diff --git a/src/.vuepress/navbar.ts b/src/.vuepress/navbar.ts index ed1c25d..f8a06ce 100644 --- a/src/.vuepress/navbar.ts +++ b/src/.vuepress/navbar.ts @@ -3,7 +3,7 @@ import { navbar } from "vuepress-theme-hope"; export default navbar([ "/", "/portfolio", - "/demo/", + // "/demo/", { text: "面试", link: "/interview/", @@ -12,27 +12,37 @@ export default navbar([ // activeMatch: "^/interview/$", }, { - text: "指南", + text: "Java", + link: "/java/", icon: "lightbulb", - prefix: "/guide/", - children: [ - { - text: "Bar", - icon: "lightbulb", - prefix: "bar/", - children: ["baz", { text: "...", icon: "ellipsis", link: "" }], - }, - { - text: "Foo", - icon: "lightbulb", - prefix: "foo/", - children: ["ray", { text: "...", icon: "ellipsis", link: "" }], - }, - ], }, { - text: "V2 文档", - icon: "book", - link: "https://theme-hope.vuejs.press/zh/", + text: "Python", + link: "/python/", + icon: "lightbulb", }, + // { + // text: "指南", + // icon: "lightbulb", + // prefix: "/guide/", + // children: [ + // { + // text: "Bar", + // icon: "lightbulb", + // prefix: "bar/", + // children: ["baz", { text: "...", icon: "ellipsis", link: "" }], + // }, + // { + // text: "Foo", + // icon: "lightbulb", + // prefix: "foo/", + // children: ["ray", { text: "...", icon: "ellipsis", link: "" }], + // }, + // ], + // }, + // { + // text: "V2 文档", + // icon: "book", + // link: "https://theme-hope.vuejs.press/zh/", + // }, ]); diff --git a/src/.vuepress/sidebar.ts b/src/.vuepress/sidebar.ts index c1f93ef..0393255 100644 --- a/src/.vuepress/sidebar.ts +++ b/src/.vuepress/sidebar.ts @@ -4,19 +4,19 @@ export default sidebar({ "/": [ "", "portfolio", - { - text: "案例", - icon: "laptop-code", - prefix: "demo/", - link: "demo/", - children: "structure", - }, - { - text: "文档", - icon: "book", - prefix: "guide/", - children: "structure", - }, + // { + // text: "案例", + // icon: "laptop-code", + // prefix: "demo/", + // link: "demo/", + // children: "structure", + // }, + // { + // text: "文档", + // icon: "book", + // prefix: "guide/", + // children: "structure", + // }, { text: "面试", icon: "lightbulb", @@ -30,4 +30,6 @@ export default sidebar({ }, ], "/interview/": "structure", + "/java/": "structure", + "/python/": "structure", }); diff --git a/src/interview/Java/Java基础.md b/src/interview/Java/Java基础.md index 6f53d20..83fbe72 100644 --- a/src/interview/Java/Java基础.md +++ b/src/interview/Java/Java基础.md @@ -20,6 +20,8 @@ order: 1 > Java基础部分，包括语法基础，泛型，注解，异常，反射和其它（如SPI机制等）。 + + ### 1.1 语法基础 #### 面向对象特性？ - **封装** diff --git a/src/java/README.md b/src/java/README.md new file mode 100644 index 0000000..fb0ac3e --- /dev/null +++ b/src/java/README.md @@ -0,0 +1,7 @@ +--- +title: java +icon: lightbulb +index: true +--- + + \ No newline at end of file diff --git a/src/python/README.md b/src/python/README.md new file mode 100644 index 0000000..792ec69 --- /dev/null +++ b/src/python/README.md @@ -0,0 +1,7 @@ +--- +title: python +icon: lightbulb +index: true +--- + + \ No newline at end of file diff --git a/src/python/景霄-Python核心技术与实战.md b/src/python/景霄-Python核心技术与实战.md new file mode 100644 index 0000000..3abaccf --- /dev/null +++ b/src/python/景霄-Python核心技术与实战.md @@ -0,0 +1,589 @@ +--- +# dir: +# text: Java全栈面试 +# icon: laptop-code +# collapsible: true +# expanded: true +# link: true +# index: true +title: jingxiao-Python核心技术与实战 +index: true +headerDepth: 3 +# icon: laptop-code +# sidebar: true +# toc: true +# editLink: false +--- + +![image-20250324235242585](https://b2files.173114.xyz/blogimg/2025/03/f28af7155beada8b06e457238bfbe96f.png) + +第一步：大厦之基，勤加练习 + +第二步：代码规范，必不可少 + +第三步：开发经验，质的突破 + +```python +import numpy as np +import matplotlib.pyplot as plt +%matplotlib inline +plt.plot(*np.random.randn(2, 1000)) +``` + +## 02丨Jupyter Notebook为什么是现代Python的必学技术？ + +另外，我还推荐下面这些 Jupyter Notebook，作为你实践的第一站。 +第一个是 Jupyter 官方：https://mybinder.org/v2/gh/binder-examples/matplotlibversions/ +mpl-v2.0/?filepath=matplotlib_versions_demo.ipynb +第二个是 Google Research 提供的 Colab 环境，尤其适合机器学习的实践应用： +https://colab.research.google.com/notebooks/basic_features_overview.ipynb +如果你想在本地或者远程的机器上安装 Jupyter Notebook，可以参考下面 +的两个文档。 +安装：https://jupyter.org/install.html + +运行：https://jupyter.readthedocs.io/en/latest/running.html#running + +## 03丨列表和元组，到底用哪一个？ + +### 列表和元组基础 + +列表是动态的，长度大小不固定，可以随意地增加、删减或者改变元素（mutable）。 +而元组是静态的，长度大小固定，无法增加删减或者改变（immutable）。 + +```python +l = [1, 2, 'hello', 'world'] # 列表中同时含有 int 和 string 类型的元素 +l +[1, 2, 'hello', 'world'] +tup = ('jason', 22) # 元组中同时含有 int 和 string 类型的元素 +tup +('jason', 22) +``` + + + +```python +l = [1, 2, 3, 4] +l[3] = 40 # 和很多语言类似，python 中索引同样从 0 开始，l[3] 表示访问列表的第四个元素 +l +[1, 2, 3, 40] +tup = (1, 2, 3, 4) +tup[3] = 40 +Traceback (most recent call last): +File "", line 1, in +TypeError: 'tuple' object does not support item assignment +``` + + + +```python +tup = (1, 2, 3, 4) +new_tup = tup + (5, ) # 创建新的元组 new_tup，并依次填充原元组的值 +new_tup +(1, 2, 3, 4, 5) +l = [1, 2, 3, 4] +l.append(5) # 添加元素 5 到原列表的末尾 +l +[1, 2, 3, 4, 5] +``` + +Python 中的列表和元组都支持负数索引，-1 表示最后一个元 +素，-2 表示倒数第二个元素，以此类推。 + +```python +l = [1, 2, 3, 4] +l[-1] +4 + +tup = (1, 2, 3, 4) +tup[-1] +4 +``` + +除了基本的初始化，索引外，列表和元组都支持切片操作： + +```python +l = [1, 2, 3, 4] +l[1:3] # 返回列表中索引从 1 到 2 的子列表 +[2, 3] + +tup = (1, 2, 3, 4) +tup[1:3] # 返回元组中索引从 1 到 2 的子元组 +(2, 3) +``` + +另外，列表和元组都可以随意嵌套： + +```python +l = [[1, 2, 3], [4, 5]] # 列表的每一个元素也是一个列表 +tup = ((1, 2, 3), (4, 5, 6)) # 元组的每一个元素也是一元组 +``` + +当然，两者也可以通过 list() 和 tuple() 函数相互转换： + +```python +list((1, 2, 3)) +[1, 2, 3] +tuple([1, 2, 3]) +(1, 2, 3) +``` + +最后，我们来看一些列表和元组常用的内置函数： + +```python +l = [3, 2, 3, 7, 8, 1] +l.count(3) +2 +l.index(7) +3 +l.reverse() +l +[1, 8, 7, 3, 2, 3] +l.sort() +l +[1, 2, 3, 3, 7, 8] +tup = (3, 2, 3, 7, 8, 1) +tup.count(3) +2 +tup.index(7) +3 +list(reversed(tup)) +[1, 8, 7, 3, 2, 3] +sorted(tup) +[1, 2, 3, 3, 7, 8] +``` + +count(item) 表示统计列表 / 元组中 item 出现的次数。 +index(item) 表示返回列表 / 元组中 item 第一次出现的索引。 +list.reverse() 和 list.sort() 分别表示原地倒转列表和排序（注意，元组没有内置的这两个 +函数)。 +reversed() 和 sorted() 同样表示对列表 / 元组进行倒转和排序，但是会返回一个倒转后 +或者排好序的新的列表 / 元组。 + +### 列表和元组存储方式的差异 + +```python +l = [1, 2, 3] +l.__sizeof__() +64 +tup = (1, 2, 3) +tup.__sizeof__() +48 +``` + +由于列表是动态的，所以它需要存储指针，来指向对应的元素（上述例子中，对于int 型，8 字节）。另外，由于列表可变，所以需要额外存储已经分配的长度大小（8 字节），这样才可以实时追踪列表空间的使用情况，当空间不足时，及时分配额外空间。 + +```python +l = [] +l.__sizeof__() // 空列表的存储空间为 40 字节 +40 +l.append(1) +l.__sizeof__() +72 // 加入了元素 1 之后，列表为其分配了可以存储 4 个元素的空间 (72 - 40)/8 = 4 +l.append(2) +l.__sizeof__() +72 // 由于之前分配了空间，所以加入元素 2，列表空间不变 +l.append(3) +l.__sizeof__() +72 // 同上 +l.append(4) +l.__sizeof__() +72 // 同上 +l.append(5) +l.__sizeof__() +104 // 加入元素 5 之后，列表的空间不足，所以又额外分配了可以存储 4 个元素的空间 +``` + +为了减小每次增加 / 删减操作时空间分配的开销，Python 每次分配空间时都会额外多分配一些，这样的机制（over-allocating）保证了其操作的高效性：增加 / 删除的时间复杂度均为 O(1)。 + +但是对于元组，情况就不同了。元组长度大小固定，元素不可变，所以存储空间固定。 + +### 列表和元组的性能 + +总体上来说，元组的性能速度要略优于列表。 + +Python 会在后台，对静态数据做一些资源缓存（resource caching）。通常来说，因为垃圾回收机制的存在，如果一些变量不被使用了，Python 就会回收它们所占用的内存，返还给操作系统，以便其他变量或其他应用使用。 + +但是对于一些静态变量，比如元组，如果它不被使用并且占用空间不大时，Python 会暂时缓存这部分内存。这样，下次我们再创建同样大小的元组时，Python 就可以不用再向操作系统发出请求，去寻找内存，而是可以直接分配之前缓存的内存空间，这样就能大大加快程序的运行速度。 + +下面的例子，是计算初始化一个相同元素的列表和元组分别所需的时间。我们可以看到，元 +组的初始化速度，要比列表快 5 倍。 + +```python +python3 -m timeit 'x=(1,2,3,4,5,6)' +20000000 loops, best of 5: 9.97 nsec per loop +python3 -m timeit 'x=[1,2,3,4,5,6]' +5000000 loops, best of 5: 50.1 nsec per loop +``` + +但如果是索引操作的话，两者的速度差别非常小，几乎可以忽略不计。 + +```python +python3 -m timeit -s 'x=[1,2,3,4,5,6]' 'y=x[3]' +10000000 loops, best of 5: 22.2 nsec per loop +python3 -m timeit -s 'x=(1,2,3,4,5,6)' 'y=x[3]' +10000000 loops, best of 5: 21.9 nsec per loop +``` + +当然，如果你想要增加、删减或者改变元素，那么列表显然更优。原因你现在肯定知道了，那就是对于元组，你必须得通过新建一个元组来完成。 + +### 列表和元组的使用场景 + +1. 如果存储的数据和数量不变，比如你有一个函数，需要返回的是一个地点的经纬度，然后直接传给前端渲染，那么肯定选用元组更合适。 + +```python +def get_location(): +..... +return (longitude, latitude) +``` + +2. 如果存储的数据或数量是可变的，比如社交平台上的一个日志功能，是统计一个用户在一周之内看了哪些用户的帖子，那么则用列表更合适。 + +```python +viewer_owner_id_list = [] # 里面的每个元素记录了这个 viewer 一周内看过的所有 owner 的 id +records = queryDB(viewer_id) # 索引数据库，拿到某个 viewer 一周内的日志 +for record in records: +viewer_owner_id_list.append(record.id) +``` + +## 04 | 字典、集合，你真的了解吗？ + +### 字典和集合基础 + +在 Python3.7+，字典被确定为有序（注意：在 3.6 中，字典有序是一个implementation detail，在 3.7 才正式成为语言特性，因此 3.6 中无法 100% 确保其有序性），而 3.6 之前是无序的，其长度大小可变，元素可以任意地删减和改变。 + +相比于列表和元组，字典的性能更优，特别是对于查找、添加和删除操作，字典都能在常数时间复杂度内完成。 + +而集合和字典基本相同，唯一的区别，就是集合没有键和值的配对，是一系列无序的、唯一的元素组合。 + +```python +d1 = {'name': 'jason', 'age': 20, 'gender': 'male'} +d2 = dict({'name': 'jason', 'age': 20, 'gender': 'male'}) +d3 = dict([('name', 'jason'), ('age', 20), ('gender', 'male')]) +d4 = dict(name='jason', age=20, gender='male') +d1 == d2 == d3 ==d4 +True +s1 = {1, 2, 3} +s2 = set([1, 2, 3]) +s1 == s2 +True +``` + +字典访问可以直接索引键，如果不存在，就会抛出异常： + +```python +d = {'name': 'jason', 'age': 20} +d['name'] +'jason' +d['location'] +Traceback (most recent call last): +File "", line 1, in +KeyError: 'location' +``` + +也可以使用 get(key, default) 函数来进行索引。如果键不存在，调用 get() 函数可以返回一个默认值。比如下面这个示例，返回了'null'。 + +```python +d = {'name': 'jason', 'age': 20} +d.get('name') +'jason' +d.get('location', 'null') +'null' +``` + +集合并不支持索引操作，因为集合本质上是一个哈希表，和列表不一样。所以，下面这样的操作是错误的，Python 会抛出异常： + +```python +s = {1, 2, 3} +s[0] +Traceback (most recent call last): +File "", line 1, in +TypeError: 'set' object does not support indexing +``` + +想要判断一个元素在不在字典或集合内，我们可以用 value in dict/set 来判断。 + +```python +s = {1, 2, 3} +1 in s +True +10 in s +False +d = {'name': 'jason', 'age': 20} +'name' in d +True +'location' in d +False +``` + +除了创建和访问，字典和集合也同样支持增加、删除、更新等操作。 + +```python +d = {'name': 'jason', 'age': 20} +d['gender'] = 'male' # 增加元素对'gender': 'male' +d['dob'] = '1999-02-01' # 增加元素对'dob': '1999-02-01' +d +{'name': 'jason', 'age': 20, 'gender': 'male', 'dob': '1999-02-01'} +d['dob'] = '1998-01-01' # 更新键'dob'对应的值 +d.pop('dob') # 删除键为'dob'的元素对 +'1998-01-01' +d +{'name': 'jason', 'age': 20, 'gender': 'male'} +s = {1, 2, 3} +s.add(4) # 增加元素 4 到集合 +s +{1, 2, 3, 4} +s.remove(4) # 从集合中删除元素 4 +s +{1, 2, 3} +``` + +集合的 pop() 操作是删除集合中最后一个元素，可是集合本身是无序的，你无法知道会删除哪个元素，因此这个操作得谨慎使用。 + +很多情况下，我们需要对字典或集合进行排序，比如，取出值最大的 50 对。对于字典，我们通常会根据键或值，进行升序或降序排序： + +```python +d = {'b': 1, 'a': 2, 'c': 10} +d_sorted_by_key = sorted(d.items(), key=lambda x: x[0]) # 根据字典键的升序排序 +d_sorted_by_value = sorted(d.items(), key=lambda x: x[1]) # 根据字典值的升序排序 +d_sorted_by_key +[('a', 2), ('b', 1), ('c', 10)] +d_sorted_by_value +[('b', 1), ('a', 2), ('c', 10)] +``` + +而对于集合，其排序和前面讲过的列表、元组很类似，直接调用 sorted(set) 即可，结果会 +返回一个排好序的列表。 + +```python +s = {3, 4, 2, 1} +sorted(s) # 对集合的元素进行升序排序 +[1, 2, 3, 4] +``` + +### 字典和集合性能 + +字典和集合是进行过性能高度优化的数据结构，特别是对于查找、添加和删除操作。 + +比如电商企业的后台，存储了每件产品的 ID、名称和价格。现在的需求是，给定某件商品的 ID，我们要找出其价格。 +如果我们用列表来存储这些数据结构，并进行查找，相应的代码如下： + +```python +def find_product_price(products, product_id): + for id, price in products: + if id == product_id: + return price + return None +products = [ +(143121312, 100), +(432314553, 30), +(32421912367, 150) +] +print('The price of product 432314553 is {}'.format(find_product_price(products, 432314553))) +The price of product 432314553 is 30 +``` + +假设列表有 n 个元素，而查找的过程要遍历列表，那么时间复杂度就为 O(n)。即使我们先对列表进行排序，然后使用二分查找，也会需要 O(logn) 的时间复杂度，更何况，列表的排序还需要 O(nlogn) 的时间。 + +但如果我们用字典来存储这些数据，那么查找就会非常便捷高效，只需 O(1) 的时间复杂度就可以完成。原因也很简单，刚刚提到过的，字典的内部组成是一张哈希表，你可以直接通过键的哈希值，找到其对应的值。 + +```python +products = { +143121312: 100, +432314553: 30, +32421912367: 150 +} +print('The price of product 432314553 is {}'.format(products[432314553])) +# 输出 +The price of product 432314553 is 30 +``` + +类似的，现在需求变成，要找出这些商品有多少种不同的价格。我们还用同样的方法来比较一下。 +如果还是选择使用列表，对应的代码如下，其中，A 和 B 是两层循环。同样假设原始列表有 n 个元素，那么，在最差情况下，需要 O(n^2) 的时间复杂度。 + +```python +# list version +def find_unique_price_using_list(products): + unique_price_list = [] + for _, price in products: # A + if price not in unique_price_list: #B + unique_price_list.append(price) + return len(unique_price_list) +products = [ +(143121312, 100), +(432314553, 30), +(32421912367, 150), +(937153201, 30) +] +print('number of unique price is: {}'.format(find_unique_price_using_list(products))) +# 输出 +number of unique price is: 3 +``` + +但如果我们选择使用集合这个数据结构，由于集合是高度优化的哈希表，里面元素不能重复，并且其添加和查找操作只需 O(1) 的复杂度，那么，总的时间复杂度就只有 O(n)。 + +```python +# set version +def find_unique_price_using_set(products): + unique_price_set = set() + for _, price in products: + unique_price_set.add(price) + return len(unique_price_set) +products = [ +(143121312, 100), +(432314553, 30), +(32421912367, 150), +(937153201, 30) +] +print('number of unique price is: {}'.format(find_unique_price_using_set(products))) + +number of unique price is: 3 +``` + +可能你对这些时间复杂度没有直观的认识，我可以举一个实际工作场景中的例子，让你来感受一下。 +下面的代码，初始化了含有 100,000 个元素的产品，并分别计算了使用列表和集合来统计产品价格数量的运行时间： + +```python +import time +id = [x for x in range(0, 100000)] +price = [x for x in range(200000, 300000)] +products = list(zip(id, price)) +# 计算列表版本的时间 +start_using_list = time.perf_counter() +find_unique_price_using_list(products) +end_using_list = time.perf_counter() +print("time elapse using list: {}".format(end_using_list - start_using_list)) + +# 计算集合版本的时间 +start_using_set = time.perf_counter() +find_unique_price_using_set(products) +end_using_set = time.perf_counter() +print("time elapse using set: {}".format(end_using_set - start_using_set)) + +time elapse using list: 28.31910729999072 +time elapse using set: 0.008142899998347275 +``` + +### 字典和集合的工作原理 + +对于字典而言，这张表存储了哈希值（hash）、键和值这 3 个元素。 +而对集合来说，区别就是哈希表内没有键和值的配对，只有单一的元素了。 + +思考题 + +1. 下面初始化字典的方式，哪一种更高效？ + +```python +# Option A +d = {'name': 'jason', 'age': 20, 'gender': 'male'} +# Option B +d = dict({'name': 'jason', 'age': 20, 'gender': 'male'}) +``` + +```python +import timeit + +# 测试 Option A +print(timeit.timeit("d = {'name': 'jason', 'age': 20, 'gender': 'male'}", number=1000000)) +# 输出示例：0.07965200000035111 秒 + +# 测试 Option B +print(timeit.timeit("d = dict({'name': 'jason', 'age': 20, 'gender': 'male'})", number=1000000)) +# 输出示例：0.17129170001135208 秒 +``` + +2. 字典的键可以是一个列表吗？下面这段代码中，字典的初始化是否正确呢？如果不正 + 确，可以说出你的原因吗？ + +```python +d = {'name': 'jason', ['education']: ['Tsinghua University', 'Stanford University']} +``` + +```plain +--------------------------------------------------------------------------- +TypeError Traceback (most recent call last) +Cell In[53], line 1 +----> 1 d = {'name': 'jason', ['education']: ['Tsinghua University', 'Stanford University']} + +TypeError: unhashable type: 'list' +``` + +## 05 | 深入浅出字符串 + +### 字符串基础 + +字符串是由独立字符组成的一个序列，通常包含在单引号（''）双引号（""）或者三引号之中（''' '''或""" """，两者一样），比如下面几种写法。 + +```python +name = 'jason' +city = 'beijing' +text = "welcome to jike shijian" +``` + +Python 的三引号字符串，则主要应用于多行字符串的情境，比如函数的注释等等。 + +```python +def calculate_similarity(item1, item2): +""" +Calculate similarity between two items +Args: +item1: 1st item +item2: 2nd item +Returns: +similarity score between item1 and item2 +""" +``` + +Python 也支持转义字符。所谓的转义字符，就是用反斜杠开头的字符串，来表示一些特定意义的字符。我把常见的的转义字符，总结成了下面这张表格。 + +![image-20250325223316523](https://b2files.173114.xyz/blogimg/2025/03/40c66b16c0a580ed28fef13c03406f23.png) + +```py +s = 'a\nb\tc' +print(s) +a +b c +len(s) +5 +``` + +这段代码中的'\n'，表示一个字符——换行符；'\t'也表示一个字符——横向制表符。所以，最后打印出来的输出，就是字符 a，换行，字符 b，然后制表符，最后打印字符 c。不过要注意，虽然最后打印的输出横跨了两行，但是整个字符串 s 仍然只有 5 个元素。 + +在转义字符的应用中，最常见的就是换行符'\n'的使用。比如文件读取，如果我们一行行地读取，那么每一行字符串的末尾，都会包含换行符'\n'。而最后做数据处理时，我们往往会丢掉每一行的换行符。 + +### 字符串的常用操作 + +索引，切片和遍历 + +```python +name = 'jason' +print(name[0]) +print(name[1:3]) +for char in name: + print(char) + +j +as +j +a +s +o +n +``` + +Python 的字符串是不可变的（immutable）。 + +```python +s = 'hello' +s[0] = 'H' +Traceback (most recent call last): +File "", line 1, in +TypeError: 'str' object does not support item assignment +``` + +Python 中字符串的改变，通常只能通过创建新的字符串来完成。比如上述例子中，想把'hello'的第一个字符'h'，改为大写的'H'，我们可以采用下面的做法： + +```python +s = 'H' + s[1:] +s = s.replace('h', 'H') +``` +