 3-4 вопросов на встречу.

Расскажите, как работает groupby в pandas и какие у него есть режимы.

Python для анализа данных

Junior

Что хотим услышать

Схема split-apply-combine
agg сворачивает группу в одно значение, именованная агрегация
transform возвращает результат формы исходной таблицы
filter оставляет группы целиком по условию
Ключ уходит в индекс, as_index=False или reset_index
NaN в ключе по умолчанию выпадает

Если ответил, копните глубже

Чем size отличается от count?

Когда без apply не обойтись?

Как посчитать долю строки от суммы её группы?

Полный разбор ответа

Вам дали выгрузку чеков за месяц. Как вы опишете распределение, прежде чем делать выводы?

Статистика и A/B-тесты

Junior

Что хотим услышать

Объём данных, пропуски, явные ошибки
Среднее и медиана вместе, их сравнение говорит о хвосте
Разброс: std и IQR, квантили p5/p25/p75/p95/p99
Гистограмма, лучше в логарифмической шкале для денег
Выбросы: ошибка данных или реальные крупные клиенты
Разрезы по сегментам, где распределение может отличаться

Если ответил, копните глубже

Когда медиана вводит в заблуждение?

Что будете делать с отрицательными чеками?

Как быстро понять, что распределение логнормальное?

Полный разбор ответа

Объясните теорему Байеса на примере медицинского теста. Почему положительный тест на редкую болезнь часто ложный?

Математика для ML

Junior

Что хотим услышать

Называет приор, правдоподобие и апостериор
Различает P(+ | болен) и P(болен | +)
Считает пример с числами, например через 10 000 человек
Объясняет роль базовой частоты: здоровых намного больше
Связь с ML: precision при редком классе

Если ответил, копните глубже

Что изменится, если сделать второй независимый тест?

Как это связано с precision модели антифрода?

Полный разбор ответа

Объясните, что такое регуляризация в линейных моделях, чем отличаются L1 и L2 и как выбирать коэффициент.

Классический ML

Junior

Что хотим услышать

Регуляризация штрафует сложность (величину весов) и снижает переобучение
L2 уменьшает веса равномерно, помогает при мультиколлинеарности
L1 обнуляет часть весов, работает как отбор признаков
Перед регуляризацией признаки нужно масштабировать
λ подбирается кросс-валидацией по логарифмической сетке

Если ответил, копните глубже

Как регуляризация связана с MAP-оценкой?

Почему свободный член обычно не регуляризуют?

Полный разбор ответа

Объясните, как обучается нейросеть: что происходит на прямом и обратном проходе и как обновляются веса.

Глубокое обучение

Junior

Что хотим услышать

Прямой проход: вычисление выходов слой за слоем и loss, сохранение активаций
Обратный проход: цепное правило от loss к первому слою
Для слоя: градиент по весам δ·xᵀ, по входу Wᵀδ
Шаг оптимизатора по градиентам, обнуление градиентов
Батчи и эпохи, повторение до сходимости

Если ответил, копните глубже

Зачем хранить активации?

Что будет, если не обнулять градиенты между шагами?

Полный разбор ответа

Чем отличается WHERE от HAVING? Приведи пример, где нужны оба.

SQL и базы данных

Junior

Что хотим услышать

WHERE фильтрует строки до группировки, HAVING фильтрует группы после
В WHERE нельзя агрегаты, в HAVING можно
Порядок: FROM, WHERE, GROUP BY, HAVING, SELECT
Условия без агрегатов лучше писать в WHERE: меньше строк до группировки
Пример: WHERE status = 'paid' и HAVING SUM(total) > 10000

Если ответил, копните глубже

Можно ли в HAVING использовать алиас из SELECT?

Можно ли написать HAVING без GROUP BY?

Полный разбор ответа

Объясни, как ты оцениваешь временную и пространственную сложность своего решения на собесе.

Алгоритмы

Junior

Что хотим услышать

Называет, что такое n (и m, если входов несколько)
Считает циклы: вложенные перемножаются, последовательные складываются
Помнит скрытые циклы: includes, indexOf, slice, sort, spread
Отдельно оценивает память, включая стек рекурсии
Сравнивает с ограничениями: при n до 10⁵ O(n²) уже не годится

Если ответил, копните глубже

Почему O(2n) и O(n) это одно и то же?

Какая сложность у arr.slice() внутри цикла?

Что такое амортизированная O(1)?

Полный разбор ответа

Назовите ваши сильные стороны.

О себе и поведенческое

Junior

Что хотим услышать

Две-три стороны, а не список из десяти
Каждая подкреплена примером
Стороны связаны с вакансией
Нет пустых слов вроде «стрессоустойчивый, коммуникабельный» без доказательств
Уверенно, без хвастовства

Если ответил, копните глубже

Как это проявилось на последнем месте?

Что сказали бы о вас коллеги?

Какая из них самая важная для этой роли?

Полный разбор ответа

Какие проблемы вы проверяете сразу после чтения файла в pandas?

Python для анализа данных

Junior

Что хотим услышать

shape, head, dtypes: правильно ли разобраны колонки
Числа и даты не стали строками: sep, decimal, parse_dates
ID с ведущими нулями прочитаны строкой
Пропуски: isna().sum(), не съел ли парсер реальные значения вроде NA
Кодировка: нет ли кракозябр
Дубликаты и неожиданные значения

Если ответил, копните глубже

Почему целые стали float?

Что делать, если в колонке смешаны форматы дат?

Полный разбор ответа

Объясните продакт-менеджеру без формул, что такое p-value и как читать результат теста.

Статистика и A/B-тесты

Junior

Что хотим услышать

Предполагаем, что эффекта нет
p-value: как часто случайность дала бы такую же или большую разницу
Маленький p-value: случайностью объяснить трудно, отвергаем H0
Не вероятность того, что гипотеза верна, и не размер эффекта
Порог α выбран заранее, обычно 5%
Большой p-value: эффект не доказан, а не доказано отсутствие

Если ответил, копните глубже

Почему p = 0.04 не значит «B лучше с вероятностью 96%»?

Что вы скажете, если p = 0.051?

Почему маленький p-value на миллионах пользователей ещё не повод выкатывать?

Полный разбор ответа

Объясните интервьюеру без формул, что такое градиент и почему обучение модели идёт против градиента функции потерь.

Математика для ML

Junior

Что хотим услышать

Градиент это вектор частных производных по каждому параметру
Показывает направление наискорейшего роста и его крутизну
Против градиента loss убывает быстрее всего локально
Шаг ограничивают learning rate, потому что градиент верен только около точки
В минимуме градиент нулевой, но нулевой градиент бывает и в седле

Если ответил, копните глубже

Что будет, если learning rate слишком большой?

Как градиент считается для миллиарда параметров?

Полный разбор ответа

Объясните, как строится ROC-кривая и что такое ROC-AUC.

Классический ML

Junior

Что хотим услышать

Перебор порогов от высокого к низкому
По осям FPR и TPR (recall)
Диагональ это случайная модель, AUC 0.5
AUC это вероятность правильно упорядочить случайную пару
Не зависит от порога и монотонных преобразований скоров, но не видит калибровку

Если ответил, копните глубже

Что будет с AUC, если все скоры возвести в квадрат?

Когда ROC-AUC вводит в заблуждение?

Полный разбор ответа

Middle: 12 вопросов

Практика: почему так, какие компромиссы, что ломается.

Вам выгрузили CSV из CRM. Опишите по шагам, как вы приведёте его в порядок перед анализом.

Python для анализа данных

Middle

Что хотим услышать

Разведка: shape, info, head, describe, доля пропусков по колонкам
Типы: даты через to_datetime, числа через to_numeric с coerce, категории
Строки: strip, регистр, единый формат, лишние символы
Дубли: полные и по ключу, правило какую запись оставить
Пропуски: природа и стратегия, флаг пропуска
Проверки: диапазоны, уникальность ключа, сверка сумм с источником

Если ответил, копните глубже

Как понять, что пропуски не случайны?

Что делать, если в колонке даты в трёх форматах?

Как убедиться, что после чистки ничего не потеряли?

Полный разбор ответа

Нам нужно протестировать новую кнопку оплаты в одном клике. Как спроектируете тест?

Статистика и A/B-тесты

Middle

Что хотим услышать

Гипотеза с механизмом и ожидаемым эффектом
Целевая метрика (конверсия в оплату), прокси и guardrail (ошибки оплаты, возвраты, скорость)
Единица рандомизации: пользователь; анализ по дошедшим до оплаты
MDE, альфа, мощность: размер выборки и длительность целыми неделями
Проверки: A/A, SRM, критерий решения заранее
Что делаем при каждом исходе

Если ответил, копните глубже

Какой MDE вы бы выбрали и почему?

Что делать, если конверсия выросла, а средний чек упал?

Как поступите, если обнаружили SRM?

Полный разбор ответа

Сравните MLE и MAP. Когда разница существенна? Приведите пример из практики.

Математика для ML

Middle

Что хотим услышать

MLE смотрит только на данные, MAP добавляет приор
MAP = MLE + регуляризация (гауссов приор ↔ L2, лапласов ↔ L1)
Разница велика при малых данных, исчезает при больших
Пример: CTR нового объявления с 1 кликом из 2 показов
Оба дают точечную оценку, в отличие от полного байесовского вывода

Если ответил, копните глубже

Как выбрать параметры приора для CTR?

Что даёт полное апостериорное распределение сверх MAP?

Полный разбор ответа

Задача с 0.2% положительных (например, мошенничество). Расскажите вашу стратегию от данных до порога.

Классический ML

Middle

Что хотим услышать

Метрики: PR-AUC, recall при фиксированной precision, стоимость ошибок
Разбиение со стратификацией и честное распределение в валидации
Модель: бустинг с весами классов или без, сравнить
Семплирование только внутри фолда, калибровка после
Порог по бизнес-стоимости и ёмкости проверки, мониторинг

Если ответил, копните глубже

Когда undersampling реально полезен?

Как быть, если положительных всего 50 примеров?

Полный разбор ответа

Loss не падает с первых шагов. Как вы будете искать причину?

Глубокое обучение

Middle

Что хотим услышать

Переобучиться на одном маленьком батче: если не получается, баг в коде
Проверить данные и метки: соответствие, нормализация, перемешивание
Проверить loss и выход: логиты против вероятностей, правильный reduction
Проверить цикл: zero_grad, backward, step, режим train, requires_grad
Подбор lr, нормы градиентов по слоям, инициализация

Если ответил, копните глубже

Что если модель переобучается на одном батче, но на всём датасете стоит?

Как быстро проверить, что метки не перепутаны?

Полный разбор ответа

Спроектируй схему базы для заказов интернет-магазина: клиенты, товары, заказы, оплаты. Какие таблицы, ключи и ограничения?

SQL и базы данных

Middle

Что хотим услышать

Таблицы customers, products, orders, order_items, payments и их связи
order_items как связь заказа и товара с qty и ценой на момент покупки
Ограничения: FK, NOT NULL, CHECK (qty > 0), UNIQUE там, где нужно
Типы: numeric или копейки для денег, timestamptz для времени, статус через CHECK или enum
Индексы на FK и под частые запросы (заказы клиента по дате)
Платежи отдельной таблицей с идемпотентным внешним id от платёжки

Если ответил, копните глубже

Как хранить адрес доставки, если клиент его потом поменяет?

Как сделать историю смены статусов заказа?

Что изменится, если товары бывают в разных вариантах (размер, цвет)?

Полный разбор ответа

Объясни решение задачи «минимальное число монет для суммы» и его сложность. Почему тут не подходит жадность?

Алгоритмы

Middle

Что хотим услышать

Показывает контрпример для жадности
Формулирует состояние: dp[s] минимум монет для суммы s
Переход: dp[s] = min(dp[s - c] + 1) по монетам
База dp[0] = 0, остальные Infinity, недостижимо → -1
O(S · k) времени, O(S) памяти

Если ответил, копните глубже

Как посчитать число способов вместо минимума?

Как восстановить сами монеты?

Как решить сверху вниз?

Полный разбор ответа

Почему вы ищете новую работу?

О себе и поведенческое

Middle

Что хотим услышать

Причина через цель, а не через бегство
Ни слова негатива о текущем работодателе
Показано, что на текущем месте был рост и результаты
Связка с этой вакансией
Коротко: до минуты

Если ответил, копните глубже

Говорили ли вы с руководителем о росте?

Что должно быть на новом месте обязательно?

Как давно ищете?

Полный разбор ответа

Как посчитать DAU и WAU по московскому времени, если события лежат в UTC? Какие ловушки?

Python для анализа данных

Middle

Что хотим услышать

to_datetime(..., utc=True) и tz_convert("Europe/Moscow") до взятия даты
День: dt.normalize() или dt.date после конвертации
nunique пользователей, а не число событий
resample или полная сетка дат, чтобы пустые дни были видны
WAU не равен сумме DAU, считать уникальных за неделю
Неделя с понедельника: to_period("W")

Если ответил, копните глубже

Почему WAU не сумма DAU?

Как посчитать скользящий WAU за 7 дней на каждый день?

Что делать с пользователями в разных поясах?

Полный разбор ответа

Менеджер спрашивает: «Почему нельзя остановить тест, как только он стал значимым? Это же экономит время». Объясните.

Статистика и A/B-тесты

Middle

Что хотим услышать

5% ошибки гарантированы только для одной проверки в конце
Каждая промежуточная проверка даёт ещё шанс случайно пересечь порог
При ежедневных проверках ложных побед в разы больше
Ранние дни не покрывают недельную сезонность и новизну
Если досрочная остановка нужна, её закладывают в дизайн: последовательные тесты
Промежуточно можно смотреть guardrail и SRM

Если ответил, копните глубже

Как работает расходование альфы?

А если эффект огромный, например +30%?

Почему можно смотреть guardrail-метрики?

Полный разбор ответа

Как вы на практике подбираете learning rate для новой модели?

Математика для ML

Middle

Что хотим услышать

Поиск по логарифмической сетке (1e-5 … 1e-1) на коротких прогонах
LR range test: растить lr и смотреть, где loss начинает расти
Признаки плохого lr по кривым: взрыв и NaN, или слишком медленное падение
Расписание: warmup и затухание (cosine, step)
Связь с размером батча и оптимизатором

Если ответил, копните глубже

Зачем нужен warmup?

Как менять lr при увеличении батча в 4 раза?

Полный разбор ответа

Как вы выбираете метрику качества для новой задачи классификации? Приведите пример.

Классический ML

Middle

Что хотим услышать

От бизнес-цели и цены ошибок FP и FN
Учёт баланса классов: при редком классе PR-AUC, precision@k, recall при фиксированной precision
Нужны ли вероятности: тогда log loss, Brier, калибровка
Офлайн-метрика для сравнения моделей и решение по порогу отдельно
Проверка связи офлайн-метрики с онлайн-эффектом

Если ответил, копните глубже

Что выберете для модерации контента, где ручная проверка ограничена?

Почему бы не взять F1 всегда?

Полный разбор ответа

Senior: 12 вопросов

Глубина и опыт: границы подходов, решения в продакшене.

Что изменилось в pandas 3.0 и на что это влияет в существующем коде?

Python для анализа данных

Senior

Что хотим услышать

Copy-on-Write по умолчанию: результат индексации ведёт себя как копия
Цепочное присваивание df["a"][0] = 1 больше не меняет df
SettingWithCopyWarning ушёл вместе со старой моделью
Строки по умолчанию получают dtype str вместо object
Проверки dtype == object в коде надо пересмотреть
Перед обновлением прогнать тесты на 2.x с включёнными опциями будущего поведения

Если ответил, копните глубже

Как теперь правильно изменить ячейку по условию?

Почему CoW экономит память?

Что будет с колонкой строк с пропусками?

Полный разбор ответа

Как вы поступаете с выбросами в данных при анализе и в A/B-тестах?

Статистика и A/B-тесты

Senior

Что хотим услышать

Сначала понять природу: ошибка, бот, тест или реальный крупный клиент
Ошибки и ботов исправить или исключить по правилу, записанному заранее
Реальные значения не удалять: они часть бизнеса
Для тестов: винзоризация или устойчивые метрики, правило до запуска
Проверить чувствительность вывода: с выбросами и без
Одинаковая обработка во всех группах

Если ответил, копните глубже

Почему опасно удалять выбросы после просмотра результата теста?

Чем винзоризация лучше обрезки?

Полный разбор ответа

Объясните, как MSE и кросс-энтропия выводятся из метода максимального правдоподобия.

Математика для ML

Senior

Что хотим услышать

MLE: максимизировать Σ log p(yᵢ | xᵢ, θ), то есть минимизировать отрицательный log-likelihood
Регрессия: y ~ N(f(x), σ²) даёт MSE
Классификация: y ~ Бернулли(p(x)) даёт binary cross-entropy
Многоклассовая: категориальное распределение даёт softmax с кросс-энтропией
Другое распределение шума даёт другую потерю (Лаплас: MAE, Пуассон: Poisson loss)

Если ответил, копните глубже

Какую потерю взять для числа покупок пользователя за неделю?

Почему MSE плохо подходит для классификации?

Полный разбор ответа

Продакт просит «сделать ML, чтобы клиенты меньше уходили». Как вы превратите это в ML-задачу?

Классический ML

Senior

Что хотим услышать

Уточнить бизнес-цель и действие: что сделаем с прогнозом (скидка, звонок)
Определить целевую переменную и горизонт: отток за 30 дней, что считается оттоком
Момент прогноза и признаки только из прошлого, без утечек
Метрики: офлайн (PR-AUC, uplift) и бизнес (сохранённая выручка), бейзлайн
Проверка эффекта экспериментом, подумать про uplift-модель

Если ответил, копните глубже

Почему иногда нужна uplift-модель, а не модель оттока?

Как выбрать порог для рассылки скидок?

Полный разбор ответа

Расскажите, как менялись функции активации от сигмоиды до SwiGLU и чем каждая решала проблемы предыдущей.

Глубокое обучение

Senior

Что хотим услышать

Сигмоида и tanh: насыщение, затухание градиента, сигмоида не центрирована
ReLU: нет насыщения справа, дёшево, но мёртвые нейроны
LeakyReLU, ELU: ненулевой градиент слева
GELU, SiLU: гладкие, стандарт в трансформерах
Гейтированные (GLU, SwiGLU) в MLP-блоках LLM

Если ответил, копните глубже

Почему tanh лучше сигмоиды в скрытых слоях?

Сколько параметров добавляет SwiGLU по сравнению с обычным MLP?

Полный разбор ответа

Расскажите, как в PostgreSQL устроен MVCC, откуда берутся мёртвые строки и зачем нужен VACUUM.

SQL и базы данных

Senior

Что хотим услышать

UPDATE создаёт новую версию строки, старая остаётся с xmax; DELETE только помечает версию
Каждая транзакция видит версии по своему снимку, поэтому чтение не блокирует запись и наоборот
VACUUM удаляет версии, которые уже никому не видны, обновляет visibility map и замораживает старые строки
Долгие транзакции и забытые слоты репликации мешают очистке и раздувают таблицы
Autovacuum настраивают по таблицам: autovacuum_vacuum_scale_factor, лимиты стоимости; мониторинг через pg_stat_user_tables
HOT-обновления и fillfactor уменьшают нагрузку на индексы

Если ответил, копните глубже

Чем VACUUM FULL отличается от обычного?

Почему Index Only Scan иногда ходит в таблицу?

Что такое HOT update и когда он невозможен?

Полный разбор ответа

Вы претендуете на senior. Расскажите о себе.

О себе и поведенческое

Senior

Что хотим услышать

Назван масштаб: команда, нагрузка, пользователи или деньги
Есть решения, которые повлияли дальше своего кода
Есть метрики результата
Упомянуто влияние на команду: менторинг, процессы, ревью
Уложился в 2 минуты, не утонул в деталях

Если ответил, копните глубже

Какое техническое решение было самым спорным?

Как вы растили людей в команде?

Что бы сделали иначе на последнем проекте?

Полный разбор ответа

Вам дали новый датасет заказов. Какие графики построите в первые полчаса и что будете в них искать?

Python для анализа данных

Senior

Что хотим услышать

Динамика числа заказов и выручки по дням: провалы, всплески, неполные периоды
Распределения ключевых чисел, часто в логарифме: хвосты, выбросы, нули
Доли пропусков по колонкам
Сравнение сегментов: boxplot или ECDF
Связи: scatter или heatmap корреляций
Проверка гипотез о качестве данных, а не красивые картинки

Если ответил, копните глубже

Что будете делать с найденными выбросами?

Как быстро найти дубли в данных?

Полный разбор ответа

Как вы выбираете α и мощность для теста? Какая ошибка дороже в продукте?

Статистика и A/B-тесты

Senior

Что хотим услышать

α и мощность задают цену ложного срабатывания и пропуска
Стандарт 5% и 80% не догма
Рискованное изменение (цены, платёжный поток): строже α, жёсткие guardrail
Дешёвые обратимые изменения: можно мягче α ради скорости
Пропуск эффекта дорог, если трафика мало и тестов мало
Решение фиксируется до теста

Если ответил, копните глубже

Когда можно взять α = 0.1?

Как учитывать то, что большинство идей не работает?

Полный разбор ответа

Где в ML используется идея низкорангового приближения матриц? Приведите два-три примера и объясните, почему это работает.

Математика для ML

Senior

Что хотим услышать

Усечённое SVD как лучшее приближение ранга k (Эккарт-Янг)
Матричная факторизация в рекомендациях: пользователи и товары как векторы латентных факторов
LoRA: обновление весов ΔW = BA с маленьким рангом r
Сжатие слоёв и эмбеддингов, LSA для текстов
Работает, потому что реальные матрицы имеют быстро убывающий спектр

Если ответил, копните глубже

Сколько параметров экономит LoRA для слоя 4096×4096 при r = 8?

Как обучают факторизацию, если в матрице оценок почти все значения пропущены?

Полный разбор ответа

Спроектируйте систему обнаружения мошеннических платежей для банка: решение по платежу нужно за 100 мс.

Классический ML

Senior

Что хотим услышать

Требования: латентность, цена пропуска и ложной блокировки, действия (блок, доп. проверка, разбор аналитиком)
Данные и метки: задержка меток (чарджбэки), selective labels, дисбаланс
Признаки: профиль клиента батчем, скоростные признаки в реальном времени, устройство и граф связей
Модель: бустинг, правила как первая линия, пороги по стоимости, калибровка
Валидация по времени, метрики recall при фиксированной доле блокировок, PR-AUC
Прод: онлайн-инференс, feature store, мониторинг дрейфа, holdout для меток, быстрое переобучение

Если ответил, копните глубже

Как учесть, что мошенники адаптируются?

Что делать, если сервис модели не ответил за 100 мс?

Полный разбор ответа

Объясните, как квантуют большие языковые модели до 4 бит и почему это работает с небольшими потерями.

Глубокое обучение

Senior

Что хотим услышать

Квантуются в основном веса, активации остаются в bf16 (weight-only)
Групповое квантование с масштабом на группу (например 128 весов)
Выбросы и чувствительные каналы: методы учитывают важность весов (GPTQ, AWQ и подобные)
Выигрыш: память и скорость в memory-bound декодировании
Проверка: перплексия и задачи, особенно рассуждения и длинный контекст

Если ответил, копните глубже

Почему квантовать активации сложнее, чем веса?

Что такое QLoRA?

Полный разбор ответа

Задача для live coding

Заполнить пропуски медианой группы

КодPython для анализа данныхMiddle~6 мин

Дан список записей rows ({"city", "salary"}, salary может быть None). Заполните пропуски в salary медианой зарплаты своего города. Если в городе нет ни одного значения, используйте медиану по всем данным. Верните список зарплат в исходном порядке, округлённых до 1 знака.

Хороший ход решения

Подсказка, если застрял: groupby(...).transform("median") сохраняет длину.
Подсказка, если застрял: Второй fillna для городов без данных.

Условие и примеры целиком

Эталон, тесты и таймер открываются интервьюеру в живом моке

Рубрика оценки: 1-4 балла

Те же критерии процесса, что в живом моке Техпрогона. Ставьте балл по каждому пункту, сумма показывает картину лучше, чем «понравился или нет».

1 Не сделал2 После подсказки3 Сам, с пробелами4 Сам и уверенно

Уточнил условие

Ограничения, формат входа, что вернуть при пустом вводе

Привёл примеры до кода

Обычный случай и хотя бы один краевой

Проговорил алгоритм словами

До того как писать код

Назвал сложность

По времени и по памяти

Написал рабочий код

Тесты прошли

Сам проверил краевые случаи

Прогнал в голове пустой ввод, один элемент, дубликаты

Нашёл и исправил ошибку сам

Или ошибок не было с первого раза

Мок-собес без регистрации для интервьюера

Хотите проверить кандидата на задаче с эталоном и рубрикой? Так работает живой мок в Техпрогоне.

Кандидат готовится в Техпрогоне и на задаче открывает ступень «Живой мок».

Он присылает вам ссылку. Вы открываете её без регистрации.

У вас условие, эталон, рубрика, уточняющие вопросы и таймер.

Вы ставите оценки и вердикт, кандидат сразу видит результат.

Посмотреть механику изнутри

Для интервьюера бесплатно. Ссылку создаёт кандидат на тарифе Рывок

Наборы для других ролей

Готовитесь к собесу сами? Подготовка к собеседованию: Data Scientist