总结Python编程中函数的使用要点
作者：Flyaway
字体：[ ] 类型：转载 时间：
这篇文章主要介绍了Python编程中函数的使用要点总结,文中也讲到了人民群众喜闻乐见的lambda表达式的用法,需要的朋友可以参考下
为何使用函数
最大化代码的重用和最小化代码冗余
流程的分解
在Python中创建一个函数是通过def关键字进行的，def语句将创建一个函数对象并将其赋值给一个变量名。def语句一般的格式如下所示:
def &name&(arg1,arg2,... argN):
&statements&
通常情况下，函数体中会有一个return语句，可以出现在函数体的任何位置，它表示函数调用的结束，并将结果返回至函数调用处。但是return语句是可选的，并不是必须的。从技术角度上说，一个没有返回值的函数自动返回了none对象，但是这个值可以被忽略掉。
&&def语句是实时执行的
Python的def语句实际上是一个可执行的语句:当它运行的时候，它创建一个新的函数对象并将其赋值给一个变量名。(请记住，Python中所有的语句都是实时运行的，没有对像独立编译时间这样的流程)因为它是一个语句，它可以出现在任一语句可以出现的地方——甚至是嵌套在其他语句中。
def func():
def func():
它在运行时简单地给一个变量名进行赋值。与C语言这样的编译语言不同，Python函数在程序运行之前并不需要全部定义，更确切地说，def在运行时才评估，而在def之中的代码在函数调用时才会评估。
就像Python中其他语句一样，函数仅仅是对象，在程序执行时它清除地记录在了内存之中。实际上，除了调用之外，函数允许任意的属性附加到记录信息以供随后使用:
othername=func #Assign function object
othername() #Call func again
func() #call object
func.attr=value #attach attribute
一个例子:定义和调用
def times(x,y):
return x*y
times(2,4) #return 8
times(3.12,4) #return 12.56
times('Ni',4) #return 'NiNiNi'
上面代码中对函数的三次调用都能正确运行，因为”*“对数字和序列都有效，在Python我们从未对变量、参数或者返回值有过类似的声明，我们可以把times用作数字的乘法或是序列的重复。
换句话说，函数times的作用决定于传递给它的参数，这是Python的核心概念之一。
需要强调的是，如果我们传入了一个不支持函数操作的参数，Python会自动检测出不匹配，并抛出一个异常，这样就能减少我们编写不必要的类型检测代码。
&&局部变量
所有在函数内部定义的变量默认都是局部变量，所有的局部变量都会在函数调用时出现，并在函数退出时消失。
函数设计概念
耦合性:对于输入使用参数并且输出使用return语句。
耦合性:只有在真正必要的情况下使用全局变量。
耦合性:不要改变可变类型的参数，除非调用者希望这样做。
聚合性:每一个函数都应该有一个单一的、统一的目标。
大小:每一个函数应该相对较小。
耦合:避免直接改变在另一个模块文件中的变量。
函数对象:属性和注解
&&间接函数调用
由于Python函数是对象，我们可以编写通用的处理他们的程序。函数对象可以赋值给其他的名字、传递给其他函数、嵌入到数据结构、从一个函数返回给另一个函数等等，就好像它们是简单的数字或字符串。
把函数赋值给其他变量:
def echo(message):
print(message)
x('Indirect call!')
#Prints:Indirect call!
传递给其他函数:
def indirect(func,arg):
indirect(echo,'Argument call')
#Prints:Argument call
把函数对象填入到数据结构中:
schedule=[(echo,'Spam!'),(echo,'Ham!')]
for (func,arg) in schedule:
从上述的代码中可以看到，Python是非常灵活的！
&&函数内省
由于函数是对象，我们可以用用常规的对象工具来处理函数。
func.__name__
内省工具允许我们探索实现细节，例如函数已经附加了代码对象，代码对象提供了函数的本地变量和参数等方面的细节：
dir(func.__code__)
func.__code__.co_varnames
func.__code__.co_argument
工具编写者可以利用这些信息来管理函数。
&&函数属性
函数对象不仅局限于上一小节中列出的系统定义的属性，我们也可以向函数附加任意的用户定义的属性:
func.count=0
func.count+=1
func.handles='Button-Press'
这样的属性可以用来直接把状态信息附加到函数对象，而不必使用全局、非本地和类等其他技术。和非本地不同，这样的属性信息可以在函数自身的任何地方访问。这种变量的名称对于一个函数来说是本地的，但是，其值在函数退出后仍然保留。属性与对象相关而不是与作用域相关，但直接效果是类似的。
&&Python3.0中的函数注解
在Python3.0也可以给函数对象附加注解信息——与函数的参数相关的任意的用户定义的数据。Python为声明注解提供了特殊的语法，但是，它自身不做任何事情；注解完全是可选的，并且，出现的时候只是直接附加到函数对象的__annotations__属性以供其他用户使用。
从语法上讲，函数注解编写在def头部行，对于参数，它们出现在紧随参数名之后的冒号之后；对于返回值，它们编写于紧跟在参数列表之后的一个-&之后。
def func(a:'spam',b:(1,10),c:float) -& int:
return a+b+c
注解和没注解过的函数在功能和使用上完全一样，只不过，注解过的函数，Python会将它们的注解的数据收集到字典中并将它们附加到函数对象自身。参数名变成键，如果编写了返回值注解的话，它存储在键return下，而注解的值则是赋给了注解表达式的结果:
func.__annotations__
#Prints:{'a':'spam','c':&class 'float'&,'b':(1,10),'return':&class 'int'&}
如果编写了注解的话，仍然可以对参数使用默认值，例如:a:'spam'=4 意味着参数a的默认值是4，并且用字符串'spam'注解它。
在函数头部的各部分之间使用空格是可选的。
注解只在def语句中有效。
匿名函数:lambda
除了def语句之外，Python还提供了一种生成函数对象的表达式形式。由于它与LISP语言中的一个工具很相似，所以称为lambda。就像def一样，这个表达式创建了一个之后能够调用的函数，但是它返回了一个函数而不是将这个函数赋值给一个变量名。这也就是lambda有时叫做匿名函数的原因。实际上，它们常常以一个行内函数定义的形式使用，或者用作推迟执行一些代码。
&&lambda表达式
lambda的一般形式是关键字lambda，之后是一个或多个参数，紧跟的是一个冒号，之后是一个表达式：
lambda argument1,argument2,...argumentN:expression using arguments
由lambda表达式所返回的函数对象与由def创建并赋值后的函数对象工作起来是完全一样的，但是lambda有一些不同之处让其在扮演特定的角色时很有用。
lambda是一个表达式，而不是一个语句。
lambda的主体是一个单个的表达式，而不是一个代码块。
一下两段代码生成了同样功能的函数:
def func(x,y,z):return x+y+z
func(2,3,4)
f = lambda x,y,z : x + y + z
默认参数也能在lambda中使用
x=(lambda a="fee",b="fie",c="foe": a+b+c)
#Prints:'weefiefoe'
在lambda主体中的代码像在def内的代码一样都遵循相同的作用域查找法则。
&&为什么要使用lambda
通常来说，lambda起到了一种函数速写的作用，允许在使用的代码内嵌入一个函数的定义。它们总是可选的，因为总是能够用def来代替。
lambda通常用来编写跳转表:
L=[lambda x: x ** 2,
lambda x: x ** 3,
lambda x: x ** 4]
for f in L:
print(f(2))
#Prints:4,8,16
print(L[0](3))
实际上，我们可以用Python中的字典或者其他数据结构来构建更多种类的行为表:
{'already':(lambda: 2+2),
'got':(lambda: 2*4),
'one':(lambda: 2 ** 6)}[key]()
这样编写代码可以使字典成为更加通用的多路分支工具。
最后需要注意的是，lambda也是可以嵌套的
((lambda x:(lambda y: x+y))(99))(4)
#Prints:103
在序列中映射函数:map
map函数会对一个序列对象中的每个元素应用被传入的函数，并且返回一个包含了所有函数调用结果的一个列表。
counters=[1,2,3,4]
def inc(x):return x+10
list(map(inc,counters))
#[11,12,13,14]
由于map期待传入一个函数，它恰好是lambda最常出现的地方之一。
list(map((lambda x: x+10),counters)) #[11,12,13,14]
函数式编程工具:filter和reduce
在Python内置函数中，map函数是用来进行函数式编程的这类工具中最简单的内置函数代表。所谓的函数式编程就是对序列应用一些函数的工具。例如过滤出一些元素(filter)，以及对每对元素都应用函数并运行到最后的结果(reduce)。
list(filter((lambda x: x&0),range(-5,5)))
#[1,2,3,4]
序列中的元素若其返回值是真的话，将会被加入到结果列表中。
reduce接受一个迭代器来处理，但是，它自身不是一个迭代器，它返回一个单个的结果。
from functools import reduce
#Import in 3.0,not in 2.6
reduce((lambda x,y: x+y),[1,2,3,4]) #Return:10
reduce((lambda x,y: x*y),[1,2,3,4]) #Return:24
上面两个reduce调用，计算了一个列表中所有元素的累加和与累积乘积。
您可能感兴趣的文章:
大家感兴趣的内容
12345678910
最近更新的内容
常用在线小工具python调用C函数库
背景：工作中，有很多公共类库是使用C语言实现的。虽然可以将之编译成可执行的二进制文件，使用已熟知的commands模块获取shell命令行返回的结果；但是有些时候，所传的参数中含有shell命令中需要转义的字符（如，“$”），因此想到使用python直接调用C语言的函数库，省去了对字符串中特殊字符进行转义的麻烦。
.so文件的生成与使用
想要使用python调用C语言的函数，必须先将C程序编译生成.so文件。生成.so文件需要使用“gcc&-shared”命令。
为了检测生成的.so文件的可用性，可以编写简单的C语言测试代码，常用的函数有：
void* handle = dlopen("xxx.so", RTLD_LAZY); &
&//打开动态链接库，并赋值给handle句柄，供后续使用
myfunc =&dlsym(handle, "func_name");
& //获取动态链接库中的函数指针
dlclose(handle); //通过句柄关闭动态链接库
ctypes模块简介
python中，ctypes模块可以加载动态链接库，使用时，需要首先“from ctypes import *”。
常用的函数有：
libc = cdll.LoadLibrary("xxx.so") &
#加载.so动态链接库
libc.myfunc(...) & &
#调用动态链接库中的函数
另，因python与C语言中的数据类型不同，对于string类型，在调用C链接库中的函数时，需要使用“c_char_p”对将字符串转换为标准C中的char*类型。
注：ctypes不支持C++的数据类型（如，C++中的string等）。
附，python和C数据类型对照表：
1、首先创建一个具有标准C数据类型的参数和返回值的函数（函数体中可以包含C++数据类型的元素）。
为了避免C编译器修改函数的名字，使用extern "C" 来声明函数，如，
& & & 使用“nm
xxx.so”命令可以查看xxx.so中的函数列表。
2、因python调用so动态链接库出core时不便于调试，在生成so文件后，首先编写一个简单的test.c来检测生成的.so文件的可用性：
3、编写python脚本调用动态链接库：
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。如何通过Boost.Python在Python中使用C++类和函数
发布人：&&发布日期： 10:02&&共465人浏览
下面的文章主要是对混合系统接口Boost.Python在扩展和嵌入Python中的实际应用的相关方案的具体介绍，以及我们在实际应用中如何通过Boost.Python在Python中使用C++类和函数，的实际操作步骤的介绍。
Boost是一个可移植的C++标准库，相当于STL的延续和扩充。Boost库也为C++编写Python扩展提供了支持。如果使用C++为Python编写扩展，使用Boost.Python将使程序变得简单。
&编译Boost.Python
首先要编译Boost.Python才可以使用其进行编程。由于Boost库过于庞大，如果没有其他需要，则可以仅对Boost.Python进行编译。以VC++ 6.0为例，其编译步骤如下所示。
（1）从Boost官方网站下载Boost库源文件，将其解压至某一目录中。
（2）将Boost解压至的目录添加到VC++ 6.0的【Include files】中，
（3）进入Boost目录下的&libs\python\build\VisualStudio&子目录中，在VC++ 6.0中打开其中的&boost_python.dsw&文件。
（4）单击【Build】|【Batch Build】命令，分别编译Boost.Python的Debug和Release版。
（5）编译完成后将在Boost目录下的&libs\python\build\bin-stage&子目录中生成动态链接库和库文件。由于使用Boost.Python编写的Python扩展在运行时根据版本不同需要&boost_python.dll&和&boost_python_debug.dll&文件。为了方便，可以将其放到Windows安装目录下的&system32&目录下。否则，需要将其和Python扩展放在同一目录中。
（6）将Boost目录下的&libs\python\build\bin-stage&子目录添加到VC++ 6.0的【Library files】中，
完成上述设置后就可以使用Boost.Python编写Python扩展了。
使用Boost.Python扩展和嵌入Python
通过Boost.Python可以在Python内使用C++类和函数。和SWIG一样Boost.Python简化了编写Python扩展的代码，而不用使用Python/C API。但与SWIG不同，Boost.Python是一个类库，无需再使用接口文件。
初始化和方法列表
在Boost.Python中可以通过使用BOOST_PYTHON_MODULE来命名模块名。在BOOST_PYTHON_MODULE中则可以使用def来实现使用Python/C API定义的方法列表。以下是一个简单的例子。
void&show()&
声明show函数
cout&&&&&Boost.Python&; &
BOOST_PYTHON_MODULE(example)& &
使用BOOST_PYTHON_MODULE命名模块名为&example&
def(&show&,show);& &
相当于定义方法列表
以上就是对如何编译Boost.Python以及如何使用Boost.Python扩展和嵌入Python的相关的内容的介绍，望你会有所收获。
来源：网络&&& 作者：不详
我的电子书Python面试必须要看的15个问题
Python面试必须要看的15个问题
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！
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）。
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。
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
def print_directory_contents(sPath):
for sChild in os.listdir(sPath):
sChildPath = os.path.join(sPath,sChild)
if os.path.isdir(sChildPath):
print_directory_contents(sChildPath)
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
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]
A0 = {'a': 1, 'c': 3, 'b': 2, 'e': 5, 'd': 4}
A1 = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
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。
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。
Python并不支持真正意义上的多线程。Python中提供了，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。
你如何管理不同版本的代码？
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！
下面代码会输出什么：
def f(x,l=[]):
for i in range(x):
l.append(i*i)
f(3,[3,2,1])
[3, 2, 1, 0, 1, 4]
[0, 1, 0, 1, 4]
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 = []
# the first call
for i in range(2):
l.append(i*i)
l = [3,2,1]
# the second call
for i in range(3):
l.append(i*i)
# [3, 2, 1, 0, 1, 4]
# the third call
for i in range(3):
l.append(i*i)
# [0, 1, 0, 1, 4]
“猴子补丁”（monkey patching）指的是什么？这种做法好吗？
“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()
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。
这两个参数是什么意思：*args，**kwargs？我们为什么要使用它们？
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}
# (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}
# (1, 2, 3) {'a': 7, 'c': 9, 'b': 8}
# (4, 5, 6) {'a': 7, 'c': 9, 'b': 8}
# (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
# 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。
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):
Is equivalent to
def my_func(stuff):
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)
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]
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 0x7fdd&&
o.class_method()
# class_method((&class __main__.MyClass at 0x7fdd&,),{})
o.class_method(1,2,x=3,y=4)
# class_method((&class __main__.MyClass at 0x7fdd&, 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 0x7fdd&
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&,(),{})
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
# 说明下列代码的输出结果
输出结果以注释的形式表示：
# go A go!
# go A go!
# go B go!
# go A go!
# go C go!
# go A go!
# go C go!
# go B go!
# go D go!
# go A go!
# go C go!
# go B go!
# stop A stop!
# stop A stop!
# stop A stop!
# stop C stop!
# stop A stop!
# stop C stop!
# stop D stop!
# stop A stop!
# ... Exception: Not Implemented
# ... Exception: Not Implemented
# ... Exception: Not Implemented
# wait D wait!
# ...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。
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()
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。
简要描述Python的垃圾回收机制（garbage collection）。
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。
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)]
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
percall filename:lineno(function)
0.044 &stdin&:1(f1)
0.045 &string&:1(&module&)
0.000 {method 'disable' of '_lsprof.Profiler' objects}
0.035 {sorted}
&&& cProfile.run('f2(lIn)')
4 function calls in 0.024 seconds
Ordered by: standard name
percall filename:lineno(function)
0.023 &stdin&:1(f2)
0.024 &string&:1(&module&)
0.000 {method 'disable' of '_lsprof.Profiler' objects}
0.016 {sorted}
&&& cProfile.run('f3(lIn)')
4 function calls in 0.055 seconds
Ordered by: standard name
percall filename:lineno(function)
0.054 &stdin&:1(f3)
0.055 &string&:1(&module&)
0.000 {method 'disable' of '_lsprof.Profiler' objects}
0.038 {sorted}
为什么提这个问题？
定位并避免代码瓶颈是非常有价值的技能。想要编写许多高效的代码，最终都要回答常识上来——在上面的例子中，如果列表较小的话，很明显是先进行排序更快，因此如果你可以在排序前先进行筛选，那通常都是比较好的做法。其他不显而易见的问题仍然可以通过恰当的工具来定位。因此了解这些工具是有好处的。
你有过失败的经历吗？
错误的答案
我从来没有失败过！
为什么提这个问题？
恰当地回答这个问题说明你用于承认错误，为自己的错误负责，并且能够从错误中学习。如果你想变得对别人有帮助的话，所有这些都是特别重要的。如果你真的是个完人，那就太糟了，回答这个问题的时候你可能都有点创意了。
你有实施过个人项目吗？
如果做过个人项目，这说明从更新自己的技能水平方面来看，你愿意比最低要求付出更多的努力。如果你有维护的个人项目，工作之外也坚持编码，那么你的雇主就更可能把你视作为会增值的资产。即使他们不问这个问题，我也认为谈谈这个话题很有帮助。
我给出的这些问题时，有意涉及了多个领域。而且答案也是特意写的较为啰嗦。在编程面试中，你需要展示你对语言的理解，如果你能简要地说清楚，那请务必那样做。我尽量在答案中提供了足够的信息，即使是你之前从来没有了解过这些领域，你也可以从答案中学到些东西。我希望本文能够帮助你找到满意的工作。
作者：EarlGrey@编程派
原文地址：
分享即可 +1积分
请登录后，发表评论
评论（Enter+Ctrl）
评论加载中...
评论加载中...
页面重构设计
微信号johncenaboy VIP 行星饭 GD sehun
改版之后唯一的好处就是能看到bigbang的大头像了！！
作者的热门文章
我的2015： 1、1月12日在武汉注册了自己的公司 2、2月有了第一笔业务 3、4月26日带着媳妇回武汉买了车，然后去云南玩了7天 4、9月19日老婆辞职回老家去装修房子 5、9月27日一个人去泰国清迈玩了7天 6、11月借着去重庆参加腾讯全球合作伙伴大会带着老婆在重庆玩了4天 7、12月4日房子装修完成，带着老婆去三亚玩了6天
Copyright (C)
All Rights Reserved | 京ICP备 号-2