Python基础技术问题总结

简介:

Introduction

此篇文章总结python一些常见的技术问题,每一个都是简短的解释,篇幅不大,不断更新中…


解释一下python的 and-or 语法

python的and-or常常被用来实现类C语言中的三元运算符:?, 更骚包的写法是 xxx and xxx or xxx and xxx or xxx,连接多个表达式,一行就够了。


if a > 10:
   return "big"
elif a > 5:
   return "middle"
else:
   return "small"

a > 5 and "big" or a > 3 and "middle" or "small"


但是要注意and-or并不完全等价于三元运算符,因为 a and b or c ,如果b是个假值,那么将返回c。

不过有技巧能够实现:


def choose(bool, a, b):
   return (bool and [a] or [b])[0]


Python里面如何拷贝一个对象?

这个问题在 python cookbook中有很好的解释。

标准库中的copy模块提供了两个方法来实现拷贝.一个方法是copy,它返回和参数包含内容一样的对象.


import copy
new_list = copy.copy(existing_list)


有些时候,你希望对象中的属性也被复制,可以使用deepcopy方法:


import copy
new_list_of_dicts = copy.deepcopy(existing_list_of_dicts)


copy(x)
Shallow copy operation on arbitrary Python objects.

deepcopy(x, memo=None, _nil=[])
Deep copy operation on arbitrary Python objects.


python中如何判断对象相等

也有一个类似的问题会被面试官问爆,我们不能将这个问题弄混了。

首先是C#中字符串的==和equal方法。

“==” :

对于内置值类型而言, == 判断两个内存值是否相等。

对于用户自定义的值类型而言(Struct), == 需要重载,否则不能使用。

对于引用类型而言,默认是同一引用才返回true,但是系统重载了很多引用类型的 == (比如下文提到的string),所以c#中引用类型的比较并不建议使用 ==。

“equals” :

对于值类型而言, 内存相等才返回true。

对于引用类型而言,指向同一个引用才算相等。

但是比较特殊的是字符串String,是一个特殊的引用型类型,在C#语言中,重载了string的equals()方法,使string对象用起来就像是值类型一样。

python中的 ==

python中的对象包含三要素:id, type, value

id 用来标识唯一一个对象,type标识对象的类型,value用来设置对象的值。

is 判断是否是一个对象,使用id来判断的。

== 是判断a对象的值是否是b对象的值,默认调用它的__eq__方法。


什么是lambda函数?它有什么好处?

早期自认为看了许多东西,总想把lambda表达式和lambda演算之间的关系研究明白,但是后来发现,文献中除了说lambda这个名字的由来是借鉴了lambda演算之外,再没有谈及其它。

那么lambda表达式有什么好处?匿名函数,一般用来给filter,map这样的函数式编程服务,map(lambda x: x*2,[1,2,3,4,5])

或者就是一次性产品。类似于这种即用即扔的产品:(lambda x: x*2)(3)

或者作为回调函数,传递给某些应用,比如消息处理。


请写出一段Python代码实现删除一个list里面的重复元素

可能有人用循环对比删除的办法去实现,不过有一个更优雅的办法,list(set(li))。


命名技巧

今天阅读代码,发现一个不错的函数命名方式:


def request(_argv):


就是把所有的参数前面都加上_下划线,这样你在函数体中,一眼就可以看出那些是局部变量,那些是作为参数传入的,类似把全局变量前面加上g。










本文转自 小强测试帮 51CTO博客,原文链接:http://blog.51cto.com/xqtesting/1641727,如需转载请自行联系原作者
目录
相关文章
|
20天前
|
缓存 NoSQL Redis
Python缓存技术(Memcached、Redis)面试题解析
【4月更文挑战第18天】本文探讨了Python面试中关于Memcached和Redis的常见问题,包括两者的基础概念、特性对比、客户端使用、缓存策略及应用场景。同时,文章指出了易错点,如数据不一致和缓存淘汰策略,并提供了实战代码示例,帮助读者掌握这两款内存键值存储系统的使用和优化技巧。通过理解其核心特性和避免常见错误,可以提升在面试中的表现。
26 2
|
5天前
|
Python
Python中赋值使地址一样的技术探究
Python中赋值使地址一样的技术探究
19 0
|
5天前
|
算法 Python
Python中不使用sort对列表排序的技术
Python中不使用sort对列表排序的技术
17 1
|
5天前
|
数据采集 编解码 数据挖掘
使用Python进行多次降采样技术
使用Python进行多次降采样技术
10 1
|
5天前
|
数据可视化 Python
Python中的等值线平滑处理技术
Python中的等值线平滑处理技术
12 2
|
11天前
|
机器学习/深度学习 算法 前端开发
【Python机器学习专栏】机器学习中的模型融合技术
【4月更文挑战第30天】模型融合,即集成学习,通过结合多个模型提升预测性能。常见方法包括:Bagging(如Random Forest)、Boosting(如AdaBoost、XGBoost)和Stacking。Python中可使用`scikit-learn`实现,例如BaggingClassifier示例。模型融合是机器学习中的强大工具,能提高整体性能并适应复杂问题。
|
11天前
|
机器学习/深度学习 算法 Python
【Python机器学习专栏】机器学习中的超参数调优技术
【4月更文挑战第30天】本文探讨了机器学习中超参数调优的重要性,介绍了网格搜索、随机搜索、贝叶斯优化和AutoML等调优方法,并提供了Python中使用`scikit-learn`进行网格搜索的示例。超参数的选择直接影响模型学习和泛化能力,而调优技术能帮助找到最佳组合,提升模型性能。随着AutoML的发展,自动化调参将成为更高效的选择。
|
11天前
|
机器学习/深度学习 算法 算法框架/工具
【Python机器学习专栏】深度学习中的正则化与优化技术
【4月更文挑战第30天】本文探讨了深度学习中的正则化和优化技术,以提升模型的泛化能力和训练效率。正则化包括L1和L2正则化以及Dropout,防止过拟合。优化技术涵盖梯度下降法、动量法和Adam优化器,加速模型收敛。Python示例展示了如何在Keras中应用这些技术,如L2正则化、Dropout及Adam优化器。
|
11天前
|
机器学习/深度学习 数据采集 算法
【Python机器学习专栏】数据标准化与归一化技术
【4月更文挑战第30天】在机器学习中,数据预处理的两大关键步骤是标准化和归一化,旨在调整数据范围以优化算法性能。标准化将数据缩放到特定区间,如[-1, 1]或[0, 1],适合基于距离的算法,如KNN、SVM。归一化则将数据线性变换到[0, 1],保持相对关系。Python中可使用`sklearn.preprocessing`的`MinMaxScaler`和`StandardScaler`实现这两种操作。选择哪种方法取决于数据分布和算法需求。预处理能提升模型理解和性能,增强预测准确性和可靠性。
|
11天前
|
机器学习/深度学习 算法 Python
【Python机器学习专栏】数据特征选择与降维技术
【4月更文挑战第30天】本文探讨了Python中数据特征选择与降维技术在机器学习和数据分析中的应用。特征选择包括单变量选择、递归特征消除(RFE)、树模型的特征重要性和相关性分析,有助于去除冗余和无关特征。降维技术涵盖PCA、LDA以及非线性方法如KPCA和ISOMAP,用于在低维空间保留信息。这些技术能简化数据、提升模型性能及可解释性。