Python面試必需要看的15個問題

時間 2019-11-20

原文原文鏈接

引言

想找一份Python開發工做嗎？那你極可能得證實本身知道如何使用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自己，不是某個特定的包或模塊。每個問題均可以擴充爲一個教程，若是可能的話。某些問題甚至會涉及多個領域。html

我以前尚未出過和這些題目同樣難的面試題，若是你能輕鬆地回答出來的話，趕忙去找份工做吧！python

問題1

到底什麼是Python？你能夠在回答中與其餘技術進行對比（也鼓勵這樣作）。程序員

答案面試

下面是一些關鍵點：算法

Python是一種解釋型語言。這就是說，與C語言和C的衍生語言不一樣，Python代碼在運行以前不須要編譯。其餘解釋型語言還包括PHP和Ruby。
Python是動態類型語言，指的是你在聲明變量時，不須要說明變量的類型。你能夠直接編寫相似x=111和x="I'm a string"這樣的代碼，程序不會報錯。
Python很是適合面向對象的編程（OOP），由於它支持經過組合（composition）與繼承（inheritance）的方式定義類（class）。Python中沒有訪問說明符（access specifier，相似C++中的public和private），這麼設計的依據是「你們都是成年人了」。
在Python語言中，函數是第一類對象（first-class objects）。這指的是它們能夠被指定給變量，函數既能返回函數類型，也能夠接受函數做爲輸入。類（class）也是第一類對象。
Python代碼編寫快，可是運行速度比編譯語言一般要慢。好在Python容許加入基於C語言編寫的擴展，所以咱們可以優化代碼，消除瓶頸，這點一般是能夠實現的。numpy就是一個很好地例子，它的運行速度真的很是快，由於不少算術運算其實並非經過Python實現的。
Python用途很是普遍——網絡應用，自動化，科學建模，大數據應用，等等。它也常被用做「膠水語言」，幫助其餘語言和組件改善運行情況。
Python讓困難的事情變得容易，所以程序員能夠專一於算法和數據結構的設計，而不用處理底層的細節。

爲何提這個問題：編程

若是你應聘的是一個Python開發崗位，你就應該知道這是門什麼樣的語言，以及它爲何這麼酷。以及它哪裏很差。網絡

問題2

補充缺失的代碼數據結構

def print_directory_contents(sPath):
    """
    這個函數接受文件夾的名稱做爲輸入參數，
    返回該文件夾中文件的路徑，
    以及其包含文件夾中文件的路徑。

    """
    # 補充代碼

答案多線程

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

特別要注意如下幾點：app

命名規範要統一。若是樣本代碼中可以看出命名規範，遵循其已有的規範。
遞歸函數須要遞歸併終止。確保你明白其中的原理，不然你將面臨無休無止的調用棧（callstack）。
咱們使用os模塊與操做系統進行交互，同時作到交互方式是能夠跨平臺的。你能夠把代碼寫成sChildPath = sPath + '/' + sChild，可是這個在Windows系統上會出錯。
熟悉基礎模塊是很是有價值的，可是別想破腦殼都背下來，記住Google是你工做中的良師益友。
若是你不明白代碼的預期功能，就大膽提問。
堅持KISS原則！保持簡單，不過腦子就能懂！

爲何提這個問題：

說明面試者對與操做系統交互的基礎知識
遞歸真是太好用啦

問題3

閱讀下面的代碼，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]]

爲何提這個問題：

列表解析（list comprehension）十分節約時間，對不少人來講也是一個大的學習障礙。
若是你讀懂了這些代碼，就極可能能夠寫下正確地值。
其中部分代碼故意寫的怪怪的。由於你共事的人之中也會有怪人。

問題4

Python和多線程（multi-threading）。這是個好主意碼？列舉一些讓Python代碼以並行方式運行的方法。

答案

Python並不支持真正意義上的多線程。Python中提供了多線程包，可是若是你想經過多線程提升代碼的速度，使用多線程包並非個好主意。Python中有一個被稱爲Global Interpreter Lock（GIL）的東西，它會確保任什麼時候候你的多個線程中，只有一個被執行。線程的執行速度很是之快，會讓你誤覺得線程是並行執行的，可是實際上都是輪流執行。通過GIL這一道關卡處理，會增長執行的開銷。這意味着，若是你想提升代碼的運行速度，使用threading包並非一個很好的方法。

不過仍是有不少理由促使咱們使用threading包的。若是你想同時執行一些任務，並且不考慮效率問題，那麼使用這個包是徹底沒問題的，並且也很方便。可是大部分狀況下，並非這麼一回事，你會但願把多線程的部分外包給操做系統完成（經過開啓多個進程），或者是某些調用你的Python代碼的外部程序（例如Spark或Hadoop），又或者是你的Python代碼調用的其餘代碼（例如，你能夠在Python中調用C函數，用於處理開銷較大的多線程工做）。

爲何提這個問題

由於GIL就是個混帳東西（A-hole）。不少人花費大量的時間，試圖尋找本身多線程代碼中的瓶頸，直到他們明白GIL的存在。

問題5

你如何管理不一樣版本的代碼？

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（或是其餘你最喜歡的工具）追蹤本身和奶奶的書信往來。我偏向於使用Git做爲版本控制系統（VCS），但還有其餘的選擇，好比subversion（SVN）。

爲何提這個問題：

由於沒有版本控制的代碼，就像沒有杯子的咖啡。有時候咱們須要寫一些一次性的、能夠隨手扔掉的腳本，這種狀況下不做版本控制不要緊。可是若是你面對的是大量的代碼，使用版本控制系統是有利的。版本控制可以幫你追蹤誰對代碼庫作了什麼操做；發現新引入了什麼bug；管理你的軟件的不一樣版本和發行版；在團隊成員中分享源代碼；部署及其餘自動化處理。它能讓你回滾到出現問題以前的版本，單憑這點就特別棒了。還有其餘的好功能。怎麼一個棒字了得！

問題6

下面代碼會輸出什麼：

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？

第一個函數調用十分明顯，for循環前後將0和1添加至了空列表l中。l是變量的名字，指向內存中存儲的一個列表。第二個函數調用在一塊新的內存中建立了新的列表。l這時指向了新生成的列表。以後再往新列表中添加0、一、2和4。很棒吧。第三個函數調用的結果就有些奇怪了。它使用了以前內存地址中存儲的舊列表。這就是爲何它的前兩個元素是0和1了。

不明白的話就試着運行下面的代碼吧：

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？這種作法好嗎？

答案：

「猴子補丁」就是指，在函數或對象已經定義以後，再去改變它們的行爲。

舉個例子：

import datetime
datetime.datetime.now = lambda: datetime.datetime(2012, 12, 12)

大部分狀況下，這是種很很差的作法 - 由於函數在代碼庫中的行爲最好是都保持一致。打「猴子補丁」的緣由多是爲了測試。mock包對實現這個目的頗有幫助。

爲何提這個問題？

答對這個問題說明你對單元測試的方法有必定了解。你若是提到要避免「猴子補丁」，能夠說明你不是那種喜歡花裏胡哨代碼的程序員（公司裏就有這種人，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底層運做的方式，函數實際是如何存儲、調用等等。

另外：若是你沒讀過mock模塊的話，真的值得花時間讀一讀。這個模塊很是有用。

問題8

這兩個參數是什麼意思：*args，**kwargs？咱們爲何要使用它們？

答案

若是咱們不肯定要往函數中傳入多少個參數，或者咱們想往函數中以列表和元組的形式傳參數時，那就使要用*args；若是咱們不知道要往函數中傳入多少個關鍵詞參數，或者想傳入字典的值做爲關鍵詞參數時，那就要使用**kwargs。args和kwargs這兩個標識符是約定俗成的用法，你固然還能夠用*bob和**billy，可是這樣就並不太妥。

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,"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}

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,"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}

爲何提這個問題？

有時候，咱們須要往函數中傳入未知個數的參數或關鍵詞參數。有時候，咱們也但願把參數或關鍵詞參數儲存起來，以備之後使用。有時候，僅僅是爲了節省時間。

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數，要麼接受函數做爲輸入參數，並返回一個函數，要麼接受一個類做爲輸入參數，並返回一個類。@標記是語法糖（syntactic sugar），可讓你以簡單易讀得方式裝飾目標對象。

@my_decorator
def my_func(stuff):
    do_things
Is equivalent to

def my_func(stuff):
    do_things

my_func = my_decorator(my_func)

你能夠在本網站上找到介紹裝飾器工做原理的教材。

真正的答案

@classmethod, @staticmethod和@property這三個裝飾器的使用對象是在類中定義的函數。下面的例子展現了它們的用法和行爲：

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()
# 未裝飾的方法仍是正常的行爲方式，須要當前的類實例（self）做爲第一個參數。

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})

# 類方法的第一個參數永遠是該類

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）中除了你調用時傳入的參數之外，沒有其餘的參數。

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。直接調用它們是錯誤的。
# 「只讀」屬性能夠經過只定義getter方法，不定義setter方法實現。

o.some_property
# 調用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 = "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>,(),{})

問題10

閱讀下面的代碼，它的輸出結果是什麼？

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

a = A()
b = B()
c = C()
d = D()
e = E()

# 說明下列代碼的輸出結果

a.go()
b.go()
c.go()
d.go()
e.go()

a.stop()
b.stop()
c.stop()
d.stop()
e.stop()

a.pause()
b.pause()
c.pause()
d.pause()
e.pause()

答案

輸出結果以註釋的形式表示：

a.go()
# go A go!

b.go()
# go A go!
# go B go!

c.go()
# go A go!
# go C go!

d.go()
# go A go!
# go C go!
# go B go!
# go D go!

e.go()
# go A go!
# go C go!
# go B go!

a.stop()
# stop A stop!

b.stop()
# stop A stop!

c.stop()
# stop A stop!
# stop C stop!

d.stop()
# stop A stop!
# stop C stop!
# stop D stop!

e.stop()
# stop A stop!

a.pause()
# ... Exception: Not Implemented

b.pause()
# ... Exception: Not Implemented

c.pause()
# ... Exception: Not Implemented

d.pause()
# wait D wait!

e.pause()
# ...Exception: Not Implemented

爲何提這個問題？

由於面向對象的編程真的真的很重要。不騙你。答對這道問題說明你理解了繼承和Python中super函數的用法。

問題11

閱讀下面的代碼，它的輸出結果是什麼？

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)

# 說明下面代碼的輸出結果

oRoot.print_all_1()
oRoot.print_all_2()

答案

oRoot.print_all_1()會打印下面的結果：

<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()會打印下面的結果：

<Node 'root'>
<Node 'child1'>
<Node 'child2'>
<Node 'child3'>
<Node 'child4'>
<Node 'child5'>
<Node 'child6'>
<Node 'child8'>
<Node 'child9'>
<Node 'child7'>
<Node 'child10'>

爲何提這個問題？

由於對象的精髓就在於組合（composition）與對象構造（object construction）。對象須要有組合成分構成，並且得以某種方式初始化。這裏也涉及到遞歸和生成器（generator）的使用。

生成器是很棒的數據類型。你能夠只經過構造一個很長的列表，而後打印列表的內容，就能夠取得與print_all_2相似的功能。生成器還有一個好處，就是不用佔據不少內存。

有一點還值得指出，就是print_all_1會以深度優先（depth-first）的方式遍歷樹(tree),而print_all_2則是寬度優先（width-first）。有時候，一種遍歷方式比另外一種更合適。但這要看你的應用的具體狀況。

問題12

簡要描述Python的垃圾回收機制（garbage collection）。

答案

這裏能說的不少。你應該提到下面幾個主要的點：

Python在內存中存儲了每一個對象的引用計數（reference count）。若是計數值變成0，那麼相應的對象就會小時，分配給該對象的內存就會釋放出來用做他用。
偶爾也會出現引用循環（reference cycle）。垃圾回收器會定時尋找這個循環，並將其回收。舉個例子，假設有兩個對象o1和o2，並且符合o1.x == o2和o2.x == o1這兩個條件。若是o1和o2沒有其餘代碼引用，那麼它們就不該該繼續存在。但它們的引用計數都是1。
Python中使用了某些啓發式算法（heuristics）來加速垃圾回收。例如，越晚建立的對象更有可能被回收。對象被建立以後，垃圾回收器會分配它們所屬的代（generation）。每一個對象都會被分配一個代，而被分配更年輕代的對象是優先被處理的。

問題13

將下面的函數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做爲輸入。這個列表能夠很長。一個輸入列表的示例以下：[random.random() for i in range(100000)]。你如何證實本身的答案是正確的。

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：f二、f1和f3。要證實這個答案是對的，你應該知道如何分析本身代碼的性能。Python中有一個很好的程序分析包，能夠知足這個需求。

import cProfile
lIn = [random.random() for i in range(100000)]
cProfile.run('f1(lIn)')
cProfile.run('f2(lIn)')
cProfile.run('f3(lIn)')

爲了向你們進行完整地說明，下面咱們給出上述分析代碼的輸出結果：

>>> 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}

爲何提這個問題？

定位並避免代碼瓶頸是很是有價值的技能。想要編寫許多高效的代碼，最終都要回答常識上來——在上面的例子中，若是列表較小的話，很明顯是先進行排序更快，所以若是你能夠在排序前先進行篩選，那一般都是比較好的作法。其餘不顯而易見的問題仍然能夠經過恰當的工具來定位。所以瞭解這些工具是有好處的。