Был ли review на проекте

Роль Code Review в профессиональной разработке

Этот вопрос проверяет мой опыт работы в команде и понимание best practices разработки. Расскажу о том, как code review повышает качество и как я его воспринимаю.

Да, code review — обязательная практика

В каждом серьёзном проекте, где я работал, code review был ключевой частью процесса:

Структура процесса:

• Pull Request / Merge Request — я создаю PR с изменениями
• Automatic Checks — CI/CD запускает тесты, линтеры
• Code Review — коллеги review мой код
• Feedback — обсуждение, правки, улучшения
• Merge — после approval объединяем в main

Что проверяется в код ревью

1. Корректность логики

• Решает ли код поставленную задачу
• Есть ли edge cases
• Обработка ошибок и исключений

2. Качество кода

• Следование стайлгайду (PEP8, naming conventions)
• Дублирование кода (DRY принцип)
• Сложность алгоритмов
• Type hints и документация

3. Тесты

• Покрытие тестами (обычно минимум 80%)
• Качество тестов (testing best practices)
• Mock и stub использование

4. Performance

• O(n) complexity анализ
• Использование памяти
• Database queries (N+1 problem)
• Caching где нужно

5. Security

• SQL injection предотвращение
• Валидация input
• Обработка sensitive данных
• CORS, authentication

Примеры хорошего кода для ревью

# ✅ Good: Понятно, типизировано, с docstring
def calculate_metrics(
    predictions: np.ndarray,
    ground_truth: np.ndarray,
    threshold: float = 0.5
) -> dict[str, float]:
    """Calculate precision, recall, F1 score.
    
    Args:
        predictions: Model predictions (batch_size, num_classes)
        ground_truth: True labels (batch_size,)
        threshold: Classification threshold
    
    Returns:
        Dictionary with metric values
    """
    binary_pred = (predictions[:, 1] > threshold).astype(int)
    
    tp = np.sum((binary_pred == 1) & (ground_truth == 1))
    fp = np.sum((binary_pred == 1) & (ground_truth == 0))
    fn = np.sum((binary_pred == 0) & (ground_truth == 1))
    
    precision = tp / (tp + fp) if (tp + fp) > 0 else 0
    recall = tp / (tp + fn) if (tp + fn) > 0 else 0
    f1 = 2 * (precision * recall) / (precision + recall) if (precision + recall) > 0 else 0
    
    return {
        'precision': precision,
        'recall': recall,
        'f1': f1
    }

Этот код review-friendly потому что:

• Типы параметров и возврата явно указаны
• Docstring объясняет что функция делает
• Переменные имеют понятные названия
• Обработаны edge cases (деление на 0)
• Логика понятна

Примеры замечаний на ревью

1. Дублирование кода

# ❌ Bad: копипаста
def get_user_data(user_id):
    result = db.query('SELECT * FROM users WHERE id = ?', user_id)
    return result[0] if result else None

def get_admin_data(admin_id):
    result = db.query('SELECT * FROM users WHERE id = ?', admin_id)
    return result[0] if result else None

# ✅ Good: DRY
def get_user_by_id(user_id):
    result = db.query('SELECT * FROM users WHERE id = ?', user_id)
    return result[0] if result else None

2. Missing error handling

# ❌ Bad: что если JSON некорректный?
import json
data = json.loads(user_input)

# ✅ Good: обработка ошибок
try:
    data = json.loads(user_input)
except json.JSONDecodeError as e:
    logger.error(f"Invalid JSON: {e}")
    raise ValueError("Invalid input format") from e

3. Missing tests

# ❌ Bad: нет тестов
def preprocess_features(X):
    return (X - X.mean()) / X.std()

# ✅ Good: есть тест
def test_preprocess_features():
    X = np.array([[1, 2], [3, 4]])
    result = preprocess_features(X)
    
    np.testing.assert_array_almost_equal(
        result.mean(axis=0), [0, 0]
    )
    np.testing.assert_array_almost_equal(
        result.std(axis=0), [1, 1]
    )

Мой подход к ревью

Когда я получаю ревью:

• Спокойно слушаю критику — это для улучшения кода
• Задаю вопросы если непонятна рекомендация
• Быстро делаю изменения
• Спасибо за время рецензентов

Когда я делаю ревью:

• Конструктивно, без личной критики
• Объясняю почему — ссылаюсь на style guide или best practice
• Хвалю хорошие решения
• Предлагаю альтернативы, не требую определённый способ

Tools и практики

GitHub/GitLab features:

• Automated checks (pytest, linters, coverage)
• Branch protection rules
• Required approvals перед merge
• Conversation threads на конкретных строках

Best practices:

# В git commit message пишу why, не what
# ❌ Bad: "Fixed bug"
# ✅ Good: "Fix N+1 query in user_list endpoint
# 
# Previously the endpoint made a query per user.
# Now using prefetch_related to optimize.

fix: optimize user_list query performance

Replace N+1 queries with prefetch_related.
Query time reduced from 2s to 200ms for 1000 users.

Fixes #234

Заключение

Code review — это не контроль, а способ обучения и улучшения качества. Я вижу его как:

• Garantee качества перед production
• Возможность научиться у коллег
• Распределение знаний в команде
• Предотвращение technical debt

Хороший ревью культура делает проект более maintainable и team более синхронизированной.