Python中的类型转换
new 和 __init__的区别
__new__是一个静态方法，而__init__是一个实例方法
__new__方法会返回一个创建的实例，而__init__什么都不返回
只有在__new__返回一个cls的实例时，后面的__init__才能被调用
创建一个新实例时调用__new__方法，初始化一个实例时调用__init__方法
迭代器和生成器
迭代器是一个更抽象的概念，任何对象，如果它的类有next方法和iter方法返回自己本身。对于string、list、dict、tuple等这类容器对象，使用for循环遍历是很方便的。在后台for语句对容器对象调用iter()函数，iter()是python的内置函数。iter()会返回一个定义了next()方法的迭代器对象，它在容器中逐个访问容器内元素，next()也是python的内置函数。在没有后续元素时，next()会抛出一个StopIteration异常。
生成器(Generator)是创建迭代器的简单而强大的工具。它们写起来就像是正规的函数，只是在需要返回数据的时候使用yield语句，生成器使用yield语句返回一个值，yield语句挂起该生成器函数的状态，保留足够的信息，以便之后从它离开的地方继续执行。每次next()被调用时，生成器会返回它脱离的位置（它记忆语句最后一次执行的位置和所有的数据值）。生成器需要注意：只能遍历一次。
区别：生成器能做到迭代器能做的所有事，而且因为自动创建了__iter__()和next()方法，生成器显得特别简洁，而且生成器也是高效的，使用生成器表达式取代列表解析可以同时节省内存。除了创建和保存程序状态的自动方法，当发生器终结时，还会自动抛出StopIteration异常。
GIL全局解释器锁
要理解GIL的含义，我们需要从Python的基础讲起。像C++这样的语言是编译型语言，所谓编译型语言，是指程序输入到编译器，编译器再根据语言的语法进行解析，然后翻译成语言独立的中间表示，最终链接成具有高度优化的机器码的可执行程序。编译器之所以可以深层次的对代码进行优化，是因为它可以看到整个程序（或者一大块独立的部分）。这使得它可以对不同的语言指令之间的交互进行推理，从而给出更有效的优化手段。
与此相反，Python是解释型语言。程序被输入到解释器来运行。解释器在程序执行之前对其并不了解；它所知道的只是Python的规则，以及在执行过程中怎样去动态的应用这些规则。它也有一些优化，但是这基本上只是另一个级别的优化。由于解释器没法很好的对程序进行推导，Python的大部分优化其实是解释器自身的优化。更快的解释器自然意味着程序的运行也能“免费”的更快。也就是说，解释器优化后，Python程序不用做修改就可以享受优化后的好处。
要想利用多核系统，Python必须支持多线程运行。作为解释型语言，Python的解释器必须做到既安全又高效，但多线程编程会遇到问题，解释器要留意的是避免在不同的线程操作内部共享的数据，同时它还要保证在管理用户线程时保证总是有最大化的计算资源。这时，为了不同线程同时访问时保护数据，当一个线程运行python程序的时候会霸占整个python解释器，也就是给解释器加了一把全局锁，这使得对于任何python程序，不管有多少处理器，多少线程，任何时候都自由一个线程在执行，其他线程在等待正在运行的线程完成才能运行。
如果线程运行过程中遇到耗时操作，超时时间超过一个固定值，则单线线程将会解开全局解释器锁，使其他线程运行。所以在多线程中是有先后顺序的，并不是同时运行的。多进程因每个进程都能被系统分配资源，相当于每个进程有了一个python解释器，所以多进程可以实现多个进程同时运行，缺点就是系统资源开销大。
返回函数
高阶函数出了可以接受函数作为参数外，还可以把函数作为结果值返回。
嵌套函数，内层函数返回值是函数对象
def lazy_sum(*args):
def sum():
x = 0
for i in args:
x += i
return x
return sum
res = lazy_sum(1, 3, 5, 7, 9) # 这里调用的是求和函数，而非求和结果
print(res)
print(res())
# 结果
'''<function lazy_sum.<locals>.sum at 0x000001A4B6E55488>
25
'''
匿名函数
python中使用关键字lambda来创建匿名函数，没有函数名字；
lambda只是一个表达式，函数体比def简单很多；
lambda的主体是一个表达式，而不是一个代码块，所以在表达式中只能封装有限的简单的逻辑表达式，复杂的需要函数来实现；
lambda函数拥有自己的命名空间，且不能范围自有列表之外或者全局命名空间里的参数；
**注意：**虽然lambda函数看起来只能写一行，却不等同于C或C++的内联函数，内联函数的目的是调用小函数时不占用栈内存从而增加运行效率。
lambda函数语法：lambda [arg1 [,arg2,…,argn]]: expression
lambda是python关键字，[arg…]和expression由用户自定义
[arg…]是参数列表，形参可以为多个，逗号隔开
expression是个参数表达式，且表达式只能是单行的，只能有一个表达式,且逻辑结束后直接返回数据
返回值在冒号之后设置，返回值和正常的函数一样,可以是任意数据类型。(但是想要返回多个元素要以容器的形式返回)
# 将lambda函数赋值给一个变量，通过这个变量间接调用该lambda函数
add = lambda x, y: x + y
res = add(1, 2)
print(res)
# 结果
'''
3
'''
# 将lambda函数赋值给其他函数，从而将其他函数用该lambda函数替换
import time
time.sleep = lambda x: None
t = time.sleep(3)
print(t)
# 结果
'''
None
'''
# 列表推导式
s = [lambda : i for i in range(5)]
print(s)
# 结果
'''
[0, 1, 2, 3, 4]
'''
# 嵌套的lambda表达式
f = (lambda x: (lambda y: x + y))
res = f(10)
print(res(5))
# 结果
'''
15
'''
随机函数
random.random()用于生成一个0到1的随机浮点数: 0 <= n < 1.0 。
random.uniform(a, b)，用于生成一个指定范围内的随机浮点数，两个参数其中一个是上限，一个是下限。如果a > b，则生成的随机数n: a <= n <= b。如果 a < b， 则 b <= n <= a 。
random.randint(a, b)，用于生成一个指定范围内的整数。其中参数a是下限，参数b是上限，生成的随机数n: a <= n <= b。
random.randrange([start], stop[, step])，从指定范围内，按指定基数递增的集合中获取一个随机数。如random.randrange(10, 10, 2)，结果相当于从[10, 12, 14, 16, …, 96, 98]序列中获取一个随机数。
random.choice(sequence)从序列中获取一个随机元素，参数sequence表示一个有序类型，list、tuple、字符串等。如random.choice([“Python”, “C++”, “java”])，随机在列表中选取一个元素。
random.shuffle(x[, random])，用于将一个列表中的元素打乱。如random.shuffle([“Python”, “C++”, “java”])，每次结果是随机排序的。
random.sample(sequence, k)，从指定序列中随机获取指定长度的片断，sample函数不会修改原有序列。如random.sample([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], 2)，结果是从列表10个数字中随机选两个元素。
Python中单下划线和双下划线
单下划线开头
一种约定，一般来说，_object被看作“私有的”，在模块或类外不可以使用，不能用from module import *导入，当变量是私有的时候，用_object来表示变量是很好的习惯。
双下划线开头
双下划线开头，__object表示私有成员，只有类对象自己能访问，连子类对象也不能访问到这个数据。
双下划线开头和结尾
"object"指的是python中的一些特殊方法，前后双下划线是专用标识，它们是python的魔法函数，编程是不要用这种方式命名自己的变量和函数。
编码与解码
基本概念：
比特 / bit：计算机中最小的数据单位，是单个的二进制数值 0 或 1
字节 / byte：计算机存储数据的单元，1 个字节由 8 个比特组成
字符：人类能够识别的符号
编码：将人类可识别的字符转换为机器可识别的字节码 / 字节序列
解码：将机器可识别的字节码 / 字节序列转换为人类可识别的字符
编码格式;
Python2 的默认编码是ASCII，不能识别中文字符，需要显示指定字符编码。
Python3 的默认编码是Unicode，可以识别中文。
计算机内存的数据，统一使用Unicode编码；数据传输或保存在硬盘上，是哟还能UTF-8编码。
编码和解码
编码(encode)：将Unicode字符串转换为特定编码格式对应的字节码的过程。
s = "学习python"
print(s.encode()) # encode()函数里参数默认为utf-8
print(s.encode('gbk'))
# 结果
'''
b'\xe5\xad\xa6\xe4\xb9\xa0python'
b'\xd1\xa7\xcf\xb0python'
'''
解码(decode)：将特定编码格式的字节码转换为对应的Unicode字符串的过程。
# encode和decode的编码格式必须一致，如gbk编码，必须用gbk解码
s1 = b'\xe5\xad\xa6\xe4\xb9\xa0python'
s2 = b'\xd1\xa7\xcf\xb0python'
print(s1.decode()) # 用默认的utf-8解码
print(s2.decode('gbk')) # 用gbk解码
# 结果
'''
学习python
学习python
'''
编码表和适用性
增量赋值
+=操作首先会尝试调用对象的__iadd__方法，如果没有该方法，那么尝试调用__add__方法，所以 += 与 +的区别实质是__iadd__和__add__的区别。
__add__方法接收两个参数，返回它们的和，两个参数的值均不会改变。
__iadd__方法同样接收两个参数，但它是属于in-place操作，即会改变第一个参数的值，所以__iadd__方法的对象只能是可变对象，如list对象提供了__iadd__方法，而int对象是没有。
*=操作首先会尝试调用对象的__imul__方法，如果没有该方法，那么尝试调用__mul__方法，所以 *= 与 *的区别实质是__imul__和__mul__的区别。
对不可变序列进行重复拼接操作，效率会很低，因为每次都要新建一个序列，然后把原序列中的元素复制到新的序列里面，然后再追加新的元素。
不要把可变对象放在元组里。
增量赋值不是一个原子操作，出现异常时，仍然进行了操作。
exec对字符串执行和eval对字符串求值
exec
exec函数主要用于动态地执行代码字符串，exec 返回值永远为 None。exec()不仅可以执行python代码，还可以共享上下文，但需要注意尽量不要在全局作用域下用exec()函数执行python代码，以免发生命名空间冲突。
为了解决这个问题，可以在执行之前创建一个空字典scope = {}，作为exec()函数的第二个参数，这样通过exec执行python代码时创建的变量就会存储在字典scope中。
如果exec()函数执行的python代码中含有参数，且要传参，则可以在exec()中 以字典形式进行传参，这时exec就有了第三个参数args。当说要执行的代码是多行时，可以用"“” “”"引起来.
args = {'x': 1, 'y': 2}
scope = {}
print(exec('print(x + y)', scope, args))
print(scope.keys())
# 结果
'''
3
dict_keys(['__builtins__'])
'''
eval
eval()函数来执行一个字符串表达式，实现一个可以计算表达式的计算器，并返回表达式的值。
eval()函数的语法：eval(expression[, globals[, locals]])，expression是表达式；globals是变量作用域，全局命名空间，如果被提供，这必须是一个字典对象；locals是变量作用域，局部变量命名空间，如果被提供，可以是任何映射对象。
python中查找变量的顺序是：局部 --> 全局 --> 内置
a = 1 # 当前变量
b = 2 # 当前变量
c = 3 # 当前变量
globals = {'a': 10, 'b': 20} # 全局变量
locals = {'b': 200, 'c': 300} # 局部变量
print(eval('a + b + c')) # 后两个参数省略，默认在当前作用域下，即a+b+c = 1+2+3 = 6
print(eval('a + b + c', globals, locals)) # 指定globals、locals参数，优先局部，再全局，最后当前作用域，即a+b+c = 10+200+300 = 510
# 结果
'''
6
510
'''
协程与生成器
从句法上看，协程与生成器类似，都是定义体中包含 yield 关键字的函数。可是，在协 程中，yield 通常出现在表达式的右边（例如，datum = yield），可以产出值，也可 以不产出——如果 yield 关键字后面没有表达式，那么生成器产出 None。协程可能会从 调用方接收数据，不过调用方把数据提供给协程使用的是 .send(datum) 方法，而不是 next(…) 函数。通常，调用方会把值推送给协程，通过.send()双向交换数据的生成器就是协程。
yield 关键字甚至还可以不接收或传出数据。不管数据如何流动，yield 都是一种流程控 制工具，使用它可以实现协作式多任务：协程可以把控制器让步给中心调度程序，从而激活其他的协程。
# 产生两个值的协程
>>> from inspect import getgeneratorstate
>>> def simple_coro2(a):
... print('-> Started: a =', a)
... b = yield a
... print('-> Received: b =', b)
... c = yield a + b
... print('-> Received: c =', c)
>>> my_coro2 = simple_coro2(14)
>>> getgeneratorstate(my_coro2) # (1)
'GEN_CREATED'
>>> next(my_coro2) # (2)
-> Started: a = 14
14
>>> getgeneratorstate(my_coro2) # (3)
'GEN_SUSPENDED'
>>> my_coro2.send(28) # (4)
-> Received: b = 28
42
>>> my_coro2.send(99) # (5)
-> Received: c = 99
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration
>>> getgeneratorstate(my_coro2) # (6)
'GEN_CLOSED'
(1) inspect.getgeneratorstate函数指明，处于GEN_CREATED 状态（即协程未启动）。
(2) 向前执行协程到以第一个yield表达式，打印 -> Started: a = 14 消息，然后产出a的值，并且暂停，等待为b赋值。
(3) getgeneratorstate 函数指明，处于 GEN_SUSPENDED 状态（即协程在yield表达式处暂停）。
(4) 把数字28发给暂停的协程；就算yield表达式，得到28，然后把那个数按定给b。打印 -> Received: b = 28 消息，产出 a + b 的值（42），然后协程暂停，等待为 c 赋值。
(5) 把数字 99 发给暂停的协程；计算 yield 表达式，得到 99，然后把那个数绑定给 c。打印 -> Received: c = 99 消息，然后协程终止，导致生成器对象抛出StopIteration异常。
(6) getgeneratorstate 函数指明，处于 GEN_CLOSED 状态（即协程执行结束）。