Python面试笔记

Python
- Q. Python中可变数据类型与不可变数据类型，浅拷贝与深拷贝详解
- Q. 解释什么是lambda函数？它有什么好处？
- Q. 什么是装饰器？
- Q. 什么是Python的垃圾回收机制？
- Q. Python内置函数dir的用法？
- Q. Python中两边都有下划线的方法有什么含义？
- Q. Python中单下划线和双下划线的区别
- Q. __new__和__init__区别
- Q. 什么是迭代器和⽣成器？
- Q. 什么是异常处理？
- Q. Python断言(assert)
- Q. Python中`*` 和 `**`用法？

Python

Q. Python中可变数据类型与不可变数据类型，浅拷贝与深拷贝详解

【Python基础】Python的深浅拷贝讲解
在这里插入图片描述

Q. 解释什么是lambda函数？它有什么好处？

Lambda函数是Python中的匿名函数。

Lambda函数在Python中被广泛使用，主要是因为它们提供了一种快速定义单行最小函数的方式，而无需使用常规的def关键字。这种函数通常用于需要一个简单操作的地方，例如在列表推导式、map()、filter()等高阶函数中作为参数传递。Lambda函数的基本语法结构是：lambda parameters_list: expression，其中parameters_list是函数的参数列表，而expression则是基于这些参数的表达式，该表达式的结果将被返回。

Lambda函数的优点主要包括代码简洁、无需增加额外变量、即时定义与使用。具体内容如下：

代码简洁：由于lambda函数通常只包含一个表达式，因此代码非常简洁，可以提高代码的可读性。
无需增加额外变量：因为lambda函数是匿名的，所以不需要为其分配一个名字，这有助于减少程序中的变量数量，避免命名冲突。
即时定义与使用：可以在需要时立刻定义并使用，不必像常规函数那样先定义再调用。

# case 1
add = lambda x, y: x + y
result = add(3, 5)
print(result) # 输出：8
# case 2
students = [("Alice", 25), ("Bob", 20), ("Charlie", 30)]
students.sort(key=lambda student: student[1])
print(students) # 输出：[('Bob', 20), ('Alice', 25), ('Charlie', 30)]
# case 3
numbers = [1, 2, 3, 4, 5, 6]
even_numbers = list(filter(lambda x: x % 2 == 0, numbers))
print(even_numbers) # 输出：[2, 4, 6]

Lambda表达式通常⽤于需要传递函数作为参数的函数（例如 map 、 filter 、 sorted 等），或
者在需要定义⾮常简单的匿名函数时。

总之，尽管lambda函数有许多优点，但它们也受到一些限制，如只能包含一个表达式，不能包含复杂的逻辑或语句，且没有文档字符串和名称。因此，在决定是否使用lambda函数时，应当根据实际需求和上下文进行权衡。

Q. 什么是装饰器？

装饰器本质上是一个Python函数，它可以让其他函数在不需要做任何代码变动的前提下增加额外功能，装饰器的返回值也是一个函数对象。它经常用于有切面需求的场景，比如：插入日志、性能测试、事务处理、缓存、权限校验等场景。装饰器是解决这类问题的绝佳设计，有了装饰器，我们就可以抽离出大量与函数功能本身无关的雷同代码并继续重用。

def my_decorator(func):  
    def wrapper():  
        print("Something is happening before the function is called.")  
        func()  
        print("Something is happening after the function is called.")  
    return wrapper  
  
@my_decorator  
def say_hello():  
    print("Hello!")  
  
# 当调用 say_hello 时，实际上是调用了装饰器返回的 wrapper 函数  
say_hello()

输出：
Something is happening before the function is called.  
Hello!  
Something is happening after the function is called.

Q. 什么是Python的垃圾回收机制？

Python的垃圾回收机制主要负责自动管理内存，释放不再使用的对象所占用的内存空间。
Python的垃圾回收机制主要包括以下几种：

引用计数(Reference Counting)。这是Python中最基本的垃圾回收方法。每个对象都有一个引用计数，记录有多少个变量指向该对象。当引用计数为0时，表示该对象不再被使用，可以被回收。
标记-清除(Mark and Sweep)。这种方法用于处理循环引用的情况。当内存空间即将被占满时，Python会暂停程序，从头到尾扫描所有对象，并标记所有可达的对象。然后，清除所有未被标记的对象，回收它们占用的内存空间。
分代回收(Generational Collection)。为了提高垃圾回收的效率，Python引入了分代回收机制。对象被分为不同的代，如第0代和第1代等。新创建的对象通常放在第0代，而经过多次垃圾回收仍然存活的对象会被提升到更高的代。垃圾回收器会更多地检查低代中的对象，而对高代中的对象进行较少的检查，从而提高垃圾回收的效率。

需要注意的是，Python的垃圾回收机制是自动进行的，开发者不需要手动管理内存。垃圾回收器会根据需要定期启动，并在合适的时机回收不再使用的对象。

Q. Python内置函数dir的用法？

在 Python 中，dir() 是一个内置函数，用于查找对象的所有属性和方法。它返回一个字符串列表，包含了对象的所有属性和方法的名称。

class MyClass:
    def __init__(self):
        self.name = "John"
    
    def say_hello(self):
        print("Hello, world!")
 
obj = MyClass()
 
print("对象 obj 的属性和方法：", dir(obj))

输出：
对象 obj 的属性和方法： ['__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__', 'name', 'say_hello']

Q. Python中两边都有下划线的方法有什么含义？

在Python中，两边都有双下划线的方法名被称为魔法方法（magic methods）。这些方法是Python语言的基础，它们为Python提供了强大的内置功能。例如，__init__ 方法是类的构造函数，__str__ 方法定义了对象被转换为字符串时的行为。

以下是一个简单的类示例，它定义了一个带有两边都有双下划线的方法：

class MyClass:
    def __init__(self, value):
        self.value = value

    def __str__(self):
        return f"MyClass with value: {self.value}"

# 使用类
obj = MyClass(10)
print(obj)  # 输出: MyClass with value: 10

Python中还有很多其他的魔法方法，以下是一些常用的魔法方法：

__init__：构造函数，当一个对象被创建时会自动调用。
__del__：析构函数，当一个对象被销毁时会自动调用。
__str__：返回一个对象的字符串表示，通常用于print函数。
__repr__：返回一个对象的官方字符串表示，通常用于调试。
__call__：允许一个对象像函数那样被调用。
__getitem__、__setitem__、__delitem__：用于自定义索引操作，如obj[key]。
__len__：返回对象的长度，常用于len()函数。
__iter__：返回一个迭代器，用于遍历对象。
__enter__ 和 __exit__：用于实现上下文管理协议，如with语句。
__add__、__sub__、__mul__ 等：用于自定义算术运算符的行为。

这些魔法方法允许你自定义Python对象的行为，使其更符合你的需求。你可以根据需要实现这些方法来扩展Python类的功能。

Q. Python中单下划线和双下划线的区别

“单下划线” 开始的成员变量叫做保护变量，意思是只有类对象和子类对象自己能访问到这些变量，需通过类提供的接口进行访问，不能用“from xxx import *”而导入；
“双下划线” 开始的是私有成员，意思是只有类对象自己能访问，连子类对象也不能访问到这个数据。仍然可以通过_{classname}__name来访问__name变量。但是强烈建议你不要这么干，因为不同版本的Python解释器可能会把__name改成不同的变量名。

Q. new和init区别

__new__与__init__区别总共有四个方面:

功能上的区别: 前者生成类实例对象空间的，后者是初始化对象空间并给对象赋值的;
执行顺序: 先执行__new__方法生成类对象空间才能执行后者
返回值: 前者有返回值，后者没有返回值
前者是静态方法, 后者是构造方法。

Q. 什么是迭代器和⽣成器？

迭代器（Iterator）和⽣成器（Generator）都是Python中⽤于处理迭代的重要概念，允许逐个访问数据项，⽽⽆需将所有数据加载到内存中，这在处理⼤型数据集合时⾮常有⽤。尽管有⼀些相似之处，但在实现和⽤法上有⼀些关键的区别。

1.迭代器(Iterator)

迭代器是⼀个对象，它可以通过调⽤ __next__() ⽅法逐个返回集合中的元素。迭代器通常⽤于遍
历集合，如列表、元组、字典等，以及⾃定义的可迭代对象。的核⼼特点是惰性计算，即只在需要时才计算下⼀个元素。

Python的内置函数 iter() 可以⽤于将可迭代对象转换为迭代器，⽽ next() 函数⽤于获取迭代
器的下⼀个元素。当没有更多元素可供迭代时，迭代器会引发 StopIteration 异常。

numbers = [1, 2, 3, 4, 5]
iter_numbers = iter(numbers)
print(next(iter_numbers)) # 输出：1
print(next(iter_numbers)) # 输出：2

2.生成器(Generator)

生成器是⼀种特殊的迭代器，它可以通过函数来创建。⽣成器函数使⽤ yield 关键字来产⽣值，并且会保持函数的状态，以便在下⼀次调⽤时继续执⾏。⽣成器允许按需⽣成数据，⽽不必将所有数据存储在内存中。

⽣成器有两种创建⽅式：

使⽤⽣成器函数：定义⼀个函数，其中包含 yield 语句来⽣成值。

def countdown(n):
	while n > 0:
		yield n
		n -= 1
gen = countdown(5)
for num in gen:
	print(num)

使⽤⽣成器表达式：类似于列表推导式，但是使⽤圆括号⽽不是⽅括号，并且按需⽣成数据。

gen = (x for x in range(5))
for num in gen:
	print(num)

⽣成器通常⽤于处理⼤型数据集或需要逐个⽣成数据的情况，因为不需要⼀次性加载所有数据到内存中，从⽽节省了内存资源。

总之，迭代器和⽣成器都是处理迭代的强⼤⼯具，允许⾼效地处理⼤型数据集和按需⽣成数据。可以根据任务的需求选择使⽤哪种⽅式。

Q. 什么是异常处理？

异常处理是⼀种编程技术，⽤于在程序执⾏期间捕获、处理和处理可能发⽣的异常情况或错误。异常是指在程序执⾏过程中出现的不正常情况，可能导致程序崩溃或产⽣不可预料的结果。异常处理的⽬标是使程序能够优雅地应对异常情况，⽽不是因异常⽽终⽌或崩溃。

在Python中，异常处理通常使⽤ try 和 except 语句来实现。基本的异常处理结构如下：

try:
	# 可能引发异常的代码块
except ExceptionType:
	# 处理异常的代码块

try 语句块包含可能引发异常的代码，它会被监视以检查是否发⽣异常。
如果在 try 块中的代码引发了指定类型的异常（ ExceptionType ），则程序将跳转到与该异常匹配的 except 块，执⾏异常处理代码。
如果在 try 块中没有引发异常，则 except 块将被跳过，程序将继续执⾏ try 块之后的代码。

try:
	num = int(input("请输⼊⼀个整数："))
	result = 10 / num
except ZeroDivisionError:
	print("除以零错误")
except ValueError:
	print("输⼊不是有效的整数")
else:
	print("结果是：", result)
finally:
	print("结束")

else语句块中的代码会在try块没有抛出任何异常的情况下运行。
finally语句块中的代码无论是否发生异常都会被执行。

Q. Python断言(assert)

Python assert（断言）用于判断一个表达式，在表达式条件为 false 的时候触发异常。

断言可以在条件不满足程序运行的情况下直接返回错误，而不必等待程序运行后出现崩溃的情况，例如我们的代码只能在 Linux 系统下运行，可以先判断当前系统是否符合条件。

语法格式如下：

assert expression
#等价于：
if not expression:
    raise AssertionError
    
#assert后面也可以紧跟参数:

assert expression [, arguments]
#等价于：
if not expression:
    raise AssertionError(arguments)

例子：

>>> assert True     # 条件为 true 正常执行
>>> assert False    # 条件为 false 触发异常
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AssertionError
>>> assert 1==1    # 条件为 true 正常执行
>>> assert 1==2    # 条件为 false 触发异常
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AssertionError
 
>>> assert 1==2, '1 不等于 2'
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AssertionError: 1 不等于 2
>>>

Q. Python中`*` 和 `**`用法？

在 Python 中，* 和 ** 具有语法多义性，具体来说是有四类用法。

1.算数运算

>>> 2 * 5 #乘法
//10
>>> 2 ** 5 #乘方
//32

2.函数形参

*args 和 **kwargs 主要用于函数定义。

你可以将不定数量的参数传递给一个函数。不定的意思是：预先并不知道, 函数使用者会传递多少个参数给你, 所以在这个场景下使用这两个关键字。其实并不是必须写成 *args 和 **kwargs。 *(星号) 才是必须的. 你也可以写成 *ar 和 **k 。而写成 *args 和**kwargs 只是一个通俗的命名约定。

python函数传递参数的方式有两种：

位置参数（positional argument）
关键词参数（keyword argument）

*args 与 **kwargs 的区别，两者都是 python 中的可变参数：

*args 表示任何多个无名参数，它本质是一个 tuple
**kwargs 表示关键字参数，它本质上是一个 dict

如果同时使用 *args 和 **kwargs 时，必须 *args 参数列要在 **kwargs 之前。

>>> def fun(*args, **kwargs):
...     print('args=', args)
...     print('kwargs=', kwargs)
... 
>>> fun(1, 2, 3, 4, A='a', B='b', C='c', D='d')
//args= (1, 2, 3, 4)
//kwargs= {'A': 'a', 'B': 'b', 'C': 'c', 'D': 'd'}

使用*args：

>>> def fun(name, *args):
...     print('你好:', name)
...     for i in args:
...         print("你的宠物有:", i)
... 
>>> fun("Geek", "dog", "cat")
//你好: Geek
//你的宠物有: dog
//你的宠物有: cat

使用 **kwargs ：

>>> def fun(**kwargs):
...     for key, value in kwargs.items():
...         print("{0} 喜欢 {1}".format(key, value))
... 
>>> fun(Geek="cat", cat="box")
//Geek 喜欢 cat
//cat 喜欢 box

3.函数实参(解引用)
如果函数的形参是定长参数，也可以使用 *args 和 **kwargs 调用函数，类似对元组和字典进行解引用：

>>> def fun(data1, data2, data3):
...     print("data1: ", data1)
...     print("data2: ", data2)
...     print("data3: ", data3)
... 
>>> args = ("one", 2, 3)
>>> fun(*args)
data1:  one
data2:  2
data3:  3
>>> kwargs = {"data3": "one", "data2": 2, "data1": 3}
>>> fun(**kwargs)
data1:  3
data2:  2
data3:  one

4.序列解包
序列解包没有**

>>> a, b, *c = 0, 1, 2, 3  
>>> a  
0  
>>> b  
1  
>>> c  
[2, 3]