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非常適合物件導向的程式設計（OOP），因為它支援透過組合（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，因此我們能夠最佳化程式碼，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透過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。
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。
遞迴函式需要遞迴併終止。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，但是如果你想透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（透過開啟多個程式），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,"pythontab") # (1, 2, 3, 'pythontab') {}
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,"pythontab") # 1 2 (3, 'pythontab') {}
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”屬性可以透過只定義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 = "pythontab"
# calling some_property setter(<__main__.MyClass object at 0x7fb2b7077890>,('pythontab',),{})
o.some_property
# calling some_property getter(<__main__.MyClass object at 0x7fb2b7077890>,(),{})
# 'pythontab'
o.some_other_property = "pythontab.com"
# 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
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11
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}
>>> cProfile.run('f3(lIn)')
4 function calls in 0.055 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.016 0.016 0.054 0.054 <stdin>:1(f3)
1 0.001 0.001 0.055 0.055 <string>:1(<module>)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
1 0.038 0.038 0.038 0.038 {sorted}為什麼提這個問題？
定位並避免程式碼瓶頸是非常有價值的技能。想要編寫許多高效的程式碼，最終都要回答常識上來——在上面的例子中，如果列表較小的話，很明顯是先進行排序更快，因此如果你可以在排序前先進行篩選，那通常都是比較好的做法。其他不顯而易見的問題仍然可以透過恰當的工具來定位。因此瞭解這些工具是有好處的。