【面试宝典】深入Python高级：直戳痛点的题目演示（上）

🍔 你知道深浅拷⻉的区别吗？

🍔 字典反转，列表反转的实现？

🍔 装饰器是什么，什么场景⽤到装饰器，举个例⼦？

🍔 装饰器的实质是什么？

🍔 Python迭代器是什么？什么场景⽤到迭代器？举⼀个例⼦？

🍔 Python⽣成器是什么？什么场景⽤到迭代器？举⼀个例⼦？

🍔 Python多线程与多进程的区别是什么？

🍔 请写⼀段Python代码实现删除⼀个list⾥⾯的重复元素

🍔 请设计⼀个decorator，它可作⽤于任何函数上，并打印该函数的执⾏时间。

🍔 装饰器的实质是什么？

🍔 你知道深浅拷⻉的区别吗？

浅拷⻉：拷⻉的是对象的引⽤，如果原对象改变，相应的拷⻉对象也会发⽣改变
深拷⻉：拷⻉对象中的每个元素，拷⻉对象和原有对象不在有关系，两个是独⽴的对象
直接赋值：其实就是对象的引⽤（别名）。
浅拷⻉(copy)：拷⻉⽗对象，不会拷⻉对象的内部的⼦对象。
深拷⻉(deepcopy)： copy 模块的 deepcopy ⽅法，完全拷⻉了⽗对象及其⼦对象。

🍔 字典反转，列表反转的实现？

列表的反转：reversed 函数、sorted函数、切⽚技术、循环，递归，四种⽅式
字典的反转：循环，推导式，压缩器三种⽅式

列表反转：

字典反转：

🍔 装饰器是什么，什么场景⽤到装饰器，举个例⼦？

装饰器（Decorator）是⼀种结构型设计模式，它可以动态地给⼀个对象添加额外的职责，同时⼜不改变其原有的接⼝和实现。通俗地说，就是通过组合的⽅式，为对象添加新的⾏为或特性。在Python语⾔中，装饰器是⼀种语法糖，可以通过定义函数或类来实现。装饰器可以⽤于很多场景。

场景举例：

1）⽇志记录：可以定义⼀个装饰器函数，⽤于在函数调⽤时记录⽇志信息，如函数的参数、返回值等。

2）性能分析：可以定义⼀个装饰器函数，⽤于在函数调⽤时计算函数的执⾏时间，以便进⾏性能优化。

3）权限校验：可以定义⼀个装饰器函数，⽤于在函数调⽤时进⾏⽤户权限校验，以确保只有具有相应权限的⽤户可以访问该函数。

下⾯是⼀个装饰器的例⼦，⽤于记录函数的执⾏时间：

import time
def time_it(func):
 def wrapper(*args, **kwargs):
 start_time = time.time()
 result = func(*args, **kwargs)
 end_time = time.time()
 print(f"函数 {func.__name__} 执⾏时间为：{end_time - start_time} 秒")
 return result
 return wrapper
@time_it
def my_function():
 time.sleep(2)
 print("Hello, World!")
my_function()

在这个例⼦中，我们定义了⼀个装饰器函数 time_it ，它接受⼀个函数作为参数，并返回⼀个新的函数 wrapper 。 wrapper 函数可以记录函数执⾏前后的时间，并输出执⾏时间信息。在 my_function 函数前⾯加上 @time_it 装饰器，表示对 my_function 函数应⽤ time_it 装饰器。当调⽤ my_function 函数时，实际上会调⽤被 time_it 装饰过的 wrapper 函数，从⽽记录函数的执⾏时间。

🍔 装饰器的实质是什么？

装饰器实质：装饰器是要把原来的函数装饰成新的函数，并且返回这个函数本身的⾼阶函数。

🍔 Python迭代器是什么？什么场景⽤到迭代器？举⼀个例⼦？

迭代器（Iterator）是⼀个可以迭代访问序列元素的对象。

迭代器对象实现了两个⽅法：

__iter__()和__next__()。

__iter__()⽅法返回迭代器对象本身
__next__()⽅法返回下⼀个元素。

迭代器常⽤于遍历序列、集合、字典等容器类型数据。

它的优点是可以惰性计算（lazy evaluation），即只有在需要时才会计算，避免了⼀次性加载所有数据的开销，同时也可以节省内存空间。

使⽤迭代器通常有以下场景：

遍历⼤量数据集合：当需要处理⼤量的数据集合时，使⽤迭代器可以避免⼀次性加载所有数据，节省内存空间。
实现⾃定义迭代器：当需要遍历⾃定义数据结构时，可以通过实现迭代器对象的__iter__()和 __next__()⽅法来实现⾃定义迭代器。
实现惰性计算：当需要进⾏惰性计算时，可以使⽤迭代器来实现，例如通过filter()、map()等⾼阶函数返回⼀个迭代器对象来进⾏惰性计算。

下⾯是⼀个使⽤迭代器遍历列表的例⼦：

my_list = [1, 2, 3, 4, 5]
my_iterator = iter(my_list)
while True:
 try:
 item = next(my_iterator)
 print(item)
 except StopIteration:
 break

在这个例⼦中，我们通过 iter() 函数将列表 my_list 转化为⼀个迭代器对象 my_iterator ，然后使⽤ while 循环和 next() 函数来依次访问迭代器中的元素。当所有元素都被访问完毕时，迭代器会抛出 StopIteration 异常，这时我们就可以跳出循环。

🍔 Python⽣成器是什么？什么场景⽤到迭代器？举⼀个例⼦？

⽣成器（Generator）是⼀种特殊的迭代器，它使⽤⽣成器函数来⽣成序列中的元素，⽽不是在内存中⼀次性⽣成所有元素。

⽣成器函数是使⽤yield关键字定义的函数，每次调⽤⽣成器函数时，它会返回⼀个迭代器对象，调⽤ next()⽅法时，它会从上次暂停的位置继续执⾏，直到遇到下⼀个yield语句，然后返回⼀个值，并再次暂停。因此，⽣成器可以惰性地⽣成序列中的元素，并在需要时逐个⽣成元素，避免了⼀次性⽣成所有元素所带来的内存消耗。

使⽤⽣成器的场景包括：

⽣成⼤量的数据集合：当需要⽣成⼤量数据时，使⽤⽣成器可以避免⼀次性占⽤⼤量内存空间。
实现⾃定义的迭代器：当需要⾃定义迭代器对象时，可以使⽤⽣成器函数来实现，避免了繁琐的迭代器对象的定义。
实现惰性计算：当需要进⾏惰性计算时，可以使⽤⽣成器来实现，例如通过filter()、map()等⾼阶函数返回⼀个⽣成器对象来进⾏惰性计算。

下⾯是⼀个使⽤⽣成器函数⽣成斐波那契数列的例⼦：

def fibonacci(n):
 a, b = 0, 1
 for i in range(n):
 yield a
 a, b = b, a + b
fib = fibonacci(10)
for num in fib:
print(num)

在这个例⼦中，我们定义了⼀个⽣成器函数 fibonacci() ，它的参数 n 表示需要⽣成的斐波那契数列的⻓度。在函数中，我们使⽤ yield 语句返回斐波那契数列中的每⼀个元素，这样每次调⽤ next() 函数时，它会返回下⼀个元素，并在下次调⽤时从上次暂停的位置继续执⾏。最后，我们使⽤ for 循环遍历⽣成器对象，并打印出每个元素。

🍔 Python多线程与多进程的区别是什么？

在UNIX平台上，当某个进程终结之后，该进程需要被其⽗进程调⽤wait，否则进程成为僵⼫进程 (Zombie)。
所以，有必要对每个Process对象调⽤join()⽅法 (实际上等同于wait)。对于多线程来说，由于只有⼀个进程，所以不存在此必要性。

多进程应该避免共享资源。在多线程中，我们可以⽐较容易地共享资源，⽐如使⽤全局变量或者传递参数。在多进程情况下，由于每个进程有⾃⼰独⽴的内存空间，以上⽅法并不合适。
此时我们可以通过共享内存和Manager的⽅法来共享资源。但这样做提⾼了程序的复杂度，并因为同步的需要⽽降低了程序的效率。

🍔 请写⼀段Python代码实现删除⼀个list⾥⾯的重复元素

主要⽤到了set()函数。

l = [1,1,2,3,4,5,4]

>>> list(set(l))

>>> [1, 2,3,4,5]

代码演示：

mylist=[1,1,2,3,4,5,4]
d = {}
for x in mylist:
d[x] = 1
mylist = list(d.keys())
print(mylist)

🍔 请设计⼀个decorator，它可作⽤于任何函数上，并打印该函数的执⾏时间。

# -*- coding: utf-8 -*-
import time, functoolsdef metric(fn):
 @functools.wraps(fn)
 def wrapper(*args, **kw):
 time0 = time.time()
 ret = fn(*args, **kw)
 time1 = time.time()
 print('%s executed in %s ms' % (fn.__name__, time1-time0))
 return ret
 return wrapper