python面试题大全（三）_python开发面试题-优快云博客

本文链接：https://blog.youkuaiyun.com/python_9k/article/details/135754603

设计模式

66. 对设计模式的理解，简述你了解的设计模式？

设计模式是在软件设计和开发中经过验证的、可重复使用的解决方案的指导原则。它们提供了一套经验丰富的解决方案，帮助解决常见的设计问题，并促进代码的可读性、可维护性和可扩展性。

以下是一些常见的设计模式：

创建型模式（Creational Patterns）：这些模式关注对象的创建机制，包括简化对象创建、隐藏对象创建的细节、提供灵活性和可配置性等。常见的创建型模式包括工厂模式（Factory Pattern）、抽象工厂模式（Abstract Factory Pattern）、建造者模式（Builder Pattern）、原型模式（Prototype Pattern）和单例模式（Singleton Pattern）。
结构型模式（Structural Patterns）：这些模式关注对象之间的组合和关系，以形成更大的结构。它们涉及类和对象的组合，以实现更大的功能。常见的结构型模式包括适配器模式（Adapter Pattern）、桥接模式（Bridge Pattern）、组合模式（Composite Pattern）、装饰器模式（Decorator Pattern）、外观模式（Facade Pattern）、享元模式（Flyweight Pattern）和代理模式（Proxy Pattern）。
行为型模式（Behavioral Patterns）：这些模式关注对象之间的通信和交互，以及责任的分配和任务的执行。它们涉及到算法、职责和对象之间的交互。常见的行为型模式包括模板方法模式（Template Method Pattern）、策略模式（Strategy Pattern）、观察者模式（Observer Pattern）、迭代器模式（Iterator Pattern）、责任链模式（Chain of Responsibility Pattern）、命令模式（Command Pattern）、备忘录模式（Memento Pattern）、状态模式（State Pattern）、访问者模式（Visitor Pattern）和中介者模式（Mediator Pattern）。
并发模式（Concurrency Patterns）：这些模式关注多线程和并发编程中的问题和解决方案。它们涉及到线程同步、协调和通信等方面。常见的并发模式包括锁模式（Locking Pattern）、并发容器模式（Concurrent Container Pattern）、传输模式（Messaging Pattern）等。

设计模式不是固定的解决方案，而是根据特定的问题和需求进行选择和应用。它们提供了一种共享的设计语言和思维模式，使得开发人员可以更好地理解和沟通设计意图，并以一种可维护和可扩展的方式构建软件系统。

67. 请手写一个单例模式

class SingletonClass:
    _instance = None

    def __new__(cls, value):
        if cls._instance is None:
            cls._instance = super().__new__(cls)
            cls._instance.value = value
        return cls._instance

# 使用
instance1 = SingletonClass("Instance 1")
instance2 = SingletonClass("Instance 2")

print(instance1.value)  # Output: Instance 1
print(instance2.value)  # Output: Instance 1 (same as instance1)
print(instance1 is instance2)  # Output: True

68. 单例模式的应用场景有那些？

单例模式的应用场景包括以下情况：

资源共享：当多个对象需要共享同一个资源时，例如数据库连接池、线程池、日志记录器等，可以使用单例模式确保只有一个实例被创建和共享，避免资源的重复创建和浪费。
全局配置：当需要在整个应用程序中共享一些全局配置信息时，例如应用程序的设置、系统参数等，可以使用单例模式来管理和访问这些配置信息，确保全局一致性和方便的访问。
缓存管理：当需要管理全局缓存或缓存池时，例如数据缓存、图片缓存等，可以使用单例模式来管理缓存对象，提供统一的访问接口和缓存策略。
日志记录：当需要记录应用程序的日志信息时，可以使用单例模式来创建日志记录器对象，确保只有一个记录器实例，并提供统一的接口进行日志记录。
线程池管理：当需要管理线程池来处理并发任务时，可以使用单例模式来创建和管理线程池对象，确保线程池的唯一性和可控性。

需要注意的是，单例模式在设计和使用时需要慎重考虑，因为它引入了全局状态和共享资源，可能导致代码的复杂性和耦合度增加。因此，在选择使用单例模式时，需要确保它是合适的解决方案，并仔细考虑其对系统的影响和潜在的扩展性问题。

69. 对装饰器的理解，并写出一个计时器记录方法执行性能的装饰器？

装饰器是一种特殊的函数，它可以接受一个函数作为参数，并返回一个新的函数作为结果。装饰器用于在不修改原始函数代码的情况下，增加额外的功能或行为。

装饰器通常用于以下情况：

添加额外的功能或行为，如日志记录、性能监测、缓存等。
修改函数的输入、输出或行为，如参数验证、数据转换等。
重用和组合现有的函数逻辑，以实现代码复用和模块化。

下面是一个计时器装饰器的示例，用于记录方法执行的性能：

import time

def performance_timer(func):
    def wrapper(*args, **kwargs):
        start_time = time.time()
        result = func(*args, **kwargs)
        end_time = time.time()
        execution_time = end_time - start_time
        print(f"方法 {
     func.__name__} 执行时间：{
     execution_time} 秒")
        return result
    return wrapper

在上述代码中，定义了一个装饰器函数 performance_timer，它接受一个函数 func 作为参数。装饰器内部定义了一个内部函数 wrapper，用于包裹原始函数 func。

在 wrapper 函数内部，首先记录了函数执行的开始时间 start_time，然后调用原始函数 func，并将其参数传递给它。接着，记录函数执行的结束时间 end_time，计算执行时间 execution_time，并打印出来。最后，返回原始函数 func 的执行结果。

要使用这个装饰器，只需在目标函数上方使用 @performance_timer 注解即可，例如：

@performance_timer
def my_function():
    # 函数逻辑
    pass

my_function()  # 执行带有性能计时的函数

在执行带有性能计时的函数时，装饰器会自动记录函数的执行时间并进行打印。

70. 解释一下什么是闭包？

闭包（Closure）是在编程语言中一种特殊的函数。它是由一个函数及其相关的引用环境组合而成的实体。闭包包含了函数定义时所在的环境中的变量，即使在函数定义之后，它仍然可以访问和操作这些变量。

闭包通常由以下两个特点组成：

函数嵌套：闭包是由一个函数内部定义的函数所组成。这个内部函数可以访问外部函数的变量和参数。
变量引用：闭包中的内部函数会引用外部函数的变量，并保留对这些变量的引用，即使外部函数已经执行完毕。这使得闭包具有"记忆"的能力，可以在后续调用中使用之前的状态。

闭包的一个重要应用是创建和返回函数。通过使用闭包，我们可以在运行时动态地创建一个函数，并将其作为返回值。闭包可以捕获和保持函数定义时所在的环境中的变量状态，使得返回的函数可以继续访问和操作这些变量。

闭包在许多编程语言中都有支持和应用。在函数式编程语言中，闭包是一种常见的编程概念，它允许我们编写高阶函数和实现函数柯里化等功能。在其他编程语言中，如Python、JavaScript等，闭包也被广泛使用于回调函数、事件处理等场景中。

总结来说，闭包是由函数及其相关的引用环境组成的实体，它可以访问和操作外部函数的变量，并在函数执行完毕后仍然保持对这些变量的引用。闭包提供了一种方式来创建和返回函数，并且可以在后续调用中保持状态和上下文。

71. 生成器，迭代器的区别？

生成器（Generator）和迭代器（Iterator）是在 Python 中用于处理可迭代对象的概念，它们有一些共同点，但也存在一些区别。

**迭代器（Iterator）**是一个实现了迭代协议的对象。它必须包含两个方法：__iter__() 和 __next__()。__iter__() 方法返回迭代器对象自身，而 __next__() 方法返回迭代器中的下一个元素。当迭代器没有元素可供返回时，它会引发 StopIteration 异常。

迭代器的特点包括：

迭代器可以遍历一个容器（如列表、元组、集合、字典等）中的元素，一个接一个地返回每个元素，而不需要一次性将所有元素存储在内存中。
迭代器可以使用 for 循环来遍历，也可以使用 next() 函数逐个获取下一个元素。
迭代器提供了一种惰性计算的方式，只在需要时才计算并返回元素，从而节省了内存和计算资源。

**生成器（Generator）**是一种特殊的迭代器。它是使用函数来定义的，使用 yield 关键字来生成一个值，并在下次迭代时从上次离开的地方继续执行。生成器函数在每次迭代时返回一个值，而不是一次性返回所有值。

生成器的特点包括：

生成器使用函数定义，通过 yield 语句生成一个值，并在下次迭代时从上次离开的地方继续执行。
生成器函数可以通过 yield 关键字来暂停执行并产生值，然后再次从暂停的地方继续执行。
生成器可以使用 for 循环来遍历，也可以通过调用 next() 函数逐个获取下一个值。
生成器提供了一种简洁、高效的方式来生成序列，特别适合处理大量数据或无限序列。

总结来说，迭代器是一种实现了迭代协议的对象，可以逐个返回元素。生成器是一种特殊的迭代器，使用函数定义，通过 yield 语句逐个生成值。生成器提供了一种惰性计算和高效处理序列的方式，而迭代器则是处理和遍历可迭代对象的通用方式。

72. X是什么类型?

X= (i for i in range(10))

X是 generator类型

73. 请用代码实现将1-N 的整数列表以3为单位分组

def cutter(n):
    grouped_list = [list(range(i, min(i + 3, n + 1))) for i in range(1, n + 1, 3)]
    return grouped_list


print(cutter(10))  # [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10]]

74. Python中yield的用法?

在Python中，yield 是一个关键字，用于定义生成器函数。生成器函数是一种特殊的函数，它可以暂停执行并返回一个值，然后在下次迭代时从上次离开的地方继续执行。

yield 的用法有两种情况：

生成器函数中的单个 yield：在生成器函数中，使用 yield 语句可以将一个值生成为生成器的下一个值，并暂停函数的执行。当生成器的下一个值被请求时，函数将从 yield 语句之后的位置继续执行，直到遇到下一个 yield 或函数结束。这样可以逐个产生值，而不是一次性生成整个序列。

示例：
```
def my_generator():
    yield 1
    yield 2
    yield 3

gen = my_generator()
print(next(gen))  # 输出：1
print(next(gen))  # 输出：2
print(next(gen))  # 输出：3
```
yield 表达式的赋值：yield 可以作为表达式使用，并将产生的值赋给一个变量。这样可以实现双向通信，即生成器函数可以从外部接收值，并根据接收到的值来控制生成器的行为。

示例：
```
def counter():
    i = 0
    while True:
        received =</
```