一.Python基础
1.Python语言特性：
动态型（运行期确定类型，静态型是编译型确定类型），强类型（不发生隐式转换，弱类型，如PHP，JavaScript就会发生隐患式转换）
2.Python作为后端语言的优缺点：
优点：
胶水语言，轮子多，应用广泛；语言灵活，生产力高
缺点：
性能问题，代码维护问题，python2/3不兼容问题
3.鸭子类型：
“当一只鸟走起来像鸭子，游泳像鸭子，叫起来像鸭子，那么这只鸟就能被称为鸭子”
关注点在对象的行为，而不是类型；
如file，StringIO，socket都支持read/write方法（file类型）
定义了__iter__就可以用for迭代
4.monkey patch（猴子补丁）：
就是运行时替换
4.1比如gevent需要修改内置的socket和select:
4.2自己写的猴子补丁：
5.is和==：
is是判断是否为同一个对象（id内存地址是否相同），==是判断值是否相同
6.列表，生成器，字典推导：
7.Python之禅：
Tim Peters编写的关于Python编程的规则；
import this查看，编程拿不准可以查看：
优美胜于丑陋（Python 以编写优美的代码为目标）
明了胜于晦涩（优美的代码应当是明了的，命名规范，风格相似）
简洁胜于复杂（优美的代码应当是简洁的，不要有复杂的内部实现）
复杂胜于凌乱（如果复杂不可避免，那代码间也不能有难懂的关系，要保持接口简洁）
扁平胜于嵌套（优美的代码应当是扁平的，不能有太多的嵌套）
间隔胜于紧凑（优美的代码有适当的间隔，不要奢望一行代码解决问题）
可读性很重要（优美的代码是可读的）
即便假借特例的实用性之名，也不可违背这些规则（这些规则至高无上）
不要包容所有错误，除非你确定需要这样做（精准地捕获异常，不写 except:pass 风格的代码）
当存在多种可能，不要尝试去猜测
而是尽量找一种，最好是唯一一种明显的解决方案（如果不确定，就用穷举法）
虽然这并不容易，因为你不是 Python 之父（这里的 Dutch 是指 Guido ）
做也许好过不做，但不假思索就动手还不如不做（动手之前要细思量）
如果你无法向人描述你的方案，那肯定不是一个好方案；反之亦然（方案测评标准）
命名空间是一种绝妙的理念，我们应当多加利用（倡导与号召）
8.Python2/3的差异：
Python3改进：
print改为函数，可以指定sep参数；
编码问题：Python3不再有Unicode对象，默认str就是Unicode
除法变化，Python3除号（/）返回浮点数，Python2向下取整，Python3向下取整为（//）
类型注解（type hint）。帮助IDE实现类型检查；
主要是提示作用，检查可以用mypy包
优化的super()函数方便直接调用父类函数；
高级解包操作：a,b,*rest=range(10)
限定关键字参数（Keyword only arguments），防止把数据搞混
Chained exceptions。Python3重新抛出异常不会丢失栈信息（有利于排错），raise from保留栈信息（raise NotImplementedError("haha") from OSError）
一切返回迭代器range，zip，map，dict.values,etc(节省内存)
生成的pyc文件统一放到__pyache__;
一些内置库的修改，如urllib，selector等；
性能优化等
Python新增：
yield from链接子生成器；
asyncio内置库，async/await原生协程支持异步编程；
新的内置库enum（枚举），mock（单测），asyncio（异步），ipaddress（处理ip地址），concurent.futures等
Python/2/3兼容工具：
six模块；2to3等工具转换代码；__future__
9. Python函数常考题:
Python如何传递参数：
传递值还是引用？都不是，唯一支持的参数传递是共享传参；
Call by Object（Call by Object Reference or Call by Sharing）
共享传参，函数形参获得实参种各个引用的副本
ll指向[1,2,3],l也指向[1,2,3],后又指向[],所以ll仍为[1,2,3],l为[]
默认参数只计算一次
Python可变，不可变对象：
不可变对象：bool/int/float.str/frozenset;
可变对象：list/set/dict
Python *args,**kwargs:
用来处理可变参数，*args会被打包成tuple，**kwargs会打包成dict
10.Python异常处理机制：
什么是Python的异常：
Python使用异常处理错误（有些语言使用错误码，如C）
BaseException（最低层异常）
SystemExit，Timeout（超时），KeyboradInterrupt（ctrl+c），GeneratorExit（生成器退出异常），继承Exception（继承BaseException）
使用异常常见场景：
网络超时(超时，资源错误)；
资源问题（权限问题，资源不存在）
代码逻辑（越界访问，KeyError等）
如何处理：
try: #fun #可能抛出异常的代码块 except (Exception1,Exception2) as e: #可以捕获多个异常并处理 #异常处理的代码 else: #pass #异常没有发生的时候代码逻辑 finally: pass #无论异常有没有发生都会执行的代码，一般处理资源的关闭和释放
如何自定义异常，作用：
通过继承Exception实现定义异常（为什么不是BaseException，ctrl+c不能结束,BaseException是所有异常的基类，KeyboradInterrupt和SystemExit，GeneratorExit，Exception都继承于它，如果继承BaseException，可能捕获不到一些异常。）
给异常加一些附加信息；
处理一些业务相关的特定异常（raise MyException）
10.Python性能分析与优化，GIL常考题：
GIL（Global Interpreter Lock）：全局解释器锁
Cpython解释器的内存管理并不是线程安全的；
保护多线程情况下对Python对象的访问；
Cpython使用简单的锁机制避免多个线程同时执行字节码。
GIL的影响：
限制了程序的多核执行：
同一个时间只能有一个线程执行字节码；
CPU密集程序难以利用多核优势；
IO期间会释放GIL，对IO密集程序影响不大
如何规避GIL影响：
CPU密集可以用多进程+进程池；
IO密集使用多线程/协程
cython扩展
Python中什么操作才是原子的？一步到位执行完：
一个操作如果一个字节码指令可以完成就是原子的；
原子的是可以保证线程安全的；
使用dis操作来分析字节码。
如何剖析程序性能：
使用profile工具（内置或第三方）
二八定律：大部分时间耗时在少量代码上；
内置的profile/cprofile等工具；
使用pyflame（uber开源）的火焰图工具
服务端性能优化措施：
web应用一般语言不会成为瓶颈：
数据结构与算法优化；
数据库层：索引优化，慢查询消除，批量操作减少IO，NoSql
网络IO：批量操作，pipeline操作减少IO
缓存：使用内存数据库 redis。memcached
异步：asyncio，celery
并发：gevent/多线程
11.生成器和协程：
生成器：
生成器就是可以生成值的函数；
当一个函数里有了yield关键字就成了生成器；
生成器可以挂起并保持当前执行状态
基于生成器的协程：
Python3之前没有原生的协程，只有基于生成器的协程
pep342增强生成器功能；
生成器可以通过yield暂停执行和产出数据；
同时支持end()向生成器发送数据和throw()向生成器抛异常
协程注意点：
协程使用send(None)或者next(coroutine)来预激（prime）才能启动；
在yield出协程会暂停执行；
单独的yield value会产出值给调用方；
可以通过coroutine.send(value)来给协程发送值，发送的值会赋值给yield表达式左边的变量value=yield
协程执行完成后（没有遇到下一个yield语句）会抛出StopIteration异常
避免每次都使用send预激它（from functool import wraps）@wraps装饰器向前执行一个yield表达式，预激
Python3.5引入async/await支持原生协程
12.Python单元测试：
什么是单元测试：
针对程序模块进行正确性检验；
一个函数，一个类进行验证；
自底向上保证程序正确性
为什么要写单元测试：
三无代码不可取（无文档，无注释，无单测）
保证代码逻辑的正确性（甚至有些采用测试驱动开发（TDD）)
单测影响设计，易测的代码往往是高类聚低耦合的；
回归测试，防止一处修改整个服务不可用
单元测试库：
nose/pytest较为常用；
mock模块用来模拟替换网络请求等
coverage统计测试覆盖率
Python深拷贝和浅拷贝：
深拷贝，包含对象里面的自对象的拷贝，所以原始对象的改变不会造成深拷贝里任何子元素的改变。
浅拷贝相当于拷贝了对象的引用（在python中，对象赋值实际上是对象的引用。当创建一个对象，然后把它赋给另一个变量的时候，python并没有拷贝这个对象，而只是拷贝了这个对象的引用）
Python创建二维数组：
https://www.cnblogs.com/woshare/p/5823303.html
二.算法和数据结构：
1.常用的内置算法结构：
sorted；
dict/list/set/tuple....
collections中常用模块：
namedtuple：让tuple属性可读（赋予名字）
deque：双端队列(可以在队列前后操作，方便实现queue/statck)
Counter：实现计数的功能
OrderDict:可以记住key第一次进入的位置（有序的）
defaultdict（）：键不存在时不会报错(带有默认值的字典)
dict低层使用的hash表：
为了支持快速查找使用了哈希表作为低层结构；
哈希表平均查找复杂度为O（1）；
CPython解释器使用二次探查解决哈希冲突问题（如何解决哈希冲突，哈希扩容）
list vs tuple：
都是线性结构，支持下标访问；
list是可变对象，tuple是保存的引用不可变(指的是没法替换掉这个对象，但是如果对像本身是一个可变对象，是可以修改这个引用指向的可变对象的)；
list没法作为字典的key，tuple可以（可变对象不可hash）
LRUCache：
Least-Recently-Used替换最少使用的对象
缓存剔除策略，当缓存空间不够用的时候需要一种方式剔除key
常见的有LRU，LFU
LRU通过使用一个循环双端队列不断把最新访问的key放到表头实现
实现：
字典利用缓存，循环双端链表用来记录访问顺序：
利用Python内置的dict+collections.OrderdDict实现；
dict用来当作k/v键值对的缓存；
OrderedDict用来实现最近访问的key
实现代码：
1 from collections import OrderedDict 2 3 class LRUCathe: 4 def __init__(self,capacity=120): 5 self.od=OrderedDict() 6 self.capacity=capacity 7 8 def get(self,key): 9 if key in self.od: 10 val=self.od[key] 11 self.od.move_to_end(key) 12 return val 13 else: 14 return -1 15 # 更新k/v 16 def put(self,key,value): 17 if key in self.od: 18 del self.od[key] 19 #更新key到表头 20 self.od[key]=value 21 else: 22 self.od[key]=value 23 #判断当前容量是否满了 24 if len(self.od)>self.capacity: 25 self.od.popitem(last=False)
2.算法常考题：
排序，查找等。。。。
排序的稳定性：
相同大小的元素排序之后保持相对的位置不变，就是稳定的。稳定性对于排序一个复杂的结构，并且保持原有排序才有意义。
快排：（分治法）
选择基准分割数组为两个字数组，小于基准和大于基准的；
对两个子数组分别快排；
合并结果。
1 '''快速排序： 2 时间平均复杂度:O(nlog2n) 3 最好情况:O(nlog2n) 4 最坏:O(n^2) 5 空间复杂度:O(nlog2n) 6 排序方式：内部排序 7 稳定性：不稳定 8 ''' 9 def quicksort(arr): 10 if len(arr)<2: 11 return arr 12 13 pivot_index=0 14 pivot=arr[pivot_index] 15 less_pivot=[i for i in arr[pivot_index+1:] if i <=pivot] 16 great_pivot=[i for i in arr[pivot_index+1:] if i > pivot] 17 return quicksort(less_pivot)+[pivot]+quicksort(great_pivot) 18 print(quicksort([3,4,5,6]))