转载

Python面试必须要看的15个问题

本文由EarlGrey@编程派独家编译，转载请务必注明作者及出处。

原文： Sheena@codementor 译文：编程派

引言

想找一份Python开发工作吗？那你很可能得证明自己知道如何使用Python。下面这些问题涉及了与Python相关的许多技能，问题的关注点主要是语言本身，不是某个特定的包或模块。每一个问题都可以扩充为一个教程，如果可能的话。某些问题甚至会涉及多个领域。

我之前还没有出过和这些题目一样难的面试题，如果你能轻松地回答出来的话，赶紧去找份工作吧！

问题1

到底什么是Python？你可以在回答中与其他技术进行对比（也鼓励这样做）。

答案

下面是一些关键点：

Python是一种解释型语言。这就是说，与C语言和C的衍生语言不同，Python代码在运行之前不需要编译。其他解释型语言还包括PHP和Ruby。
Python是动态类型语言，指的是你在声明变量时，不需要说明变量的类型。你可以直接编写类似 x=111 和 x="I'm a string" 这样的代码，程序不会报错。
Python非常适合面向对象的编程（OOP），因为它支持通过组合（composition）与继承（inheritance）的方式定义类（class）。Python中没有访问说明符（access specifier，类似C++中的 public 和 private ），这么设计的依据是“大家都是成年人了”。
在Python语言中，函数是第一类对象（first-class objects）。这指的是它们可以被指定给变量，函数既能返回函数类型，也可以接受函数作为输入。类（class）也是第一类对象。
Python代码编写快，但是运行速度比编译语言通常要慢。好在Python允许加入基于C语言编写的扩展，因此我们能够优化代码，消除瓶颈，这点通常是可以实现的。 numpy 就是一个很好地例子，它的运行速度真的非常快，因为很多算术运算其实并不是通过Python实现的。
Python用途非常广泛——网络应用，自动化，科学建模，大数据应用，等等。它也常被用作“胶水语言”，帮助其他语言和组件改善运行状况。
Python让困难的事情变得容易，因此程序员可以专注于算法和数据结构的设计，而不用处理底层的细节。

为什么提这个问题：

如果你应聘的是一个Python开发岗位，你就应该知道这是门什么样的语言，以及它为什么这么酷。以及它哪里不好。

问题2

补充缺失的代码

def print_directory_contents(sPath):  """  这个函数接受文件夹的名称作为输入参数，  返回该文件夹中文件的路径，  以及其包含文件夹中文件的路径。  """  # 补充代码

答案

def print_directory_contents(sPath):     import os                                            for sChild in os.listdir(sPath):                         sChildPath = os.path.join(sPath,sChild)         if os.path.isdir(sChildPath):             print_directory_contents(sChildPath)         else:             print sChildPath

特别要注意以下几点：

命名规范要统一。如果样本代码中能够看出命名规范，遵循其已有的规范。
递归函数需要递归并终止。确保你明白其中的原理，否则你将面临无休无止的调用栈（callstack）。
我们使用 os 模块与操作系统进行交互，同时做到交互方式是可以跨平台的。你可以把代码写成 sChildPath = sPath + '/' + sChild ，但是这个在Windows系统上会出错。
熟悉基础模块是非常有价值的，但是别想破脑袋都背下来，记住Google是你工作中的良师益友。
如果你不明白代码的预期功能，就大胆提问。
坚持KISS原则！保持简单，不过脑子就能懂！

为什么提这个问题：

说明面试者对与操作系统交互的基础知识
递归真是太好用啦

问题3

阅读下面的代码，写出A0，A1至An的最终值。

A0 = dict(zip(('a','b','c','d','e'),(1,2,3,4,5))) A1 = range(10) A2 = [i for i in A1 if i in A0] A3 = [A0[s] for s in A0] A4 = [i for i in A1 if i in A3] A5 = {i:i*i for i in A1} A6 = [[i,i*i] for i in A1]

答案

A0 = {'a': 1, 'c': 3, 'b': 2, 'e': 5, 'd': 4} A1 = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] A2 = [] A3 = [1, 3, 2, 5, 4] A4 = [1, 2, 3, 4, 5] A5 = {0: 0, 1: 1, 2: 4, 3: 9, 4: 16, 5: 25, 6: 36, 7: 49, 8: 64, 9: 81} A6 = [[0, 0], [1, 1], [2, 4], [3, 9], [4, 16], [5, 25], [6, 36], [7, 49], [8, 64], [9, 81]]

为什么提这个问题：

列表解析（list comprehension）十分节约时间，对很多人来说也是一个大的学习障碍。
如果你读懂了这些代码，就很可能可以写下正确地值。
其中部分代码故意写的怪怪的。因为你共事的人之中也会有怪人。

问题4

Python和多线程（multi-threading）。这是个好主意码？列举一些让Python代码以并行方式运行的方法。

答案

Python并不支持真正意义上的多线程。Python中提供了多线程包，但是如果你想通过多线程提高代码的速度，使用多线程包并不是个好主意。Python中有一个被称为Global Interpreter Lock（GIL）的东西，它会确保任何时候你的多个线程中，只有一个被执行。线程的执行速度非常之快，会让你误以为线程是并行执行的，但是实际上都是轮流执行。经过GIL这一道关卡处理，会增加执行的开销。这意味着，如果你想提高代码的运行速度，使用 threading 包并不是一个很好的方法。

不过还是有很多理由促使我们使用 threading 包的。如果你想同时执行一些任务，而且不考虑效率问题，那么使用这个包是完全没问题的，而且也很方便。但是大部分情况下，并不是这么一回事，你会希望把多线程的部分外包给操作系统完成（通过开启多个进程），或者是某些调用你的Python代码的外部程序（例如Spark或Hadoop），又或者是你的Python代码调用的其他代码（例如，你可以在Python中调用C函数，用于处理开销较大的多线程工作）。

为什么提这个问题

因为GIL就是个混账东西（A-hole）。很多人花费大量的时间，试图寻找自己多线程代码中的瓶颈，直到他们明白GIL的存在。

问题5

你如何管理不同版本的代码？

答案：

版本管理！被问到这个问题的时候，你应该要表现得很兴奋，甚至告诉他们你是如何使用Git（或是其他你最喜欢的工具）追踪自己和奶奶的书信往来。我偏向于使用Git作为版本控制系统（VCS），但还有其他的选择，比如subversion（SVN）。

为什么提这个问题：

因为没有版本控制的代码，就像没有杯子的咖啡。有时候我们需要写一些一次性的、可以随手扔掉的脚本，这种情况下不作版本控制没关系。但是如果你面对的是大量的代码，使用版本控制系统是有利的。版本控制能够帮你追踪谁对代码库做了什么操作；发现新引入了什么bug；管理你的软件的不同版本和发行版；在团队成员中分享源代码；部署及其他自动化处理。它能让你回滚到出现问题之前的版本，单凭这点就特别棒了。还有其他的好功能。怎么一个棒字了得！

问题6

下面代码会输出什么：

def f(x,l=[]):  for i in range(x):   l.append(i*i)  print l f(2) f(3,[3,2,1]) f(3)

答案：

[0, 1] [3, 2, 1, 0, 1, 4] [0, 1, 0, 1, 4]

呃？

第一个函数调用十分明显，for循环先后将0和1添加至了空列表 l 中。 l 是变量的名字，指向内存中存储的一个列表。第二个函数调用在一块新的内存中创建了新的列表。 l 这时指向了新生成的列表。之后再往新列表中添加0、1、2和4。很棒吧。第三个函数调用的结果就有些奇怪了。它使用了之前内存地址中存储的旧列表。这就是为什么它的前两个元素是0和1了。

不明白的话就试着运行下面的代码吧：

l_mem = [] l = l_mem     # the first call for i in range(2):  l.append(i*i) print l    # [0, 1] l = [3,2,1]   # the second call for i in range(3):  l.append(i*i) print l    # [3, 2, 1, 0, 1, 4] l = l_mem     # the third call for i in range(3):  l.append(i*i) print l    # [0, 1, 0, 1, 4]

问题7

“猴子补丁”（monkey patching）指的是什么？这种做法好吗？

答案：

“猴子补丁”就是指，在函数或对象已经定义之后，再去改变它们的行为。

举个例子：

import datetime datetime.datetime.now = lambda: datetime.datetime(2012, 12, 12)

大部分情况下，这是种很不好的做法 - 因为函数在代码库中的行为最好是都保持一致。打“猴子补丁”的原因可能是为了测试。 mock 包对实现这个目的很有帮助。

为什么提这个问题？

答对这个问题说明你对单元测试的方法有一定了解。你如果提到要避免“猴子补丁”，可以说明你不是那种喜欢花里胡哨代码的程序员（公司里就有这种人，跟他们共事真是糟糕透了），而是更注重可维护性。还记得KISS原则码？答对这个问题还说明你明白一些Python底层运作的方式，函数实际是如何存储、调用等等。

另外：如果你没读过 mock 模块的话，真的值得花时间读一读。这个模块非常有用。

问题8

这两个参数是什么意思： *args ， **kwargs ？我们为什么要使用它们？

答案

如果我们不确定要往函数中传入多少个参数，或者我们想往函数中以列表和元组的形式传参数时，那就使要用 *args ；如果我们不知道要往函数中传入多少个关键词参数，或者想传入字典的值作为关键词参数时，那就要使用 **kwargs 。 args 和 kwargs 这两个标识符是约定俗成的用法，你当然还可以用 *bob 和 **billy ，但是这样就并不太妥。

下面是具体的示例：

def f(*args,**kwargs): print args, kwargs  l = [1,2,3] t = (4,5,6) d = {'a':7,'b':8,'c':9}  f() f(1,2,3)                    # (1, 2, 3) {} f(1,2,3,"groovy")           # (1, 2, 3, 'groovy') {} f(a=1,b=2,c=3)              # () {'a': 1, 'c': 3, 'b': 2} f(a=1,b=2,c=3,zzz="hi")     # () {'a': 1, 'c': 3, 'b': 2, 'zzz': 'hi'} f(1,2,3,a=1,b=2,c=3)        # (1, 2, 3) {'a': 1, 'c': 3, 'b': 2}  f(*l,**d)                   # (1, 2, 3) {'a': 7, 'c': 9, 'b': 8} f(*t,**d)                   # (4, 5, 6) {'a': 7, 'c': 9, 'b': 8} f(1,2,*t)                   # (1, 2, 4, 5, 6) {} f(q="winning",**d)          # () {'a': 7, 'q': 'winning', 'c': 9, 'b': 8} f(1,2,*t,q="winning",**d)   # (1, 2, 4, 5, 6) {'a': 7, 'q': 'winning', 'c': 9, 'b': 8}  def f2(arg1,arg2,*args,**kwargs): print arg1,arg2, args, kwargs  f2(1,2,3)                       # 1 2 (3,) {} f2(1,2,3,"groovy")              # 1 2 (3, 'groovy') {} f2(arg1=1,arg2=2,c=3)           # 1 2 () {'c': 3} f2(arg1=1,arg2=2,c=3,zzz="hi")  # 1 2 () {'c': 3, 'zzz': 'hi'} f2(1,2,3,a=1,b=2,c=3)           # 1 2 (3,) {'a': 1, 'c': 3, 'b': 2}  f2(*l,**d)                   # 1 2 (3,) {'a': 7, 'c': 9, 'b': 8} f2(*t,**d)                   # 4 5 (6,) {'a': 7, 'c': 9, 'b': 8} f2(1,2,*t)                   # 1 2 (4, 5, 6) {} f2(1,1,q="winning",**d)      # 1 1 () {'a': 7, 'q': 'winning', 'c': 9, 'b': 8} f2(1,2,*t,q="winning",**d)   # 1 2 (4, 5, 6) {'a': 7, 'q': 'winning', 'c': 9, 'b': 8}

为什么提这个问题？

有时候，我们需要往函数中传入未知个数的参数或关键词参数。有时候，我们也希望把参数或关键词参数储存起来，以备以后使用。有时候，仅仅是为了节省时间。

问题9

下面这些是什么意思： @classmethod , @staticmethod , @property ？

回答背景知识

这些都是装饰器（decorator）。装饰器是一种特殊的函数，要么接受函数作为输入参数，并返回一个函数，要么接受一个类作为输入参数，并返回一个类。@标记是语法糖（syntactic sugar），可以让你以简单易读得方式装饰目标对象。

@my_decorator def my_func(stuff):  do_things Is equivalent to def my_func(stuff):  do_things my_func = my_decorator(my_func)

你可以在本网站上找到介绍装饰器工作原理的教材。

真正的答案

@classmethod , @staticmethod 和 @property 这三个装饰器的使用对象是在类中定义的函数。下面的例子展示了它们的用法和行为：

class MyClass(object):  def __init__(self):   self._some_property = "properties are nice"   self._some_other_property = "VERY nice"  def normal_method(*args,**kwargs):   print "calling normal_method({0},{1})".format(args,kwargs)  @classmethod  def class_method(*args,**kwargs):   print "calling class_method({0},{1})".format(args,kwargs)  @staticmethod  def static_method(*args,**kwargs):   print "calling static_method({0},{1})".format(args,kwargs)  @property  def some_property(self,*args,**kwargs):   print "calling some_property getter({0},{1},{2})".format(self,args,kwargs)   return self._some_property  @some_property.setter  def some_property(self,*args,**kwargs):   print "calling some_property setter({0},{1},{2})".format(self,args,kwargs)   self._some_property = args[0]  @property  def some_other_property(self,*args,**kwargs):   print "calling some_other_property getter({0},{1},{2})".format(self,args,kwargs)   return self._some_other_property o = MyClass() # 未装饰的方法还是正常的行为方式，需要当前的类实例（self）作为第一个参数。 o.normal_method  # <bound method MyClass.normal_method of <__main__.MyClass instance at 0x7fdd2537ea28>> o.normal_method()  # normal_method((<__main__.MyClass instance at 0x7fdd2537ea28>,),{}) o.normal_method(1,2,x=3,y=4)  # normal_method((<__main__.MyClass instance at 0x7fdd2537ea28>, 1, 2),{'y': 4, 'x': 3}) # 类方法的第一个参数永远是该类 o.class_method # <bound method classobj.class_method of <class __main__.MyClass at 0x7fdd2536a390>> o.class_method() # class_method((<class __main__.MyClass at 0x7fdd2536a390>,),{}) o.class_method(1,2,x=3,y=4) # class_method((<class __main__.MyClass at 0x7fdd2536a390>, 1, 2),{'y': 4, 'x': 3}) # 静态方法（static method）中除了你调用时传入的参数以外，没有其他的参数。 o.static_method # <function static_method at 0x7fdd25375848> o.static_method() # static_method((),{}) o.static_method(1,2,x=3,y=4) # static_method((1, 2),{'y': 4, 'x': 3}) # @property是实现getter和setter方法的一种方式。直接调用它们是错误的。 # “只读”属性可以通过只定义getter方法，不定义setter方法实现。 o.some_property # 调用some_property的getter(<__main__.MyClass instance at 0x7fb2b70877e8>,(),{}) # 'properties are nice' # “属性”是很好的功能 o.some_property() # calling some_property getter(<__main__.MyClass instance at 0x7fb2b70877e8>,(),{}) # Traceback (most recent call last): #   File "<stdin>", line 1, in <module> # TypeError: 'str' object is not callable o.some_other_property # calling some_other_property getter(<__main__.MyClass instance at 0x7fb2b70877e8>,(),{}) # 'VERY nice' # o.some_other_property() # calling some_other_property getter(<__main__.MyClass instance at 0x7fb2b70877e8>,(),{}) # Traceback (most recent call last): #   File "<stdin>", line 1, in <module> # TypeError: 'str' object is not callable o.some_property = "groovy" # calling some_property setter(<__main__.MyClass object at 0x7fb2b7077890>,('groovy',),{}) o.some_property # calling some_property getter(<__main__.MyClass object at 0x7fb2b7077890>,(),{}) # 'groovy' o.some_other_property = "very groovy" # Traceback (most recent call last): #   File "<stdin>", line 1, in <module> # AttributeError: can't set attribute o.some_other_property # calling some_other_property getter(<__main__.MyClass object at 0x7fb2b7077890>,(),{})

问题10

阅读下面的代码，它的输出结果是什么？

class A(object):  def go(self):   print "go A go!"  def stop(self):   print "stop A stop!"  def pause(self):   raise Exception("Not Implemented") class B(A):  def go(self):   super(B, self).go()   print "go B go!" class C(A):  def go(self):   super(C, self).go()   print "go C go!"  def stop(self):   super(C, self).stop()   print "stop C stop!" class D(B,C):  def go(self):   super(D, self).go()   print "go D go!"  def stop(self):   super(D, self).stop()   print "stop D stop!"  def pause(self):   print "wait D wait!" class E(B,C): pass a = A() b = B() c = C() d = D() e = E() # 说明下列代码的输出结果 a.go() b.go() c.go() d.go() e.go() a.stop() b.stop() c.stop() d.stop() e.stop() a.pause() b.pause() c.pause() d.pause() e.pause()

答案

输出结果以注释的形式表示：

a.go() # go A go!  b.go() # go A go! # go B go!  c.go() # go A go! # go C go!  d.go() # go A go! # go C go! # go B go! # go D go!  e.go() # go A go! # go C go! # go B go!  a.stop() # stop A stop!  b.stop() # stop A stop!  c.stop() # stop A stop! # stop C stop!  d.stop() # stop A stop! # stop C stop! # stop D stop!  e.stop() # stop A stop!  a.pause() # ... Exception: Not Implemented  b.pause() # ... Exception: Not Implemented  c.pause() # ... Exception: Not Implemented  d.pause() # wait D wait!  e.pause() # ...Exception: Not Implemented

为什么提这个问题？

因为面向对象的编程真的真的很重要。不骗你。答对这道问题说明你理解了继承和Python中 super 函数的用法。

问题11

阅读下面的代码，它的输出结果是什么？

class Node(object):  def __init__(self,sName):   self._lChildren = []   self.sName = sName  def __repr__(self):   return "<Node '{}'>".format(self.sName)  def append(self,*args,**kwargs):   self._lChildren.append(*args,**kwargs)  def print_all_1(self):   print self   for oChild in self._lChildren:    oChild.print_all_1()  def print_all_2(self):   def gen(o):    lAll = [o,]    while lAll:     oNext = lAll.pop(0)     lAll.extend(oNext._lChildren)     yield oNext   for oNode in gen(self):    print oNode oRoot = Node("root") oChild1 = Node("child1") oChild2 = Node("child2") oChild3 = Node("child3") oChild4 = Node("child4") oChild5 = Node("child5") oChild6 = Node("child6") oChild7 = Node("child7") oChild8 = Node("child8") oChild9 = Node("child9") oChild10 = Node("child10") oRoot.append(oChild1) oRoot.append(oChild2) oRoot.append(oChild3) oChild1.append(oChild4) oChild1.append(oChild5) oChild2.append(oChild6) oChild4.append(oChild7) oChild3.append(oChild8) oChild3.append(oChild9) oChild6.append(oChild10) # 说明下面代码的输出结果 oRoot.print_all_1() oRoot.print_all_2()

答案

oRoot.print_all_1() 会打印下面的结果：

<Node 'root'> <Node 'child1'> <Node 'child4'> <Node 'child7'> <Node 'child5'> <Node 'child2'> <Node 'child6'> <Node 'child10'> <Node 'child3'> <Node 'child8'> <Node 'child9'>

oRoot.print_all_1() 会打印下面的结果：

<Node 'root'> <Node 'child1'> <Node 'child2'> <Node 'child3'> <Node 'child4'> <Node 'child5'> <Node 'child6'> <Node 'child8'> <Node 'child9'> <Node 'child7'> <Node 'child10'>

为什么提这个问题？

因为对象的精髓就在于组合（composition）与对象构造（object construction）。对象需要有组合成分构成，而且得以某种方式初始化。这里也涉及到递归和生成器（generator）的使用。

生成器是很棒的数据类型。你可以只通过构造一个很长的列表，然后打印列表的内容，就可以取得与 print_all_2 类似的功能。生成器还有一个好处，就是不用占据很多内存。

有一点还值得指出，就是 print_all_1 会以深度优先（depth-first）的方式遍历树(tree),而 print_all_2 则是宽度优先（width-first）。有时候，一种遍历方式比另一种更合适。但这要看你的应用的具体情况。

问题12

简要描述Python的垃圾回收机制（garbage collection）。

答案

这里能说的很多。你应该提到下面几个主要的点：

Python在内存中存储了每个对象的引用计数（reference count）。如果计数值变成0，那么相应的对象就会小时，分配给该对象的内存就会释放出来用作他用。
偶尔也会出现 引用循环 （reference cycle）。垃圾回收器会定时寻找这个循环，并将其回收。举个例子，假设有两个对象 o1 和 o2 ，而且符合 o1.x == o2 和 o2.x == o1 这两个条件。如果 o1 和 o2 没有其他代码引用，那么它们就不应该继续存在。但它们的引用计数都是1。
Python中使用了某些启发式算法（heuristics）来加速垃圾回收。例如，越晚创建的对象更有可能被回收。对象被创建之后，垃圾回收器会分配它们所属的代（generation）。每个对象都会被分配一个代，而被分配更年轻代的对象是优先被处理的。

问题13

将下面的函数按照执行效率高低排序。它们都接受由0至1之间的数字构成的列表作为输入。这个列表可以很长。一个输入列表的示例如下： [random.random() for i in range(100000)] 。你如何证明自己的答案是正确的。

def f1(lIn):  l1 = sorted(lIn)  l2 = [i for i in l1 if i<0.5]  return [i*i for i in l2] def f2(lIn):  l1 = [i for i in lIn if i<0.5]  l2 = sorted(l1)  return [i*i for i in l2] def f3(lIn):  l1 = [i*i for i in lIn]  l2 = sorted(l1)  return [i for i in l1 if i<(0.5*0.5)]

答案

按执行效率从高到低排列：f2、f1和f3。要证明这个答案是对的，你应该知道如何分析自己代码的性能。Python中有一个很好的程序分析包，可以满足这个需求。

import cProfile lIn = [random.random() for i in range(100000)] cProfile.run('f1(lIn)') cProfile.run('f2(lIn)') cProfile.run('f3(lIn)')

为了向大家进行完整地说明，下面我们给出上述分析代码的输出结果：

>>> cProfile.run('f1(lIn)')      4 function calls in 0.045 seconds    Ordered by: standard name    ncalls  tottime  percall  cumtime  percall filename:lineno(function)     1    0.009    0.009    0.044    0.044 <stdin>:1(f1)     1    0.001    0.001    0.045    0.045 <string>:1(<module>)     1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}     1    0.035    0.035    0.035    0.035 {sorted} >>> cProfile.run('f2(lIn)')      4 function calls in 0.024 seconds    Ordered by: standard name    ncalls  tottime  percall  cumtime  percall filename:lineno(function)     1    0.008    0.008    0.023    0.023 <stdin>:1(f2)     1    0.001    0.001    0.024    0.024 <string>:1(<module>)     1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}     1    0.016    0.016    0.016    0.016 {sorted} >>> cProfile.run('f3(lIn)')      4 function calls in 0.055 seconds    Ordered by: standard name    ncalls  tottime  percall  cumtime  percall filename:lineno(function)     1    0.016    0.016    0.054    0.054 <stdin>:1(f3)     1    0.001    0.001    0.055    0.055 <string>:1(<module>)     1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}     1    0.038    0.038    0.038    0.038 {sorted}