Python面试题 01

目录

1. dict 和 set 的区别？

2. Python 的实现和其他语言不一致？

3. 你能想到其他语言为什么还要保留红黑树的实现呢？不都直接用 hashTable？

✅ 1. 有序性 (Ordering)

✅ 2. 稳定的性能与可预测性 (Stable Performance & Predictability)

✅ 3. 对键（Key）的要求更宽松

✅ 4. 语言设计哲学的差异

4. 在 Python 中，进程和线程的区别？

5. Python 数据处理的库有哪些？用过吗？

🔹 基础科学计算：

🔹 可视化：

🔹 机器学习：

🔹 大数据：

7. Python 的迭代器（Iterator）和生成器（Generator）有什么区别？

🔄 迭代器（Iterator）

⚡ 生成器（Generator）

8. 什么是协程？它和线程有什么本质区别？

🌀 协程（Coroutine）

🧵 线程（Thread）

9. Numpy 和 Pandas 区别在哪？

📊 NumPy

📈 Pandas

✅ 总结建议

1. dict 和 set 的区别？

• dict（字典）：键值对集合，{key: value}。键必须唯一且可哈希，值任意。

  • 用途：存储映射关系，如用户ID → 用户信息。
  • 示例：{"name": "Alice", "age": 25}

• set（集合）：无序不重复元素集合，{element1, element2, ...}。

  • 用途：去重、成员检查、数学集合运算（并集、交集等）。
  • 示例：{1, 2, 3}

✅核心区别：

• dict 存储的是“键→值”的映射；set 只存储“键”（即元素本身），没有值。
• 底层实现类似（都是哈希表），但语义和API不同。

2. Python 的实现和其他语言不一致？

是的，Python 的内置数据结构（如dict,set）在 CPython 中是用开放寻址法 + 二次探测实现的哈希表，而其他语言可能不同：

• Java / C++ STL：常用链地址法（链表+数组）处理冲突。
• Go：使用动态扩容 + 分段哈希表。
• Ruby：早期用链地址法，后来也优化为开放寻址。

📌为什么不一样？

• 设计哲学不同：Python 追求简洁高效，CPython 用开放寻址减少内存碎片。
• 历史原因：Python 早期设计选择影响了后续演进。
• 性能权衡：开放寻址缓存友好，但删除复杂；链地址法删除简单，但指针开销大。

3. 你能想到其他语言为什么还要保留红黑树的实现呢？不都直接用 hashTable？

虽然哈希表平均 O(1)，但红黑树（平衡二叉搜索树）有不可替代的优势：

✅ 1. 有序性 (Ordering)

红黑树是天然有序的：红黑树是一种自平衡的二又搜索树。它的结构保证了无论你如何插入或删除元素，对它进行中序遍历，得到的结果永远是按键值排序的。

哈希表是无序的：当你遍历一个哈希表时，元素的顺序是混乱的，它取决于哈希函数的实现、哈希冲突以及插入/删除的历史。在Python3.7+中，dict虽然保持了插入顺序，但这和按键值排序是完全不同的概念。

• 红黑树天然保持键的排序，支持范围查询（如get_range(key_min, key_max)）、前驱/后继查找。
• 哈希表无序，无法高效做范围操作。

✅ 2. 稳定的性能与可预测性 (Stable Performance & Predictability)

• 哈希表最坏情况 O(n)（大量冲突时），红黑树始终 O(log n)。
• 实时系统、金融交易等场景需要确定性延迟。

✅ 3. 对键（Key）的要求更宽松

• 哈希表要求键可哈希（hashable），红黑树只需可比较（comparable）。
• 比如自定义对象若无合理 hash 函数，但能定义<运算符，仍可用红黑树。

✅ 4. 语言设计哲学的差异

• Java 的TreeMap/ C++ 的std::map提供有序容器，满足特定需求。
• Python 的dict从 3.7+ 保证插入顺序，但不是“排序”，而是“遍历顺序=插入顺序”。

📌 举例：数据库索引常用 B+ 树（红黑树变种），因为要支持范围扫描和排序。

4. 在 Python 中，进程和线程的区别？

💡GIL（全局解释器锁）：CPython 中防止多线程同时执行字节码，导致多线程在 CPU 密集任务上无法并行。

✅ 推荐：

• CPU 密集 →multiprocessing
• I/O 密集 →threading或asyncio

5. Python 数据处理的库有哪些？用过吗？

常用数据处理库：

🔹 基础科学计算：

• NumPy：多维数组、矩阵运算、广播机制。
• Pandas：DataFrame/Series，表格数据处理、清洗、聚合。
• SciPy：科学计算（积分、优化、统计等）。

🔹 可视化：

• Matplotlib：基础绘图。
• Seaborn：基于 Matplotlib 的统计图表。
• Plotly：交互式图表。

🔹 机器学习：

• Scikit-learn：传统 ML 算法。
• TensorFlow / PyTorch：深度学习框架。

🔹 大数据：

• Dask：并行计算，兼容 Pandas/NumPy API。
• PySpark：Spark 的 Python 接口。

✅ 我常用：

• 数据分析 → Pandas + NumPy
• 可视化 → Seaborn + Plotly
• 建模 → Scikit-learn

7. Python 的迭代器（Iterator）和生成器（Generator）有什么区别？

🔄 迭代器（Iterator）

• 实现__iter__()和__next__()方法的对象。
• 手动控制迭代过程。
• 示例：

class MyIter: def __init__(self, max): self.max = max self.current = 0 def __iter__(self): return self def __next__(self): if self.current < self.max: val = self.current self.current += 1 return val else: raise StopIteration

⚡ 生成器（Generator）

• 使用yield关键字的函数，自动实现迭代器协议。
• 更简洁，惰性求值，节省内存。
• 示例：

def my_gen(max): for i in range(max): yield i

✅区别总结：

💡 所有生成器都是迭代器，但反之不成立。

8. 什么是协程？它和线程有什么本质区别？

🌀 协程（Coroutine）

• 用户态轻量级线程，由程序员手动调度（或通过 async/await 自动调度）。
• 单线程内并发，通过yield或await挂起/恢复。
• 适用于 I/O 密集型任务（网络请求、文件读写等）。

🧵 线程（Thread）

• 操作系统级别的并发单元，由 OS 调度。
• 多线程可并行（多核），但受 GIL 限制（CPython）。
• 上下文切换成本高，需锁保护共享资源。

✅本质区别：

📌 Python 中协程通过asyncio实现：

import asyncio async def fetch_data(): await asyncio.sleep(1) return "data" asyncio.run(fetch_data())

9. Numpy 和 Pandas 区别在哪？

📊 NumPy

• 核心：ndarray（N 维数组）
• 优势：数值计算快、内存紧凑、支持广播、向量化操作。
• 适用：纯数值运算、矩阵运算、图像处理、科学计算。

📈 Pandas

• 核心：Series（一维）、DataFrame（二维表格）
• 优势：标签索引、缺失值处理、分组聚合、时间序列、数据清洗。
• 适用：数据分析、报表生成、ETL、业务逻辑处理。

✅优先选择 NumPy 的场景：

• 纯数学运算（如矩阵乘法、傅里叶变换）
• 图像/信号处理（像素数组操作）
• 需要极致性能且数据结构规整

✅优先选择 Pandas 的场景：

• 处理带列名的表格数据（CSV/Excel/SQL）
• 数据清洗（去重、填充、转换）
• 分组聚合（groupby）、透视表（pivot_table）
• 时间序列分析（resample, rolling）

📌 实际工作中常配合使用：

import numpy as np import pandas as pd df = pd.DataFrame({'A': [1,2,3], 'B': [4,5,6]}) arr = df.values # 转为 NumPy 数组进行计算 result = np.sum(arr, axis=0)

✅ 总结建议

这些题目覆盖了 Python 核心数据结构、并发模型、生态工具，是python开发岗位常见考点。建议：

• 理解原理（如哈希表 vs 红黑树）
• 掌握实战场景（何时用进程/线程/协程）
• 熟悉主流库的定位和选型（NumPy vs Pandas）