本文由[email protected]程式設計派獨家編譯，轉載請務必註明作者及出處。

 

引言

想找一份Python開發工作嗎？那你很可能得證明自己知道如何使用Python。下面這些問題涉及了與Python相關的許多技能，問題的關注點主要是語言本身，不是某個特定的包或模組。每一個問題都可以擴充為一個教程，如果可能的話。某些問題甚至會涉及多個領域。

我之前還沒有出過和這些題目一樣難的面試題，如果你能輕鬆地回答出來的話，趕緊去找份工作吧！

問題1

到底什麼是Python？你可以在回答中與其他技術進行對比（也鼓勵這樣做）。

答案

下面是一些關鍵點：

• Python是一種解釋型語言。這就是說，與C語言和C的衍生語言不同，Python程式碼在執行之前不需要編譯。其他解釋型語言還包括PHP和Ruby。
• Python是動態型別語言，指的是你在宣告變數時，不需要說明變數的型別。你可以直接編寫類似x=111和x="I'm a string"這樣的程式碼，程式不會報錯。
• Python非常適合面向物件的程式設計（OOP），因為它支援通過組合（composition）與繼承（inheritance）的方式定義類（class）。Python中沒有訪問說明符（access specifier，類似C++中的public和private），這麼設計的依據是“大家都是成年人了”。
• 在Python語言中，函式是第一類物件（first-class objects）。這指的是它們可以被指定給變數，函式既能返回函式型別，也可以接受函式作為輸入。類（class）也是第一類物件。
• Python程式碼編寫快，但是執行速度比編譯語言通常要慢。好在Python允許加入基於C語言編寫的擴充套件，因此我們能夠優化程式碼，消除瓶頸，這點通常是可以實現的。numpy就是一個很好地例子，它的執行速度真的非常快，因為很多算術運算其實並不是通過Python實現的。
• Python用途非常廣泛——網路應用，自動化，科學建模，大資料應用，等等。它也常被用作“膠水語言”，幫助其他語言和元件改善執行狀況。
• Python讓困難的事情變得容易，因此程式設計師可以專注於演算法和資料結構的設計，而不用處理底層的細節。

為什麼提這個問題：

如果你應聘的是一個Python開發崗位，你就應該知道這是門什麼樣的語言，以及它為什麼這麼酷。以及它哪裡不好。

問題2

補充缺失的程式碼

def print_directory_contents(sPath):
    """
    這個函式接受資料夾的名稱作為輸入引數，
    返回該資料夾中檔案的路徑，
    以及其包含資料夾中檔案的路徑。

    """
    # 補充程式碼

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

特別要注意以下幾點：

• 命名規範要統一。如果樣本程式碼中能夠看出命名規範，遵循其已有的規範。
• 遞迴函式需要遞歸併終止。確保你明白其中的原理，否則你將面臨無休無止的呼叫棧（callstack）。
• 我們使用os模組與作業系統進行互動，同時做到互動方式是可以跨平臺的。你可以把程式碼寫成sChildPath = sPath + '/' + sChild，但是這個在Windows系統上會出錯。
• 熟悉基礎模組是非常有價值的，但是別想破腦袋都背下來，記住Google是你工作中的良師益友。
• 如果你不明白程式碼的預期功能，就大膽提問。
• 堅持KISS原則！保持簡單，不過腦子就能懂！

為什麼提這個問題：

• 說明面試者對與作業系統互動的基礎知識
• 遞迴真是太好用啦

問題3

閱讀下面的程式碼，寫出A0，A1至An的最終值。

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]]

為什麼提這個問題：

• 列表解析（list comprehension）十分節約時間，對很多人來說也是一個大的學習障礙。
• 如果你讀懂了這些程式碼，就很可能可以寫下正確地值。
• 其中部分程式碼故意寫的怪怪的。因為你共事的人之中也會有怪人。

問題4

Python和多執行緒（multi-threading）。這是個好主意碼？列舉一些讓Python程式碼以並行方式執行的方法。

答案

Python並不支援真正意義上的多執行緒。Python中提供了多執行緒包，但是如果你想通過多執行緒提高程式碼的速度，使用多執行緒包並不是個好主意。Python中有一個被稱為Global Interpreter Lock（GIL）的東西，它會確保任何時候你的多個執行緒中，只有一個被執行。執行緒的執行速度非常之快，會讓你誤以為執行緒是並行執行的，但是實際上都是輪流執行。經過GIL這一道關卡處理，會增加執行的開銷。這意味著，如果你想提高程式碼的執行速度，使用threading包並不是一個很好的方法。

不過還是有很多理由促使我們使用threading包的。如果你想同時執行一些任務，而且不考慮效率問題，那麼使用這個包是完全沒問題的，而且也很方便。但是大部分情況下，並不是這麼一回事，你會希望把多執行緒的部分外包給作業系統完成（通過開啟多個程序），或者是某些呼叫你的Python程式碼的外部程式（例如Spark或Hadoop），又或者是你的Python程式碼呼叫的其他程式碼（例如，你可以在Python中呼叫C函式，用於處理開銷較大的多執行緒工作）。

為什麼提這個問題

因為GIL就是個混賬東西（A-hole）。很多人花費大量的時間，試圖尋找自己多執行緒程式碼中的瓶頸，直到他們明白GIL的存在。

問題5

你如何管理不同版本的程式碼？

答案：

版本管理！被問到這個問題的時候，你應該要表現得很興奮，甚至告訴他們你是如何使用Git（或是其他你最喜歡的工具）追蹤自己和奶奶的書信往來。我偏向於使用Git作為版本控制系統（VCS），但還有其他的選擇，比如subversion（SVN）。

為什麼提這個問題：

因為沒有版本控制的程式碼，就像沒有杯子的咖啡。有時候我們需要寫一些一次性的、可以隨手扔掉的指令碼，這種情況下不作版本控制沒關係。但是如果你面對的是大量的程式碼，使用版本控制系統是有利的。版本控制能夠幫你追蹤誰對程式碼庫做了什麼操作；發現新引入了什麼bug；管理你的軟體的不同版本和發行版；在團隊成員中分享原始碼；部署及其他自動化處理。它能讓你回滾到出現問題之前的版本，單憑這點就特別棒了。還有其他的好功能。怎麼一個棒字了得！

問題6

下面程式碼會輸出什麼：

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？

第一個函式呼叫十分明顯，for迴圈先後將0和1新增至了空列表l中。l是變數的名字，指向記憶體中儲存的一個列表。第二個函式呼叫在一塊新的記憶體中建立了新的列表。l這時指向了新生成的列表。之後再往新列表中新增0、1、2和4。很棒吧。第三個函式呼叫的結果就有些奇怪了。它使用了之前記憶體地址中儲存的舊列表。這就是為什麼它的前兩個元素是0和1了。

不明白的話就試著執行下面的程式碼吧：

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]

問題7

“猴子補丁”（monkey patching）指的是什麼？這種做法好嗎？

答案：

“猴子補丁”就是指，在函式或物件已經定義之後，再去改變它們的行為。

舉個例子：

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

大部分情況下，這是種很不好的做法 - 因為函式在程式碼庫中的行為最好是都保持一致。打“猴子補丁”的原因可能是為了測試。mock包對實現這個目的很有幫助。

為什麼提這個問題？

答對這個問題說明你對單元測試的方法有一定了解。你如果提到要避免“猴子補丁”，可以說明你不是那種喜歡花裡胡哨程式碼的程式設計師（公司裡就有這種人，跟他們共事真是糟糕透了），而是更注重可維護性。還記得KISS原則碼？答對這個問題還說明你明白一些Python底層運作的方式，函式實際是如何儲存、呼叫等等。

另外：如果你沒讀過mock模組的話，真的值得花時間讀一讀。這個模組非常有用。

問題8

這兩個引數是什麼意思：*args，**kwargs？我們為什麼要使用它們？

答案

如果我們不確定要往函式中傳入多少個引數，或者我們想往函式中以列表和元組的形式傳引數時，那就使要用*args；如果我們不知道要往函式中傳入多少個關鍵詞引數，或者想傳入字典的值作為關鍵詞引數時，那就要使用**kwargs。args和kwargs這兩個識別符號是約定俗成的用法，你當然還可以用*bob和**billy，但是這樣就並不太妥。

下面是具體的示例：

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}

為什麼提這個問題？

有時候，我們需要往函式中傳入未知個數的引數或關鍵詞引數。有時候，我們也希望把引數或關鍵詞引數儲存起來，以備以後使用。有時候，僅僅是為了節省時間。

問題9

下面這些是什麼意思：@classmethod, @staticmethod, @property？

回答背景知識

這些都是裝飾器（decorator）。裝飾器是一種特殊的函式，要麼接受函式作為輸入引數，並返回一個函式，要麼接受一個類作為輸入引數，並返回一個類。@標記是語法糖（syntactic sugar），可以讓你以簡單易讀得方式裝飾目標物件。

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

def my_func(stuff):
    do_things

my_func = my_decorator(my_func)

你可以在本網站上找到介紹裝飾器工作原理的教材。

真正的答案

@classmethod, @staticmethod和@property這三個裝飾器的使用物件是在類中定義的函式。下面的例子展示了它們的用法和行為：

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()
# 未裝飾的方法還是正常的行為方式，需要當前的類例項（self）作為第一個引數。

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})

# 類方法的第一個引數永遠是該類

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})

# 靜態方法（static method）中除了你呼叫時傳入的引數以外，沒有其他的引數。

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是實現getter和setter方法的一種方式。直接呼叫它們是錯誤的。
# “只讀”屬性可以通過只定義getter方法，不定義setter方法實現。

o.some_property
# 呼叫some_property的getter(<__main__.MyClass instance at 0x7fb2b70877e8>,(),{})
# 'properties are nice'
# “屬性”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>,(),{})

問題10

閱讀下面的程式碼，它的輸出結果是什麼？

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()

# 說明下列程式碼的輸出結果

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

輸出結果以註釋的形式表示：

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

為什麼提這個問題？

因為面向物件的程式設計真的真的很重要。不騙你。答對這道問題說明你理解了繼承和Python中super函式的用法。

問題11

閱讀下面的程式碼，它的輸出結果是什麼？

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)

# 說明下面程式碼的輸出結果

oRoot.print_all_1()
oRoot.print_all_2()

答案

oRoot.print_all_1()會列印下面的結果：

<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()會列印下面的結果：

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

為什麼提這個問題？

因為物件的精髓就在於組合（composition）與物件構造（object construction）。物件需要有組合成分構成，而且得以某種方式初始化。這裡也涉及到遞迴和生成器（generator）的使用。

生成器是很棒的資料型別。你可以只通過構造一個很長的列表，然後列印列表的內容，就可以取得與print_all_2類似的功能。生成器還有一個好處，就是不用佔據很多記憶體。

有一點還值得指出，就是print_all_1會以深度優先（depth-first）的方式遍歷樹(tree),而print_all_2則是寬度優先（width-first）。有時候，一種遍歷方式比另一種更合適。但這要看你的應用的具體情況。

問題12

簡要描述Python的垃圾回收機制（garbage collection）。

答案

這裡能說的很多。你應該提到下面幾個主要的點：

• Python在記憶體中儲存了每個物件的引用計數（reference count）。如果計數值變成0，那麼相應的物件就會小時，分配給該物件的記憶體就會釋放出來用作他用。
• 偶爾也會出現引用迴圈（reference cycle）。垃圾回收器會定時尋找這個迴圈，並將其回收。舉個例子，假設有兩個物件o1和o2，而且符合o1.x == o2和o2.x == o1這兩個條件。如果o1和o2沒有其他程式碼引用，那麼它們就不應該繼續存在。但它們的引用計數都是1。
• Python中使用了某些啟發式演算法（heuristics）來加速垃圾回收。例如，越晚建立的物件更有可能被回收。物件被建立之後，垃圾回收器會分配它們所屬的代（generation）。每個物件都會被分配一個代，而被分配更年輕代的物件是優先被處理的。

問題13

將下面的函式按照執行效率高低排序。它們都接受由0至1之間的數字構成的列表作為輸入。這個列表可以很長。一個輸入列表的示例如下：[random.random() for i in range(100000)]。你如何證明自己的答案是正確的。

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

按執行效率從高到低排列：f2、f1和f3。要證明這個答案是對的，你應該知道如何分析自己程式碼的效能。Python中有一個很好的程式分析包，可以滿足這個需求。

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

為了向大家進行完整地說明，下面我們給出上述分析程式碼的輸出結果：

>>> 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}