Lambda表达式通常⽤于需要传递函数作为参数的函数（例如 `map` 、 `filter` 、 `sorted` 等），或
者在需要定义⾮常简单的匿名函数时。
总之，尽管lambda函数有许多优点，但它们也受到一些限制，如只能包含一个表达式，不能包含复杂的逻辑或语句，且没有文档字符串和名称。因此，在决定是否使用lambda函数时，应当根据实际需求和上下文进行权衡。
### Q. 什么是装饰器？
装饰器本质上是一个Python函数，它可以让其他函数在**不需要做任何代码变动的前提下增加额外功能**，装饰器的返回值也是一个函数对象。它经常用于有切面需求的场景，比如：插入日志、性能测试、事务处理、缓存、权限校验等场景。装饰器是解决这类问题的绝佳设计，**有了装饰器，我们就可以抽离出大量与函数功能本身无关的雷同代码并继续重用**。
def my_decorator(func):
def wrapper():
print(“Something is happening before the function is called.”)
func()
print(“Something is happening after the function is called.”)
return wrapper
@my_decorator
def say_hello():
print(“Hello!”)
当调用 say_hello 时，实际上是调用了装饰器返回的 wrapper 函数
say_hello()
输出：
Something is happening before the function is called.
Hello!
Something is happening after the function is called.
### Q. 什么是Python的垃圾回收机制？
Python的垃圾回收机制主要负责自动管理内存，释放不再使用的对象所占用的内存空间。
Python的垃圾回收机制主要包括以下几种：
* **引用计数(Reference Counting)**。这是Python中最基本的垃圾回收方法。每个对象都有一个引用计数，记录有多少个变量指向该对象。当引用计数为0时，表示该对象不再被使用，可以被回收。
* **标记-清除(Mark and Sweep)**。这种方法用于处理循环引用的情况。当内存空间即将被占满时，Python会暂停程序，从头到尾扫描所有对象，并标记所有可达的对象。然后，清除所有未被标记的对象，回收它们占用的内存空间。
* **分代回收(Generational Collection)**。为了提高垃圾回收的效率，Python引入了分代回收机制。对象被分为不同的代，如第0代和第1代等。新创建的对象通常放在第0代，而经过多次垃圾回收仍然存活的对象会被提升到更高的代。垃圾回收器会更多地检查低代中的对象，而对高代中的对象进行较少的检查，从而提高垃圾回收的效率。
需要注意的是，Python的垃圾回收机制是自动进行的，开发者不需要手动管理内存。垃圾回收器会根据需要定期启动，并在合适的时机回收不再使用的对象。
### Q. Python内置函数dir的用法？
在 Python 中，dir() 是一个内置函数，用于查找对象的所有属性和方法。它返回一个字符串列表，包含了对象的所有属性和方法的名称。
class MyClass:
def __init__(self):
self.name = “John”
def say\_hello(self):
print("Hello, world!")
obj = MyClass()
print(“对象 obj 的属性和方法：”, dir(obj))
输出：
对象 obj 的属性和方法： [‘__class__’, ‘__delattr__’, ‘__dict__’, ‘__dir__’, ‘__doc__’, ‘__eq__’, ‘__format__’, ‘__ge__’, ‘__getattribute__’, ‘__gt__’, ‘__hash__’, ‘__init__’, ‘__init_subclass__’, ‘__le__’, ‘__lt__’, ‘__module__’, ‘__ne__’, ‘__new__’, ‘__reduce__’, ‘__reduce_ex__’, ‘__repr__’, ‘__setattr__’, ‘__sizeof__’, ‘__str__’, ‘__subclasshook__’, ‘__weakref__’, ‘name’, ‘say_hello’]
### Q. Python中两边都有下划线的方法有什么含义？
在Python中，两边都有双下划线的方法名被称为**魔法方法**（magic methods）。这些方法是Python语言的基础，它们为Python提供了强大的内置功能。例如，`__init__` 方法是类的构造函数，`__str__` 方法定义了对象被转换为字符串时的行为。
以下是一个简单的类示例，它定义了一个带有两边都有双下划线的方法：
class MyClass:
def __init__(self, value):
self.value = value
def \_\_str\_\_(self):
return f"MyClass with value: {self.value}"
使用类
obj = MyClass(10)
print(obj) # 输出: MyClass with value: 10
Python中还有很多其他的魔法方法，以下是一些常用的魔法方法：
`__init__`：构造函数，当一个对象被创建时会自动调用。
`__del__`：析构函数，当一个对象被销毁时会自动调用。
`__str__`：返回一个对象的字符串表示，通常用于print函数。
`__repr__`：返回一个对象的官方字符串表示，通常用于调试。
`__call__`：允许一个对象像函数那样被调用。
`__getitem__`、`__setitem__`、`__delitem__`：用于自定义索引操作，如obj[key]。
`__len__`：返回对象的长度，常用于len()函数。
`__iter__`：返回一个迭代器，用于遍历对象。
`__enter__` 和 `__exit__`：用于实现上下文管理协议，如with语句。
`__add__`、`__sub__`、`__mul__` 等：用于自定义算术运算符的行为。
这些魔法方法允许你自定义Python对象的行为，使其更符合你的需求。你可以根据需要实现这些方法来扩展Python类的功能。
### Q. Python中单下划线和双下划线的区别
* “**单下划线**” 开始的成员变量叫做**保护变量**，意思是**只有类对象和子类对象自己能访问到这些变量**，需通过类提供的接口进行访问，不能用“from xxx import \*”而导入；
* “**双下划线**” 开始的是**私有成员**，意思是**只有类对象自己能访问**，连子类对象也不能访问到这个数据。仍然可以通过\_{classname}\_\_name来访问\_\_name变量。但是强烈建议你不要这么干，因为不同版本的Python解释器可能会把\_\_name改成不同的变量名。
### Q. \_\_new\_\_和\_\_init\_\_区别
\_\_new\_\_与\_\_init\_\_区别总共有四个方面:
1. 功能上的区别: 前者**生成类实例对象空间**的，后者是**初始化对象空间并给对象赋值**的;
2. 执行顺序: **先执行\_\_new\_\_方法生成类对象空间才能执行后者**
3. 返回值: 前者有返回值，后者没有返回值
4. 前者是**静态方法**, 后者是**构造方法**。
### Q. 什么是迭代器和⽣成器？
迭代器（Iterator）和⽣成器（Generator）都是Python中⽤于**处理迭代**的重要概念，**允许逐个访问数据项**，⽽⽆需将所有数据加载到内存中，这在处理⼤型数据集合时⾮常有⽤。尽管有⼀些相似之处，但在实现和⽤法上有⼀些关键的区别。
1.**迭代器(Iterator)**
迭代器是⼀个对象，它可以通过调⽤ `__next__()` ⽅法逐个返回集合中的元素。迭代器通常⽤于遍
历集合，如列表、元组、字典等，以及⾃定义的可迭代对象。的核⼼特点是惰性计算，即只在需要时才计算下⼀个元素。
Python的内置函数 iter() 可以⽤于将可迭代对象转换为迭代器，⽽ next() 函数⽤于获取迭代
器的下⼀个元素。当没有更多元素可供迭代时，迭代器会引发 StopIteration 异常。
numbers = [1, 2, 3, 4, 5]
iter_numbers = iter(numbers)
print(next(iter_numbers)) # 输出：1
print(next(iter_numbers)) # 输出：2
2.**生成器(Generator)**
生成器是⼀种特殊的迭代器，它可以**通过函数来创建**。⽣成器函数使⽤ `yield` 关键字来产⽣值，并且会**保持函数的状态，以便在下⼀次调⽤生成器的\_\_next\_\_()方法时继续执⾏**。⽣成器允许按需⽣成数据，⽽不必将所有数据存储在内存中。
⽣成器有两种创建⽅式：
* 使⽤⽣成器函数：定义⼀个函数，其中包含 yield 语句来⽣成值。
def countdown(n):
while n > 0:
yield n
n -= 1
gen = countdown(5)
for num in gen:
print(num)
* 使⽤⽣成器表达式：类似于列表推导式，但是使⽤圆括号⽽不是⽅括号，并且按需⽣成数据。
gen = (x for x in range(5))
for num in gen:
print(num)
⽣成器通常⽤于**处理⼤型数据集或需要逐个⽣成数据**的情况，因为**不需要⼀次性加载所有数据到内存中**，从⽽节省了内存资源。
总之，迭代器和⽣成器都是处理迭代的强⼤⼯具，允许⾼效地处理⼤型数据集和按需⽣成数据。可以根据任务的需求选择使⽤哪种⽅式。
### Q. 什么是异常处理？
异常处理是⼀种编程技术，⽤于在程序执⾏期间捕获、处理和处理可能发⽣的异常情况或错误。异常是指在程序执⾏过程中出现的不正常情况，可能导致程序崩溃或产⽣不可预料的结果。异常处理的⽬标是使程序能够优雅地应对异常情况，⽽不是因异常⽽终⽌或崩溃。
在Python中，异常处理通常使⽤ try 和 except 语句来实现。基本的异常处理结构如下：
try:
# 可能引发异常的代码块
except ExceptionType:
# 处理异常的代码块
* try 语句块包含可能引发异常的代码，它会被监视以检查是否发⽣异常。
* 如果在 try 块中的代码引发了指定类型的异常（ ExceptionType ），则程序将跳转到与该异常匹配的 except 块，执⾏异常处理代码。
* 如果在 try 块中没有引发异常，则 except 块将被跳过，程序将继续执⾏ try 块之后的代码。
try:
num = int(input(“请输⼊⼀个整数：”))
result = 10 / num
except ZeroDivisionError:
print(“除以零错误”)
except ValueError:
print(“输⼊不是有效的整数”)
else:
print(“结果是：”, result)
finally:
print(“结束”)
* else语句块中的代码会在try块没有抛出任何异常的情况下运行。
* finally语句块中的代码无论是否发生异常都会被执行。
### Q. Python断言(assert)
Python assert（断言）用于判断一个表达式，**在表达式条件为 false 的时候触发异常**。
断言可以**在条件不满足程序运行的情况下直接返回错误，而不必等待程序运行后出现崩溃的情况**，例如我们的代码只能在 Linux 系统下运行，可以先判断当前系统是否符合条件。
语法格式如下：
assert expression
#等价于：
if not expression:
raise AssertionError
#assert后面也可以紧跟参数:
assert expression [, arguments]
#等价于：
if not expression:
raise AssertionError(arguments)
例子：
assert True # 条件为 true 正常执行
assert False # 条件为 false 触发异常
Traceback (most recent call last):
File “”, line 1, in
AssertionError
assert 11 # 条件为 true 正常执行
assert 12 # 条件为 false 触发异常
Traceback (most recent call last):
File “”, line 1, in
AssertionError
assert 1==2, ‘1 不等于 2’
Traceback (most recent call last):
File “”, line 1, in
AssertionError: 1 不等于 2
### Q. Python中`*` 和 `**`用法？
在 Python 中，`*` 和 `**` 具有语法多义性，具体来说是有四类用法。
**1.算数运算**
2 * 5 #乘法
//10
2 ** 5 #乘方
//32
**2.函数形参**
`*args` 和 `**kwargs` 主要用于函数定义。
你可以将不定数量的参数传递给一个函数。不定的意思是：预先并不知道, 函数使用者会传递多少个参数给你, 所以在这个场景下使用这两个关键字。其实并不是必须写成 `*args` 和 `**kwargs`。 \*(星号) 才是必须的. 你也可以写成 `*ar` 和 `**k` 。而写成 `*args` 和`**kwargs` 只是一个通俗的命名约定。
python函数传递参数的方式有两种：
* 位置参数（positional argument）
* 关键词参数（keyword argument）
`*args` 与 `**kwargs` 的区别，两者都是 python 中的可变参数：
* `*args` 表示任何多个无名参数，它本质是一个 **tuple**
* `**kwargs` 表示关键字参数，它本质上是一个 **dict**
如果同时使用 `*args` 和 `**kwargs` 时，必须 `*args` 参数列要在 `**kwargs` 之前。
def fun(*args, **kwargs):
… print(‘args=’, args)
… print(‘kwargs=’, kwargs)
…
fun(1, 2, 3, 4, A=‘a’, B=‘b’, C=‘c’, D=‘d’)
//args= (1, 2, 3, 4)
//kwargs= {‘A’: ‘a’, ‘B’: ‘b’, ‘C’: ‘c’, ‘D’: ‘d’}
使用`*args`：
def fun(name, *args):
… print(‘你好:’, name)
… for i in args:
… print(“你的宠物有:”, i)
…
fun(“Geek”, “dog”, “cat”)
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。
深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！
因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）
最后
Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！
👉Python所有方向的学习路线👈
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
👉Python必备开发工具👈
工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。
👉Python全套学习视频👈
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。
👉实战案例👈
学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。
因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。
👉大厂面试真题👈
我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
https://img-blog.csdnimg.cn/img_convert/0d8c31c50236a205928a1d8ae8a0b883.png)
👉大厂面试真题👈
我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
[外链图片转存中…(img-kST2AY8G-1712861066521)]
144
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
