Câu hỏi đầu ra python cho cuộc phỏng vấn

Python là ngôn ngữ lập trình đa năng, thông dịch, cấp cao. Là một ngôn ngữ có mục đích chung, nó có thể được sử dụng để xây dựng hầu hết mọi loại ứng dụng với các công cụ/thư viện phù hợp. Ngoài ra, python hỗ trợ các đối tượng, mô-đun, luồng, xử lý ngoại lệ và quản lý bộ nhớ tự động giúp mô hình hóa các vấn đề trong thế giới thực và xây dựng các ứng dụng để giải quyết các vấn đề này

Lợi ích của việc sử dụng Python

• Python là ngôn ngữ lập trình đa năng có cú pháp đơn giản, dễ học, nhấn mạnh khả năng đọc và do đó giảm chi phí bảo trì chương trình. Hơn nữa, ngôn ngữ này có khả năng viết kịch bản, hoàn toàn là nguồn mở và hỗ trợ các gói của bên thứ ba khuyến khích mô đun hóa và tái sử dụng mã
• Cấu trúc dữ liệu cấp cao của nó, kết hợp với kiểu gõ động và liên kết động, thu hút một cộng đồng lớn các nhà phát triển để triển khai và Phát triển ứng dụng nhanh

Trước khi hiểu một ngôn ngữ gõ động, chúng ta nên tìm hiểu về gõ là gì. Đánh máy đề cập đến kiểm tra loại trong ngôn ngữ lập trình. Trong một ngôn ngữ được gõ mạnh, chẳng hạn như Python, "1" + 2 sẽ dẫn đến lỗi loại vì các ngôn ngữ này không cho phép "ép buộc kiểu" [chuyển đổi kiểu dữ liệu ngầm]. Mặt khác, một ngôn ngữ gõ yếu, chẳng hạn như Javascript, sẽ chỉ xuất ra kết quả là "12"

Kiểm tra loại có thể được thực hiện ở hai giai đoạn -

• Tĩnh - Kiểu dữ liệu được kiểm tra trước khi thực hiện
• Động - Các kiểu dữ liệu được kiểm tra trong quá trình thực thi

Python là một ngôn ngữ được thông dịch, thực thi từng dòng câu lệnh theo từng dòng và do đó, việc kiểm tra kiểu được thực hiện nhanh chóng trong quá trình thực thi. Do đó, Python là một ngôn ngữ được gõ động

Một ngôn ngữ được giải thích thực thi từng dòng câu lệnh của nó. Các ngôn ngữ như Python, Javascript, R, PHP và Ruby là những ví dụ điển hình của ngôn ngữ Thông dịch. Các chương trình được viết bằng ngôn ngữ thông dịch chạy trực tiếp từ mã nguồn, không có bước biên dịch trung gian

PEP là viết tắt của Đề xuất cải tiến Python. PEP là một tài liệu thiết kế chính thức cung cấp thông tin cho cộng đồng Python hoặc mô tả một tính năng mới cho Python hoặc các quy trình của nó. PEP 8 đặc biệt quan trọng vì nó ghi lại các nguyên tắc về kiểu dáng cho Mã Python. Rõ ràng việc đóng góp cho cộng đồng mã nguồn mở Python yêu cầu bạn tuân theo các nguyên tắc về phong cách này một cách chân thành và nghiêm túc

Mọi đối tượng trong Python hoạt động trong một phạm vi. Phạm vi là một khối mã trong đó một đối tượng trong Python vẫn có liên quan. Không gian tên xác định duy nhất tất cả các đối tượng bên trong một chương trình. Tuy nhiên, các không gian tên này cũng có một phạm vi được xác định cho chúng, nơi bạn có thể sử dụng các đối tượng của chúng mà không cần bất kỳ tiền tố nào. Một vài ví dụ về phạm vi được tạo trong quá trình thực thi mã trong Python như sau

• Phạm vi cục bộ đề cập đến các đối tượng cục bộ có sẵn trong chức năng hiện tại
• Phạm vi toàn cầu đề cập đến các đối tượng có sẵn trong suốt quá trình thực thi mã kể từ khi bắt đầu
• Phạm vi cấp mô-đun đề cập đến các đối tượng toàn cầu của mô-đun hiện tại có thể truy cập trong chương trình
• Phạm vi ngoài cùng đề cập đến tất cả các tên tích hợp có thể gọi được trong chương trình. Các đối tượng trong phạm vi này được tìm kiếm lần cuối để tìm tên được tham chiếu

Ghi chú. Các đối tượng phạm vi cục bộ có thể được đồng bộ hóa với các đối tượng phạm vi toàn cầu bằng cách sử dụng các từ khóa như toàn cầu

Danh sách và Bộ dữ liệu đều là các kiểu dữ liệu chuỗi có thể lưu trữ một tập hợp các đối tượng trong Python. Các đối tượng được lưu trữ trong cả hai chuỗi có thể có các kiểu dữ liệu khác nhau. Danh sách được biểu diễn bằng dấu ngoặc vuông ________ 022, trong khi bộ dữ liệu được biểu diễn bằng dấu ngoặc đơn ________ 023.
Nhưng sự khác biệt thực sự giữa hai điều này là gì? . Điều này có nghĩa là các danh sách có thể được sửa đổi, nối thêm hoặc cắt khi đang di chuyển nhưng các bộ dữ liệu không đổi và không thể sửa đổi theo bất kỳ cách nào. Bạn có thể chạy ví dụ sau trên Python IDLE để xác nhận sự khác biệt.

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Có một số kiểu dữ liệu tích hợp trong Python. Mặc dù, Python không yêu cầu các loại dữ liệu phải được xác định rõ ràng trong quá trình khai báo biến, lỗi loại có thể xảy ra nếu kiến ​​thức về các loại dữ liệu và khả năng tương thích của chúng với nhau bị bỏ qua. Python cung cấp các hàm

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

• Không có loại.
  ______026 từ khóa đại diện cho các giá trị null trong Python. Thao tác đẳng thức Boolean có thể được thực hiện bằng các đối tượng NoneType này.

• Kiểu số.
  Có ba loại số riêng biệt - số nguyên, số dấu phẩy động và số phức. Ngoài ra, booleans là một kiểu con của số nguyên.

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Ghi chú. Thư viện tiêu chuẩn cũng bao gồm các phân số để lưu trữ các số hữu tỷ và số thập phân để lưu trữ các số dấu phẩy động với độ chính xác do người dùng xác định

• Các loại trình tự.
  Theo Tài liệu Python, có ba Loại trình tự cơ bản - danh sách, bộ dữ liệu và đối tượng phạm vi. Các loại trình tự có các toán tử

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  29 và

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  30 được xác định để duyệt qua các phần tử của chúng. Các toán tử này có cùng mức độ ưu tiên như các phép toán so sánh.

Ghi chú. Thư viện chuẩn cũng bao gồm các loại bổ sung để xử lý.
1. Dữ liệu nhị phân như

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

• Các loại ánh xạ

Một đối tượng ánh xạ có thể ánh xạ các giá trị có thể băm thành các đối tượng ngẫu nhiên trong Python. Các đối tượng ánh xạ có thể thay đổi và hiện tại chỉ có một loại ánh xạ tiêu chuẩn, từ điển

• Đặt loại.
  Hiện tại, Python có hai loại tập hợp tích hợp sẵn - tập hợp và tập hợp cố định. loại thiết lập có thể thay đổi và hỗ trợ các phương thức như

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  34 và

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  35. loại freezeset là bất biến và không thể sửa đổi sau khi tạo.

Ghi chú.

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

• Mô-đun.
  Mô-đun là một loại tích hợp bổ sung được hỗ trợ bởi Trình thông dịch Python. Nó hỗ trợ một hoạt động đặc biệt, tôi. e. , truy cập thuộc tính.

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  38, trong đó

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  39 là một mô-đun và myobj tham chiếu đến tên được xác định trong bảng ký hiệu của m. Bảng ký hiệu của mô-đun nằm trong một thuộc tính rất đặc biệt của mô-đun __dict__, nhưng việc gán trực tiếp cho mô-đun này là không thể và cũng không được khuyến nghị.
• Các loại có thể gọi.
  Các loại có thể gọi được là các loại có thể áp dụng lệnh gọi hàm. Chúng có thể là các hàm do người dùng định nghĩa, các phương thức cá thể, hàm tạo và một số hàm, phương thức và lớp tích hợp khác.
  Tham khảo tài liệu tại docs. con trăn. org để xem chi tiết các loại có thể gọi được.

The

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Gói Python và mô-đun Python là hai cơ chế cho phép lập trình mô-đun trong Python. Mô-đun hóa có một số lợi thế -

• Sự đơn giản. Làm việc trên một mô-đun duy nhất giúp bạn tập trung vào một phần tương đối nhỏ của vấn đề hiện tại. Điều này làm cho việc phát triển dễ dàng hơn và ít bị lỗi hơn
• khả năng bảo trì. Các mô-đun được thiết kế để thực thi các ranh giới logic giữa các miền vấn đề khác nhau. Nếu chúng được viết theo cách làm giảm sự phụ thuộc lẫn nhau, thì ít có khả năng các sửa đổi trong một mô-đun có thể ảnh hưởng đến các phần khác của chương trình
• khả năng tái sử dụng. Các chức năng được xác định trong một mô-đun có thể dễ dàng được sử dụng lại bởi các phần khác của ứng dụng
• phạm vi. Các mô-đun thường xác định một không gian tên riêng biệt, giúp tránh nhầm lẫn giữa các mã định danh từ các phần khác của chương trình

Nói chung, các mô-đun chỉ đơn giản là các tệp Python với một. phần mở rộng py và có thể có một tập hợp các hàm, lớp hoặc biến được xác định và triển khai. Chúng có thể được nhập và khởi tạo một lần bằng cách sử dụng câu lệnh

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Các gói cho phép cấu trúc phân cấp của không gian tên mô-đun bằng cách sử dụng ký hiệu dấu chấm. Vì, các mô-đun giúp tránh xung đột giữa các tên biến toàn cục, theo cách tương tự, các gói giúp tránh xung đột giữa các tên mô-đun.
Việc tạo một gói rất dễ dàng vì nó sử dụng cấu trúc tệp vốn có của hệ thống. Vì vậy, chỉ cần nhét các mô-đun vào một thư mục và bạn có nó ở đó, tên thư mục là tên gói. Nhập mô-đun hoặc nội dung của mô-đun từ gói này yêu cầu tên gói làm tiền tố cho tên mô-đun được nối bằng dấu chấm.

Ghi chú. Về mặt kỹ thuật, bạn cũng có thể nhập gói, nhưng than ôi, nó không nhập các mô-đun trong gói vào không gian tên cục bộ, do đó, thực tế nó vô dụng

• Biến toàn cục là biến công khai được định nghĩa trong phạm vi toàn cầu. Để sử dụng biến trong phạm vi toàn cục bên trong một hàm, chúng ta sử dụng từ khóa

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  43
• Các thuộc tính được bảo vệ là các thuộc tính được xác định bằng tiền tố gạch dưới cho mã định danh của chúng, ví dụ:. _sara. Chúng vẫn có thể được truy cập và sửa đổi từ bên ngoài lớp mà chúng được định nghĩa nhưng một nhà phát triển có trách nhiệm không nên làm như vậy
• Thuộc tính riêng tư là các thuộc tính có tiền tố gạch dưới kép cho mã định danh của chúng, vd. __ansh. Chúng không thể được truy cập hoặc sửa đổi trực tiếp từ bên ngoài và sẽ dẫn đến AttributeError nếu một nỗ lực như vậy được thực hiện

Bản thân được sử dụng để đại diện cho thể hiện của lớp. Với từ khóa này, bạn có thể truy cập các thuộc tính và phương thức của lớp trong python. Nó liên kết các thuộc tính với các đối số đã cho. bản thân được sử dụng ở những nơi khác nhau và thường được coi là một từ khóa. Nhưng không giống như trong C++, self không phải là một từ khóa trong Python

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• Kiểm tra đơn vị là một khung kiểm tra đơn vị của Python
• Kiểm tra đơn vị có nghĩa là kiểm tra các thành phần khác nhau của phần mềm một cách riêng biệt. Bạn có thể nghĩ về lý do tại sao thử nghiệm đơn vị lại quan trọng không? . Bây giờ, giả sử phần mềm của bạn bị hỏng tại một thời điểm. Làm thế nào bạn sẽ tìm thấy thành phần nào chịu trách nhiệm phá vỡ phần mềm? . Có thể có nhiều kết hợp như vậy
• Đây là lý do tại sao cần phải kiểm tra đúng từng thành phần để chúng tôi biết thành phần nào có thể chịu trách nhiệm cao cho sự cố của phần mềm

• Chuỗi tài liệu hoặc chuỗi tài liệu là một chuỗi nhiều dòng được sử dụng để ghi lại một đoạn mã cụ thể
• Chuỗi tài liệu sẽ mô tả chức năng hoặc phương thức làm gì

• Như tên cho thấy, 'cắt lát' đang tham gia vào
• Cú pháp để cắt là [bắt đầu. dừng lại. bươc]
• start là chỉ mục bắt đầu từ nơi để cắt một danh sách hoặc bộ dữ liệu
• dừng lại là chỉ số kết thúc hoặc nơi để sop
• bước là số bước để nhảy
• Giá trị mặc định cho bắt đầu là 0, dừng là số mục, bước là 1
• Cắt lát có thể được thực hiện trên chuỗi, mảng, danh sách và bộ dữ liệu

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• Tệp tập lệnh phải bắt đầu bằng #. /usr/bin/env con trăn

• Mảng trong python chỉ có thể chứa các phần tử có cùng kiểu dữ liệu. e. , kiểu dữ liệu của mảng phải đồng nhất. Nó là một trình bao bọc mỏng xung quanh các mảng ngôn ngữ C và tiêu tốn ít bộ nhớ hơn nhiều so với các danh sách
• Danh sách trong python có thể chứa các phần tử thuộc các kiểu dữ liệu khác nhau. e. , kiểu dữ liệu của danh sách có thể không đồng nhất. Nó có nhược điểm là tốn bộ nhớ lớn

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• Quản lý bộ nhớ trong Python được xử lý bởi Trình quản lý bộ nhớ Python. Bộ nhớ được cấp phát bởi trình quản lý ở dạng không gian heap riêng dành riêng cho Python. Tất cả các đối tượng Python được lưu trữ trong heap này và ở chế độ riêng tư, lập trình viên không thể truy cập được. Mặc dù vậy, python cung cấp một số chức năng API cốt lõi để hoạt động trên không gian heap riêng tư
• Ngoài ra, Python có bộ sưu tập rác tích hợp để tái chế bộ nhớ không sử dụng cho không gian heap riêng tư

Không gian tên trong Python đảm bảo rằng tên đối tượng trong chương trình là duy nhất và có thể được sử dụng mà không có bất kỳ xung đột nào. Python triển khai các không gian tên này dưới dạng từ điển với 'tên là khóa' được ánh xạ tới một 'đối tượng là giá trị' tương ứng. This allows for multiple namespaces to use the same name and map it to a separate object. Một vài ví dụ về không gian tên như sau

• Không gian tên cục bộ bao gồm các tên cục bộ bên trong một hàm. không gian tên được tạo tạm thời cho một lệnh gọi hàm và bị xóa khi hàm trả về
• Không gian tên toàn cầu bao gồm các tên từ các gói/mô-đun đã nhập khác nhau đang được sử dụng trong dự án hiện tại. Không gian tên này được tạo khi gói được nhập vào tập lệnh và tồn tại cho đến khi thực thi tập lệnh
• Không gian tên tích hợp bao gồm các chức năng tích hợp sẵn của Python lõi và tên tích hợp cho nhiều loại ngoại lệ khác nhau

Vòng đời của một không gian tên phụ thuộc vào phạm vi của các đối tượng mà chúng được ánh xạ tới. Nếu phạm vi của một đối tượng kết thúc, vòng đời của không gian tên đó sẽ kết thúc. Do đó, không thể truy cập các đối tượng không gian tên bên trong từ một không gian tên bên ngoài

Đôi khi các đối tượng trong cùng một phạm vi có cùng tên nhưng hoạt động khác nhau. Trong những trường hợp như vậy, độ phân giải phạm vi sẽ tự động phát huy tác dụng trong Python. Một vài ví dụ về hành vi như vậy là

• Các mô-đun Python cụ thể là 'math' và 'cmath' có rất nhiều chức năng chung cho cả hai -

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  45,

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  46,

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  47, v.v. Để giải quyết sự mơ hồ này, cần thêm tiền tố vào mô-đun tương ứng của chúng, như

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  48 và

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  49
• Xem xét mã bên dưới, một đối tượng tạm thời đã được khởi tạo thành 10 trên toàn cầu và sau đó là 20 khi gọi hàm. Tuy nhiên, lệnh gọi hàm không thay đổi giá trị của tạm thời trên toàn cầu. Ở đây, chúng ta có thể quan sát thấy rằng Python vạch ra một ranh giới rõ ràng giữa các biến toàn cục và biến cục bộ, coi các không gian tên của chúng là các danh tính riêng biệt

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Hành vi này có thể được ghi đè bằng cách sử dụng từ khóa

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Trình trang trí trong Python về cơ bản là các hàm bổ sung chức năng cho một hàm hiện có trong Python mà không thay đổi cấu trúc của chính hàm đó. Chúng được đại diện là

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Vẻ đẹp của các bộ trang trí nằm ở chỗ bên cạnh việc thêm chức năng vào đầu ra của phương thức, chúng thậm chí có thể chấp nhận các đối số cho các hàm và có thể sửa đổi thêm các đối số đó trước khi chuyển nó cho chính hàm đó. Hàm lồng bên trong, i. e. chức năng 'trình bao bọc', đóng một vai trò quan trọng ở đây. Nó được triển khai để thực thi đóng gói và do đó, giữ cho chính nó ẩn khỏi phạm vi toàn cầu

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Khả năng hiểu của Python, giống như trình trang trí, là các cấu trúc đường cú pháp giúp xây dựng các danh sách, từ điển hoặc tập hợp đã thay đổi và được lọc từ một danh sách, từ điển hoặc tập hợp nhất định. Sử dụng khả năng hiểu giúp tiết kiệm rất nhiều thời gian và mã có thể dài hơn đáng kể [chứa nhiều dòng mã hơn]. Hãy xem một số ví dụ, trong đó việc hiểu có thể thực sự có lợi

• Thực hiện các phép toán trên toàn bộ danh sách

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

• Thực hiện các thao tác lọc có điều kiện trên toàn bộ danh sách

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

• Kết hợp nhiều danh sách thành một

Khả năng hiểu cho phép nhiều trình vòng lặp và do đó, có thể được sử dụng để kết hợp nhiều danh sách thành một.  

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

• Làm phẳng danh sách nhiều chiều

Một cách tiếp cận tương tự của các trình lặp lồng nhau [như trên] có thể được áp dụng để làm phẳng một danh sách đa chiều hoặc hoạt động trên các phần tử bên trong của nó.  

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Ghi chú. Khả năng hiểu danh sách có tác dụng tương tự như phương pháp bản đồ trong các ngôn ngữ khác. Chúng tuân theo ký hiệu trình tạo tập hợp toán học hơn là các hàm lọc và bản đồ trong Python

Lambda là một hàm ẩn danh trong Python, có thể chấp nhận bất kỳ số lượng đối số nào, nhưng chỉ có thể có một biểu thức duy nhất. Nó thường được sử dụng trong các tình huống yêu cầu chức năng ẩn danh trong một khoảng thời gian ngắn. Các hàm lambda có thể được sử dụng theo một trong hai cách

• Gán các hàm lambda cho một biến

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

• Wrapping lambda functions inside another function

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Trong Python, câu lệnh gán [toán tử ______052] không sao chép các đối tượng. Thay vào đó, nó tạo ra một ràng buộc giữa đối tượng hiện có và tên biến mục tiêu. Để tạo các bản sao của một đối tượng trong Python, chúng ta cần sử dụng mô-đun copy. Ngoài ra, có hai cách tạo bản sao cho đối tượng đã cho bằng cách sử dụng mô-đun sao chép -

Shallow Copy là bản sao bit của một đối tượng. Đối tượng được sao chép được tạo có một bản sao chính xác của các giá trị trong đối tượng ban đầu. Nếu một trong hai giá trị là tham chiếu đến các đối tượng khác, thì chỉ các địa chỉ tham chiếu cho cùng một giá trị được sao chép.
Deep Copy sao chép đệ quy tất cả các giá trị từ nguồn sang đối tượng đích, i. e. nó thậm chí còn sao chép các đối tượng được tham chiếu bởi đối tượng nguồn.

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

xrange[] và range[] khá giống nhau về chức năng. Cả hai đều tạo ra một chuỗi các số nguyên, với sự khác biệt duy nhất là

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Vì vậy, làm thế nào mà làm cho một sự khác biệt? . Kỹ thuật này thường được sử dụng với một trình tạo kiểu đối tượng và được gọi là "hiệu suất"

Năng suất là rất quan trọng trong các ứng dụng mà bộ nhớ là một hạn chế. Tạo một danh sách tĩnh như trong phạm vi [] có thể dẫn đến

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Ghi chú. xrange đã không còn được dùng kể từ Python 3. x. Bây giờ,

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Thư viện Python cung cấp một tính năng - tuần tự hóa ngay lập tức. Tuần tự hóa một đối tượng đề cập đến việc chuyển đổi nó thành một định dạng có thể được lưu trữ, để có thể giải tuần tự hóa nó, sau này, để lấy đối tượng ban đầu. Ở đây, mô-đun dưa chua phát huy tác dụng

muối chua

• Pickling là tên của quy trình tuần tự hóa trong Python. Bất kỳ đối tượng nào trong Python đều có thể được tuần tự hóa thành luồng byte và được kết xuất dưới dạng tệp trong bộ nhớ. Quá trình ngâm được nén nhưng đối tượng ngâm có thể được nén thêm. Hơn nữa, pickle theo dõi các đối tượng mà nó đã đánh số thứ tự và việc đánh số thứ tự có thể di chuyển qua các phiên bản
• Hàm được sử dụng cho quá trình trên là

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  58

Bóc vỏ

• Unpickling là nghịch đảo hoàn toàn của pickling. Nó giải tuần tự hóa luồng byte để tạo lại các đối tượng được lưu trữ trong tệp và tải đối tượng vào bộ nhớ
• Hàm được sử dụng cho quá trình trên là

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  59

Ghi chú. Python has another, more primitive, serialization module called marshall, which exists primarily to support . pyc trong Python và khác biệt đáng kể so với dưa chua

Trình tạo là các hàm trả về một tập hợp các mục có thể lặp lại, mỗi lần một mục, theo một cách đã định. Nói chung, các trình tạo được sử dụng để tạo các trình vòng lặp với cách tiếp cận khác. Họ sử dụng từ khóa

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

PYTHONPATH là một biến môi trường mà bạn có thể đặt để thêm các thư mục bổ sung nơi Python sẽ tìm kiếm các mô-đun và gói. Điều này đặc biệt hữu ích trong việc duy trì các thư viện Python mà bạn không muốn cài đặt ở vị trí mặc định chung

help[] trong Python được sử dụng để hiển thị tài liệu về các mô-đun, lớp, hàm, từ khóa, v.v. Nếu không có tham số nào được chuyển đến hàm

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

• Đối với các đối tượng Mô-đun/Thư viện, nó trả về một danh sách tất cả các thuộc tính, có trong mô-đun đó
• Đối với Đối tượng lớp, nó trả về danh sách tất cả các thuộc tính hợp lệ và thuộc tính cơ sở
• Không có đối số nào được truyền, nó trả về một danh sách các thuộc tính trong phạm vi hiện tại

• tệp py chứa mã nguồn của chương trình. Nhưng trái lại,. tệp pyc chứa mã byte của chương trình của bạn. Chúng tôi nhận được mã byte sau khi biên dịch. tệp py [mã nguồn]. . các tệp pyc không được tạo cho tất cả các tệp bạn chạy. Nó chỉ được tạo cho các tệp bạn nhập
• Trước khi thực hiện chương trình python, trình thông dịch python sẽ kiểm tra các tệp đã biên dịch. Nếu tệp có mặt, máy ảo sẽ thực thi nó. Nếu không tìm thấy, nó sẽ kiểm tra. tập tin py. Nếu tìm thấy, biên dịch nó thành. pyc và sau đó máy ảo python thực thi nó
• Đang có. pyc giúp bạn tiết kiệm thời gian biên dịch

• Python là một ngôn ngữ không được giải thích hoặc biên dịch. Giải thích hoặc biên dịch là tài sản của việc thực hiện. Python là một mã byte [tập hợp các hướng dẫn có thể đọc được của trình thông dịch] được diễn giải chung
• Mã nguồn là một tệp có. phần mở rộng py
• Python biên dịch mã nguồn thành một bộ hướng dẫn cho máy ảo. Trình thông dịch Python là một triển khai của máy ảo đó. Định dạng trung gian này được gọi là “bytecode”
• mã nguồn py được biên dịch đầu tiên để cung cấp. pyc là mã byte. Mã byte này sau đó có thể được giải thích bởi CPython hoặc JIT chính thức [trình biên dịch Just in Time] do PyPy biên dịch

• Vượt qua giá trị. Bản sao của đối tượng thực tế được thông qua. Changing the value of the copy of the object will not change the value of the original object
• Chuyển qua tham chiếu. Tham chiếu đến đối tượng thực tế được thông qua. Thay đổi giá trị của đối tượng mới sẽ thay đổi giá trị của đối tượng ban đầu

Trong Python, các đối số được truyền theo tham chiếu, tôi. e. , tham chiếu đến đối tượng thực tế được thông qua

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

• Một iterator là một đối tượng
• Nó nhớ trạng thái của nó tôi. e. , vị trí của nó trong quá trình lặp lại [xem mã bên dưới để biết cách thực hiện]
• Phương thức __iter__[] khởi tạo một iterator
• Nó có phương thức __next__[] trả về mục tiếp theo trong lần lặp và trỏ đến phần tử tiếp theo. Khi đến cuối đối tượng có thể lặp lại __next__[] phải trả về ngoại lệ StopIteration
• Nó cũng có thể tự lặp lại
• Trình lặp là các đối tượng mà chúng ta có thể lặp qua các đối tượng có thể lặp lại như danh sách, chuỗi, v.v.

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Sử dụng lệnh os. xóa [file_name]

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• Bạn có thể sử dụng hàm split[] để tách một chuỗi dựa trên dấu phân cách thành danh sách các chuỗi
• Bạn có thể sử dụng hàm join[] để nối danh sách các chuỗi dựa trên dấu phân cách để đưa ra một chuỗi

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

* lập luận

• *args là một cú pháp đặc biệt được sử dụng trong định nghĩa hàm để truyền các đối số có độ dài thay đổi
• “*” có nghĩa là độ dài thay đổi và “args” là tên được sử dụng theo quy ước. Bạn có thể sử dụng bất kỳ khác

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

**kwargs

• **kwargs là một cú pháp đặc biệt được sử dụng trong định nghĩa hàm để truyền các đối số từ khóa có độ dài thay đổi
• Ngoài ra, ở đây, "kwargs" chỉ được sử dụng theo quy ước. Bạn có thể sử dụng bất kỳ tên nào khác
• Đối số được gắn từ khóa có nghĩa là một biến có tên khi được truyền cho một hàm
• Nó thực sự là một từ điển về tên biến và giá trị của nó

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• Chỉ mục phủ định là các chỉ mục từ cuối danh sách hoặc bộ hoặc chuỗi
• Arr[-1] có nghĩa là phần tử cuối cùng của mảng Arr[]

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Để tạo class trong python chúng ta sử dụng từ khóa “class” như ví dụ bên dưới

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Để khởi tạo hoặc tạo một đối tượng từ lớp đã tạo ở trên, chúng ta làm như sau

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Để truy cập thuộc tính name, chúng ta chỉ cần gọi thuộc tính bằng toán tử dấu chấm như hình bên dưới

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Để tạo các phương thức bên trong lớp, chúng ta gộp các phương thức thuộc phạm vi của lớp như hình bên dưới

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Tham số self trong init và các hàm giới thiệu biểu thị tham chiếu đến thể hiện của lớp hiện tại được sử dụng để truy cập các thuộc tính và phương thức của lớp đó. Tham số self phải là tham số đầu tiên của bất kỳ phương thức nào được định nghĩa bên trong lớp. Phương thức của lớp InterviewbitEmployee có thể được truy cập như hình bên dưới

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Chương trình tổng thể sẽ như thế này

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Kế thừa trao quyền cho một lớp để truy cập tất cả các thuộc tính và phương thức của lớp khác. Nó hỗ trợ khả năng sử dụng lại mã và giúp nhà phát triển duy trì các ứng dụng mà không cần mã dự phòng. Lớp kế thừa từ lớp khác là lớp con hay còn gọi là lớp dẫn xuất. Lớp mà từ đó một lớp con dẫn xuất các thành viên được gọi là lớp cha hoặc lớp cha

Python hỗ trợ các loại kế thừa khác nhau, chúng là

• Thừa kế đơn. Lớp con dẫn xuất các thành viên của một lớp cha

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• Kế thừa đa cấp. Các thành viên của lớp cha, A, được kế thừa bởi lớp con, lớp này sau đó được kế thừa bởi lớp con khác, B. Các tính năng của lớp cơ sở và lớp dẫn xuất được tiếp tục kế thừa vào lớp dẫn xuất mới, C. Ở đây, A là lớp ông của lớp C

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• Đa thừa kế. Điều này đạt được khi một lớp con dẫn xuất các thành viên từ nhiều hơn một lớp cha. Tất cả các tính năng của lớp cha được kế thừa trong lớp con

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• Kế thừa phân cấp. Khi một lớp cha được dẫn xuất bởi nhiều hơn một lớp con, nó được gọi là kế thừa phân cấp

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Sau đây là những cách sử dụng mà bạn có thể truy cập các thành viên của lớp cha trong một lớp con

• Bằng cách sử dụng tên lớp Parent. Bạn có thể sử dụng tên của lớp cha để truy cập các thuộc tính như trong ví dụ bên dưới

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• Bằng cách sử dụng siêu[]. Các thành viên của lớp cha có thể được truy cập trong lớp con bằng từ khóa super

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Python không sử dụng các chỉ định truy cập cụ thể như riêng tư, công khai, được bảo vệ, v.v. Tuy nhiên, nó không lấy được điều này từ bất kỳ biến nào. Nó có khái niệm bắt chước hành vi của các biến bằng cách sử dụng một dấu gạch dưới đơn [được bảo vệ] hoặc dấu gạch dưới kép [riêng tư] làm tiền tố cho tên biến. Theo mặc định, các biến không có tiền tố gạch dưới là công khai

Thí dụ

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Có, có thể nếu lớp cơ sở được khởi tạo bởi các lớp con khác hoặc nếu lớp cơ sở là một phương thức tĩnh

Một lớp trống không có thành viên nào được định nghĩa trong đó. Nó được tạo bằng cách sử dụng từ khóa pass [lệnh pass không làm gì trong python]. Chúng ta có thể tạo các đối tượng cho lớp này bên ngoài lớp.
Ví dụ-

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Đầu ra.
Tên được tạo = Phỏng vấn

Công cụ sửa đổi mới được sử dụng để hướng dẫn trình biên dịch sử dụng triển khai mới chứ không phải chức năng của lớp cơ sở. Công cụ sửa đổi Ghi đè rất hữu ích để ghi đè chức năng của lớp cơ sở bên trong lớp con

Phương thức hoàn thiện được sử dụng để giải phóng các tài nguyên không được quản lý và dọn dẹp trước khi phương thức thu gom rác được gọi. Điều này giúp thực hiện các tác vụ quản lý bộ nhớ

Phương thức init hoạt động tương tự như hàm tạo trong Java. Phương thức được chạy ngay khi một đối tượng được khởi tạo. Nó rất hữu ích để khởi tạo bất kỳ thuộc tính hoặc hành vi mặc định nào của đối tượng tại thời điểm khởi tạo.
Ví dụ.

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Điều này được thực hiện bằng cách sử dụng phương thức gọi là issubclass[] do python cung cấp. Phương thức này cho chúng ta biết liệu có lớp nào là con của lớp khác hay không bằng cách trả về true hoặc false tương ứng.
Ví dụ.

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• Chúng ta có thể kiểm tra xem một đối tượng có phải là một thể hiện của một lớp hay không bằng cách sử dụng phương thức isinstance[]

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• Pandas là một thư viện mã nguồn mở dựa trên python được sử dụng trong các ứng dụng thao tác dữ liệu yêu cầu hiệu năng cao. Tên này bắt nguồn từ “Dữ liệu bảng” có dữ liệu đa chiều. Điều này được phát triển vào năm 2008 bởi Wes McKinney và được phát triển để phân tích dữ liệu
• Pandas rất hữu ích trong việc thực hiện 5 bước chính của phân tích dữ liệu - Tải dữ liệu, làm sạch/thao tác dữ liệu, chuẩn bị, lập mô hình và phân tích dữ liệu

Khung dữ liệu là cấu trúc dạng bảng và có thể thay đổi 2D để biểu thị dữ liệu được gắn nhãn trục - hàng và cột.
Cú pháp tạo dataframe.

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

ở đâu

• dữ liệu - Đại diện cho các dạng khác nhau như sê-ri, bản đồ, ndarray, danh sách, dict, v.v.
• chỉ mục - Đối số tùy chọn biểu thị chỉ mục cho nhãn hàng
• cột - Đối số tùy chọn cho nhãn cột
• Dtype - kiểu dữ liệu của mỗi cột. một lần nữa tùy chọn

Các khung dữ liệu có thể được kết hợp bằng cách sử dụng các phương pháp dưới đây

• phương thức chắp thêm []. Điều này được sử dụng để xếp chồng các khung dữ liệu theo chiều ngang. cú pháp

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• phương thức concat[]. Điều này được sử dụng để xếp chồng các khung dữ liệu theo chiều dọc. Điều này được sử dụng tốt nhất khi các khung dữ liệu có cùng các cột và các trường tương tự. cú pháp

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• phương thức tham gia []. Điều này được sử dụng để trích xuất dữ liệu từ các khung dữ liệu khác nhau có một hoặc nhiều cột chung

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

One dimensional array capable of storing different data types is called a series. We can create pandas series from a dictionary object as shown below

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

If an index is not specified in the input method, then the keys of the dictionaries are sorted in ascending order for constructing the index. In case the index is passed, then values of the index label will be extracted from the dictionary

We can identify if a dataframe has missing values by using the isnull[] and isna[] methods

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

We can handle missing values by either replacing the values in the column with 0 as follows

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Or by replacing it with the mean value of the column

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Reindexing is the process of conforming a dataframe to a new index with optional filling logic. If the values are missing in the previous index, then NaN/NA is placed in the location. A new object is returned unless a new index is produced that is equivalent to the current one. The copy value is set to False. This is also used for changing the index of rows and columns in the dataframe

A new column can be added to a pandas dataframe as follows

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

To delete an Index

• Execute

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  63 for removing the index by name
• Alternatively, the

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  64 can be assigned to None
• For example, if you have the below dataframe

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• To drop the index name “Names”

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

To delete row/column from dataframe

• def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  65 method is used to delete row/column from dataframe
• The axis argument is passed to the drop method where if the value is 0, it indicates to drop/delete a row and if 1 it has to drop the column
• Additionally, we can try to delete the rows/columns in place by setting the value of inplace to True. This makes sure that the job is done without the need for reassignment
• The duplicate values from the row/column can be deleted by using the

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  66 method

This can be achieved by using the

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

We can achieve this by first performing the union of both series, then taking the intersection of both series. Then we follow the approach of getting items of union that are not there in the list of the intersection

The following code demonstrates this

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

Yes, they can, but with some bit of help. We need to add the parse_dates argument while we are reading data from the sources. Consider an example where we read data from a CSV file, we may encounter different date-time formats that are not readable by the pandas library. In this case, pandas provide flexibility to build our custom date parser with the help of lambda functions as shown below

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

NumPy is one of the most popular, easy-to-use, versatile, open-source, python-based, general-purpose package that is used for processing arrays. NumPy is short for NUMerical PYthon. This is very famous for its highly optimized tools that result in high performance and powerful N-Dimensional array processing feature that is designed explicitly to work on complex arrays. Due to its popularity and powerful performance and its flexibility to perform various operations like trigonometric operations, algebraic and statistical computations, it is most commonly used in performing scientific computations and various broadcasting functions. The following image shows the applications of NumPy

• The list data structure of python is very highly efficient and is capable of performing various functions. But, they have severe limitations when it comes to the computation of vectorized operations which deals with element-wise multiplication and addition. The python lists also require the information regarding the type of every element which results in overhead as type dispatching code gets executes every time any operation is performed on any element. This is where the NumPy arrays come into the picture as all the limitations of python lists are handled in NumPy arrays
• Additionally, as the size of the NumPy arrays increases, NumPy becomes around 30x times faster than the Python List. This is because the Numpy arrays are densely packed in the memory due to their homogenous nature. This ensures the memory free up is also faster

• 1D array creation

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• 2D array creation

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• 3D array creation

my_tuple = ['sara', 6, 5, 0.97]
my_list = ['sara', 6, 5, 0.97]
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print[my_tuple[0]]     # output => 'sara'
print[my_list[0]]     # output => 'ansh'

• ND array creation. This can be achieved by giving the ndmin attribute. The below example demonstrates the creation of a 6D array

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Example.
Given array.

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

New Column values

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Solution

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

We can use the method

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

This method is highly efficient and even if this method feels less efficient, then the data should be represented in a more efficient format such as CSV etc. Various alternatives can be considered depending on the version of NumPy used

Following are the file formats that are supported

• Text files. These files are generally very slow, huge but portable and are human-readable
• Raw binary. This file does not have any metadata and is not portable. But they are fast
• Pickle. These are borderline slow and portable but depends on the NumPy versions
• HDF5. This is known as the High-Powered Kitchen Sink format which supports both PyTables and h5py format
• npy. Đây là định dạng dữ liệu nhị phân riêng của NumPy cực kỳ đơn giản, hiệu quả và di động

Điều này có thể đạt được bằng cách sử dụng phương thức genfromtxt[] bằng cách đặt dấu phân cách là dấu phẩy

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

For example, consider an array arr

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Let us try to sort the rows by the 2nd column so that we get

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

We can do this by using the sort[] method in numpy as

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

We can also perform sorting and that too inplace sorting by doing

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

We can use the argmin[] method of numpy as shown below

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

This can be done as shown in the following

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

where arr = original given array, reverse_array is the resultant after reversing all elements in the input

We can use the shape attribute of the numpy array to find the shape. It returns the shape of the array in terms of row count and column count of the array

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

The module is a single python file. A module can import other modules [other python files] as objects. Whereas, a package is the folder/directory where different sub-packages and the modules reside

A python module is created by saving a file with the extension of

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

A python package is created by following the below steps

• Create a directory and give a valid name that represents its operation
• Place modules of one kind in this directory
• Create

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  71 file in this directory. This lets python know the directory we created is a package. The contents of this package can be imported across different modules in other packages to reuse the functionality

Python modules are the files having python code which can be functions, variables or classes. These go by . py extension. The most commonly available built-in modules are

• os
• math
• sys
• random
• re
• datetime
• JSON

Lambda functions are generally inline, anonymous functions represented by a single expression. They are used for creating function objects during runtime. They can accept any number of parameters. They are usually used where functions are required only for a short period. They can be used as

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Python provides a module called random using which we can generate random numbers

• We have to import a random module and call the

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  72 method as shown below
  • The random[] method generates float values lying between 0 and 1 randomly

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

• To generate customised random numbers between specified ranges, we can use the

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  73 method
  Syntax.

  def myEmptyFunc[]:
     # do nothing
     pass
  myEmptyFunc[]    # nothing happens
  ## Without the pass keyword
  # File "", line 3
  # IndentationError: expected an indented block

  74
  For example.

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

This can be easily done by making use of the isalnum[] method that returns true in case the string has only alphanumeric characters

For Example -

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Another way is to use

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Pickling is the conversion of python objects to binary form. Whereas, unpickling is the conversion of binary form data to python objects. The pickled objects are used for storing in disks or external memory locations. Unpickled objects are used for getting the data back as python objects upon which processing can be done in python

Python provides a

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

GIL stands for Global Interpreter Lock. This is a mutex used for limiting access to python objects and aids in effective thread synchronization by avoiding deadlocks. GIL helps in achieving multitasking [and not parallel computing]. The following diagram represents how GIL works

Based on the above diagram, there are three threads. First Thread acquires the GIL first and starts the I/O execution. When the I/O operations are done, thread 1 releases the acquired GIL which is then taken up by the second thread. The process repeats and the GIL are used by different threads alternatively until the threads have completed their execution. The threads not having the GIL lock goes into the waiting state and resumes execution only when it acquires the lock

It is an environment variable used for incorporating additional directories during the import of a module or a package. PYTHONPATH is used for checking if the imported packages or modules are available in the existing directories. Not just that, the interpreter uses this environment variable to identify which module needs to be loaded

PIP stands for Python Installer Package. As the name indicates, it is used for installing different python modules. It is a command-line tool providing a seamless interface for installing different python modules. It searches over the internet for the package and installs them into the working directory without the need for any interaction with the user. The syntax for this is

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Yes, there are tools like PyChecker and Pylint which are used as static analysis and linting tools respectively. PyChecker helps find bugs in python source code files and raises alerts for code issues and their complexity. Pylint checks for the module’s coding standards and supports different plugins to enable custom features to meet this requirement

• Shallow copy does the task of creating new objects storing references of original elements. This does not undergo recursion to create copies of nested objects. It just copies the reference details of nested objects
• Bản sao sâu tạo một bản sao độc lập và mới của một đối tượng và thậm chí sao chép tất cả các đối tượng lồng nhau của phần tử gốc theo cách đệ quy

In the world of programming languages, the main is considered as an entry point of execution for a program. But in python, it is known that the interpreter serially interprets the file line-by-line. This means that python does not provide

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

A function that takes variable arguments is called a function prototype. Syntax

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

For example

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

The * in the function argument represents variable arguments in the function

You can do this by converting the list to set by using set[] method and comparing the length of this set with the length of the original list. If found equal, return True

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

The idea is to use collections and pprint module as shown below

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

This can be done easily by using the phenomenon of hashing. We can use a hash map to check for the current value of the array, x. If the map has the value of [N-x], then there is our pair

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

We can use bitwise operators to achieve this

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

By solving the equation, we get

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

We can use the re module of python to perform regex pattern comparison here

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

We can again use the re module to convert the date string as shown below

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

You can also use the datetime module as shown below

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

We can use the Counter method from the collections module

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Chúng tôi có thể sử dụng mô-đun StringIO từ mô-đun io để đọc từ liên kết Google Drive và sau đó chúng tôi có thể sử dụng thư viện pandas bằng nguồn dữ liệu thu được

def myEmptyFunc[]:
   # do nothing
   pass
myEmptyFunc[]    # nothing happens
## Without the pass keyword
# File "", line 3
# IndentationError: expected an indented block

Conclusion

Trong bài viết này, chúng ta đã xem các câu hỏi phỏng vấn thường gặp dành cho nhà phát triển python. These questions along with regular problem practice sessions will help you crack any python based interviews. Over the years, python has gained a lot of popularity amongst the developer’s community due to its simplicity and ability to support powerful computations. Due to this, the demand for good python developers is ever-growing. Nevertheless, to mention, the perks of being a python developer are really good. Along with theoretical knowledge in python, there is an emphasis on the ability to write good quality code as well. So, keep learning and keep practicing problems and without a doubt, you can crack any interviews

What are the basic Python questions asked in interview?

What is the output of L [

Is Python OK for interviews?

Đầu ra của các đoạn mã sau trong Python là gì?