记一次测试开发的面试题

本文分享了一次自动化测试岗位面试的经历,包括项目经验交流、技术笔试题解析等环节,重点介绍了排序算法实现及文件操作相关Python代码示例。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

心得:部分互联网公司,做自动化测试,是按照开发的标准面的

第一面:

谈项目经历,讲一下负责的工作,有哪些亮点或优势,聊一些项目细节。

聊完,做题:一个非空的数组,要求按照出现次数从多到少的顺序返回N个元素,N为整数(无非法值)

考点分析:基本排序(我直接用内置函数,算是取巧吧,说实话不想费劲自己写算法)

from collections import Counter
 
list_a = [1,1,1,'ab','ab','ab','ab',3,4,4,5,5,5,5,6,6,7,7,8,8,8,8,8]
N = input("Please intput an init:")
list_temp = Counter(list_a)
if N <= len(list_temp) and N >= 0:
    list_tag = list_temp.most_common(N)
    for i in range(N):
        print list_tag[i][0]
elif N < 0:
    print "N must be positive integer"
else:
    print "N is too big"

第二面:

写出几个你熟悉的python库,面试官再根据库名自由出题。(我就随便写了几个)

题目:找出当前目录下adc开头的文件夹下的adc开头的文件,并读取文件内容,发送请求

考点分析:随机发问,考察基础熟练程度,以及应变能力

构造本地路径如下:
D:.
│  helloword.py
│  __init__.py
│
├─123
│      abc.txt
│
├─abc
│  │  abc.txt
│  │  abcdes.txt
│  │
│  └─abc
├─abcde
│      abcd.txt
│
└─adcd
        dfsgdfsg.tx
'''

import os
feet = os.getcwd()
for each in os.listdir(feet):
    if each.startswith('abc'):
        path = os.path.join(feet,each)
        for file in os.listdir(path):
            if file.startswith('abc'):
                file_path = os.path.join(path,file)
            if os.path.isfile(file_path):
                with open(file_path,'r') as f:
                    print f.read()

没有函数话,没有将文件内容发送出去,整体来说没答好。凉了。

 

内容概要:本文档详细介绍了一个基于MATLAB实现的电力负荷预测项目,该项目运用遗传算法(GA)优化支持向量回归(SVR)和支持向量机(SVM)模型的超参数及特征选择。项目旨在解决电力系统调度、发电计划、需求侧响应等多个应用场景中的关键问题,特别是在应对高比例可再生能源接入带来的非线性、非平稳负荷预测挑战。文中涵盖了从数据接入、特征工程、模型训练到部署上线的全流程,包括详细的代码示例和GUI设计,确保方案的可复现性和实用性。 适用人群:具备一定编程基础,尤其是熟悉MATLAB语言和机器学习算法的研发人员;从事电力系统调度、电力市场交易、新能源消纳等相关领域的工程师和技术专家。 使用场景及目标:①通过构建面向小时级别的滚动预测,输出高分辨率负荷轨迹,为日内与日前滚动调度提供边际成本最小化的依据;②在负荷高峰和供给紧张时,通过价格信号或直接负荷控制实施需求侧响应,提升削峰效率并抑制反弹;③为灵活性资源(调峰机组、储能、可中断负荷)提供更清晰的出清路径,降低弃风弃光率,提升系统整体清洁度;④帮助市场主体更准确地评估边际出清价格变化,提高报价成功率与收益稳定性,同时降低由预测偏差带来的风险敞口;⑤在运维与审计场景中,对预测产生的原因进行说明,保障业务侧与监管侧的可追溯性。 阅读建议:此资源不仅提供了完整的代码实现和GUI设计,更注重于理解GA优化过程中涉及到的数据处理、特征构造、模型选择及评估等核心步骤。因此,在学习过程中,建议结合实际案例进行实践,并深入研究每个阶段的具体实现细节,特别是适应度函数的设计、超参数空间的定义以及多样性维护机制的应用。此外,关注项目中关于数据对齐、缺失值处理、特征标准化等方面的最佳实践,有助于提高模型的鲁棒性和泛化能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值