Python3.5.1教程

Python3.5.1:稳中求进的里程碑版本

Python3.5.1 是 Python 3 系列中承前启后的关键版本,发布于2016年3月,是 Python3.5 的首个微版本更新。它并非引入颠覆性语法变更,而是以“稳定性”和“生产就绪”为核心目标,修复了大量关键缺陷,并对标准库进行了精细优化,显著提升了企业级应用的可靠性与兼容性。该版本延续了 Python3 的现代化设计哲学,同时为后续 3.6+ 版本中引入的 f-string、异步生成器等高级特性奠定了坚实基础。

在生产环境中,许多大型企业(如 Dropbox、Netflix、Reddit)在迁移到 Python3 时,优先选择 3.5.x 系列作为过渡,因其在性能、兼容性和生态成熟度之间取得了良好平衡。尤其在 3.5.1 中,subprocess、asyncio、ssl 模块的错误修复极大增强了网络编程与进程管理的安全性与健壮性;os、pathlib 路径处理逻辑的优化,使跨平台脚本更可靠;typing 模块的初步完善,为类型注解的工程化实践铺平了道路。

为何选择 Python3.5.1?

  • ✅ 生产稳定性:修复了 3.5.0 中的 200+ 个 bug,涵盖内存泄漏、死锁、平台兼容性问题;
  • ✅ 向后兼容:完全兼容 3.5.0 的代码,无缝迁移;
  • ✅ 生态就绪:主流第三方库(如 NumPy、Django、Flask)在 2016 年普遍提供 3.5.1 兼容性认证;
  • ✅ 安全加固:修补了多个中危 CVE(如 CVE-2016-5636:urllib3 URL 解析漏洞);
  • ✅ 文档完备:官方文档同步更新,示例丰富,社区教程体系成熟。

值得注意的是,Python3.5.1 并未包含 PEP 484 的完整实现(类型提示),但提供了 typing 模块的预览版本,允许开发者在不破坏解释器的前提下尝试类型注解。这一设计体现了 Python 团队“渐进式创新”的哲学——不强求一步到位,而是通过微版本迭代,让社区在实践中逐步验证并反馈优化建议,最终在 3.5.4 中完善了类型推断与工具链集成。

从技术演进角度看,3.5.1 是 Python 从“语法现代化”迈向“工程化成熟”的转折点。它标志着 Python 不再是“玩具语言”,而真正具备支撑大型分布式系统、高并发服务、数据科学平台的能力。许多运维工程师至今仍在使用 Python3.5.1 管理遗留系统,因其行为确定性强、第三方依赖冲突少,远优于某些“新但不稳定”的版本。

基础语法精要与实战要点

Python3.5.1 的语法体系在 3.0 基础上趋于稳定,去除了 Python2 中的遗留歧义,同时保留了简洁优雅的核心特性。本节聚焦开发者在迁移或初学时易忽略的细节陷阱与最佳实践,结合真实场景展开深度解析。

1. print 函数的隐藏陷阱

尽管 print() 作为函数已统一,但 3.5.1 中其参数校验逻辑存在细微差异。例如:

错误示例
print(file=None)  # 报错:TypeError: 'file' is an invalid keyword argument for print()

此错误源于 Python2 的 print >> sys.stderr, "msg" 语法残留认知,误以为 file 是内建关键字。正确做法是显式传递文件对象:

正确示例
import sys
print("Error occurred", file=sys.stderr)

在自动化脚本中,若错误地将 print 当作语句使用(如 print "Hello"),将导致语法错误。这是初学者从 Python2 迁移时最常见的失误,建议使用 2to3 工具进行自动转换。

2. 字符串与编码的深度澄清

Python3.5.1 全面采用 Unicode(UTF-8)作为默认字符串编码,但实际运行中仍存在多处易错点:

  • • 文件路径编码:在 Windows 上,若文件路径含中文,直接使用 open("数据.txt") 可能因系统默认编码(如 GBK)导致 UnicodeDecodeError。解决方案:显式指定 encoding="utf-8",或使用 pathlib.Path(3.5+ 新增)自动处理路径编码。
  • • 字节串操作:3.5.1 中,bytes 与 str 的混合操作限制更严格。例如 "abc" + b"def" 会抛出 TypeError,而 Python2 中会隐式转换。必须显式解码:"abc".encode() + b"def" 或 str(b"def", "utf-8")。
  • • 编码声明:文件首行 # -*- coding: utf-8 -*- 在 3.5.1 中已非必需(默认即 UTF-8),但若包含非 ASCII 字符(如中文注释),建议保留以提升兼容性。
⚠️ 实际案例:某企业日志解析脚本在 Linux 生产环境正常运行,但在 Windows 开发机报错。原因:日志文件保存为 GBK 编码,而脚本默认按 UTF-8 读取。解决方案:统一日志编码为 UTF-8,或在 open() 中指定 encoding="gbk"。

3. 函数参数与可变默认值

这是 Python 中最经典的“陷阱”之一,3.5.1 未作任何变更:

错误定义
def add_item(item, container=[]):
    container.append(item)
    return container
print(add_item("apple"))  # ["apple"]
print(add_item("banana")) # ["apple", "banana"] —— 意外共享了同一个列表

根本原因:默认参数在函数定义时求值,而非每次调用时创建新对象。修复方式:

正确做法
def add_item(item, container=None):
    if container is None:
        container = []
    container.append(item)
    return container

此模式在处理数据库连接、文件句柄等资源初始化时尤为重要。3.5.1 的 inspect 模块增强了对函数签名的反射能力,可辅助检测此类问题:

检测默认值类型
import inspect
sig = inspect.signature(add_item)
for param in sig.parameters.values():
    if param.default is not inspect.Parameter.empty:
        print(f"{param.name} default: {type(param.default)}")

4. 上下文管理器(with 语句)的深度扩展

3.5.1 中,contextlib 模块新增 ExitStack 类,用于动态管理多个上下文,尤其适用于资源数量不确定的场景:

批量打开文件并自动关闭
from contextlib import ExitStack
files = ["log1.txt", "log2.txt", "log3.txt"]
with ExitStack() as stack:
    handles = [stack.enter_context(open(f)) for f in files]
    for h in handles:
        print(h.read())  # 所有文件退出时自动关闭,即使中途异常

此特性在自动化测试、批量数据处理中极大提升资源安全性,避免因异常导致文件句柄泄漏。3.5.1 的 asyncio 模块也全面支持异步上下文管理器(__aenter__ / __aexit__),为异步编程提供统一抽象。

5. 迭代器协议与生成器增强

3.5.1 引入 yield from 语法(PEP 380),简化生成器委托,但需注意其与 return 的交互细节:

委托生成器中的返回值
def subgen():
    yield 1
    return "done"
def delegator():
    result = yield from subgen()
    print("Result:", result)
list(delegator())  # 输出:Result: done

当子生成器执行 return value 时,该值会作为 StopIteration 异常的 value 属性传递给委托者。此机制是协程(async/await)的底层基础,3.5.1 为后续 PEP 492(异步函数)铺平道路。

核心标准库深度解析与实战

Python3.5.1 的标准库经过长期迭代,已形成高效、健壮的工具集。本节聚焦高频使用模块,揭示其内部机制与避坑指南,助您写出“生产级”代码。

1. pathlib:面向对象的路径处理革命

PEP 428 引入的 pathlib 模块在 3.5.1 中已趋于稳定,彻底改变传统 os.path 的字符串拼接模式:

跨平台路径拼接
from pathlib import Path
base = Path("/data")
sub = base / "logs" / "app.log"  # 自动处理分隔符
print(sub)  # /data/logs/app.log(Linux)或 \data\logs\app.log(Windows)
# 读取文件
content = sub.read_text(encoding="utf-8")

相比 os.path.join,Path 对象支持链式操作:Path("data").joinpath("logs").glob("*.log"),且自动处理符号链接、权限检查等底层细节。3.5.1 修复了 Path.read_text() 在 Windows 上的编码问题,确保跨平台一致性。

2. asyncio:异步编程的基石

Python3.5.1 的 asyncio 模块已支持协程(async def / await),但需注意其与线程的交互限制:

错误的混用方式
import asyncio
import threading
async def worker():
    print("Worker running")
thread = threading.Thread(target=lambda: asyncio.run(worker()))
thread.start()  # 报错:RuntimeError: asyncio.run() cannot be called from a running event loop

3.5.1 中,asyncio.run() 尚未引入(PEP 567),应使用 loop.run_until_complete():

正确方式
loop = asyncio.get_event_loop()
loop.run_until_complete(worker())

更关键的是:异步函数内部禁止阻塞调用(如 time.sleep())。应使用 asyncio.sleep(),否则会阻塞整个事件循环。3.5.1 的文档已强调此点,但开发者仍易忽略。

3. subprocess:安全执行外部命令

3.5.1 强化了 subprocess 的安全模型,禁止 shell=True 时的路径注入:

危险用法
cmd = "ls " + user_input  # 若 user_input = "&& rm -rf /"
subprocess.call(cmd, shell=True)  # 高危:命令注入

安全做法是使用参数列表 + shell=False:

安全执行
subprocess.call(["ls", user_input])  # user_input 仅作为参数,不解析为命令

3.5.1 新增 subprocess.run() 作为统一入口,返回 CompletedProcess 对象,封装 stdout、returncode 等信息,简化代码逻辑。

4. typing:类型提示的工程化实践

尽管 3.5.1 的 typing 模块为预览版,但已支持核心类型:

函数签名与类型提示
from typing import List, Dict, Optional
def process_data(items: List[str], config: Dict[str, int]) -> Optional[str]:
    if not items:
        return None
    return f"Processed {len(items)} items"

此代码在运行时无性能损耗,但可被 mypy 等静态检查工具分析,提前发现类型错误。3.5.1 的类型提示遵循 PEP 484,为后续版本的类型推断(如 TypedDict)奠定基础。

核心模块精要

  • collections:新增 OrderedDict 的 move_to_end() 方法(PEP 484),优化 LRU 缓存实现;
  • functools:增强 lru_cache 的 typed 参数,支持按类型区分缓存键;
  • itertools:新增 zip_longest 的 fillvalue 参数默认值;
  • json:修复 JSONEncoder 在处理 Decimal 时的精度丢失问题;
  • unittest:新增 TestCase.assertLogs(),简化日志测试。

安全模块重点

  • ssl:默认启用 TLS 1.2,废弃不安全的 SSLv3;
  • hashlib:修复 SHA-256 在某些 ARM 平台的实现错误;
  • hmac:增加 compare_digest() 防止时序攻击;
  • secrets:虽为 3.6 引入,但 3.5.1 可通过 os.urandom() 实现类似功能。

编码处理技巧

  • codecs:支持 BOM(Byte Order Mark)自动识别;
  • locale:修复 Windows 上的中文编码映射错误;
  • unicodedata:新增 Unicode 9.0 字符集支持;
  • encodings:修复 cp936(GBK)与 cp65001(UTF-8)的互转问题。

Web 开发:从 Flask 到异步框架

Python3.5.1 是 Web 开发的“黄金分割点”——既兼容成熟框架(如 Flask 0.12+),又支持新兴异步范式(如 aiohttp 1.0+)。本节结合真实项目场景,解析技术选型与性能调优策略。

1. Flask:轻量级框架的生产部署

Flask 在 Python3.5.1 环境中表现稳定,但需注意以下配置要点:

安全配置模板
app = Flask(__name__)
app.config.update(
    SECRET_KEY="your-secure-random-key",  # 必须使用强随机密钥
    SESSION_COOKIE_SECURE=True,          # 仅 HTTPS 传输
    SESSION_COOKIE_HTTPONLY=True,        # 禁止 JS 访问 Cookie
    PERMANENT_SESSION_LIFETIME=1800      # 30 分钟过期
)

3.5.1 中,Flask 的 request 对象支持 get_json() 的 force 参数,可处理非 JSON Content-Type 请求体,但需警惕潜在的安全风险(如 XML 外部实体注入)。建议结合 secure_loads() 验证签名。

2. 异步框架:aiohttp 的实战陷阱

aiohttp 1.0+ 兼容 Python3.5.1,但异步上下文管理器的使用需谨慎:

错误的会话管理
async def handler(request):
    session = aiohttp.ClientSession()  # 每次请求新建会话 → 连接泄漏
    async with session.get("http://api.example.com") as resp:
        data = await resp.json()
    return web.json_response(data)

正确做法是复用 ClientSession(如通过应用上下文或全局单例),否则会耗尽系统文件描述符。3.5.1 的 aiohttp 文档已强调此点,但新手仍易犯错。

3. 数据库集成:SQLAlchemy 1.0.x 的兼容性

SQLAlchemy 在 Python3.5.1 中支持 asyncio 的异步引擎(需配合 aiopg 或 asyncpg),但同步 ORM 操作仍需在独立线程执行:

线程池隔离
import asyncio
from sqlalchemy.orm import sessionmaker
from concurrent.futures import ThreadPoolExecutor
executor = ThreadPoolExecutor(max_workers=5)
Session = sessionmaker(bind=engine)
async def get_data():
    loop = asyncio.get_event_loop()
    with Session() as session:
        # 同步 ORM 操作需放入线程池
        result = await loop.run_in_executor(executor, session.query(User).all)
    return result

3.5.1 的 SQLAlchemy 1.0.13 修复了多线程环境下的连接池死锁问题,确保高并发场景下的稳定性。

4. 部署优化:Gunicorn + uWSGI 的选型

Python3.5.1 环境下,Gunicorn(WSGI)与 uWSGI(uWSGI 协议)均稳定支持,但异步应用应选择 uWSGI 的 async 模式:

uWSGI 配置示例
[uwsgi]
module = app:app
master = true
processes = 4
async = 10
enable-threads = true
socket = :8080

注意:启用 enable-threads 后,同步代码需确保线程安全(如使用线程锁)。3.5.1 的 Gevent 支持在 uWSGI 中需额外安装 gevent 包。

数据处理:NumPy、Pandas 与科学计算生态

Python3.5.1 是数据科学的“分水岭”——NumPy 1.11+、Pandas 0.19+ 全面支持该版本,同时引入 asyncio 与 typing 的初步集成。本节聚焦性能瓶颈与类型安全实践。

1. NumPy:向量化运算与内存优化

3.5.1 中,NumPy 1.11 的 np.einsum 性能提升 30%,但需注意:

高维张量计算示例
import numpy as np
A = np.random.rand(100, 100, 100)
B = np.random.rand(100, 100, 100)
C = np.einsum('ijk,ijk->ik', A, B)  # 自定义张量收缩,避免中间数组创建

相比传统 np.sum(A * B, axis=1),einsum 直接生成目标形状,节省内存。3.5.1 的 NumPy 还优化了 np.where 的广播规则,支持标量与数组混合操作。

2. Pandas:大数据集处理的避坑指南

Pandas 0.19+ 在 Python3.5.1 中修复了多处性能问题,但以下陷阱需警惕:

错误的循环操作
df = pd.DataFrame({"A": range(100000)})
# 遍历行 → O(n^2) 时间复杂度
for idx, row in df.iterrows():
    df.loc[idx, "B"] = row["A"] * 2

正确做法是向量化操作:

向量化赋值
df["B"] = df["A"] * 2  # O(n) 时间复杂度

3.5.1 的 Pandas 新增 pd.read_json() 的 lines 参数,支持逐行读取 JSON Lines 文件,显著降低内存峰值。

3. 类型提示在数据分析中的实践

3.5.1 中,Pandas 开始支持类型提示(需安装 pandas-stubs):

DataFrame 类型标注
from typing import DataFrame
import pandas as pd
def clean_data(df: DataFrame) -> DataFrame:
    return df.dropna().astype({"price": float})

此标注可被 mypy 检查,防止误用列名或数据类型。3.5.1 的类型提示虽不完美,但为后续版本(如 Pandas 2.0 的 TypedDict)提供重要实践基础。

4. 大数据集成:PyArrow 与 Parquet 格式

Python3.5.1 支持 PyArrow 0.7+,实现高性能列式存储:

Parquet 文件读写
import pyarrow as pa
import pyarrow.parquet as pq
table = pa.Table.from_pandas(df)
pq.write_table(table, "data.parquet")  # 压缩率高、读取快
df2 = pq.read_table("data.parquet").to_pandas()

相比 CSV,Parquet 文件体积缩小 70%,读取速度提升 5 倍,且支持列裁剪与谓词下推。3.5.1 的 PyArrow 修复了 Windows 上的文件句柄泄漏问题。

自动化运维:脚本安全与跨平台兼容

Python3.5.1 在运维自动化领域表现卓越,尤其在 subprocess、shutil、pathlib 的协同配合上。本节结合 DevOps 实践,解析脚本健壮性设计。

1. 安全执行系统命令

3.5.1 的 subprocess 需严格遵循“参数列表”原则:

安全执行 ls 命令
import subprocess
user_path = input("Enter path: ")
# 错误:subprocess.call("ls " + user_path, shell=True)
# 正确:
subprocess.call(["ls", "-la", user_path])

3.5.1 修复了 subprocess.Popen 在 Windows 上的路径转义问题(如反斜杠处理),确保跨平台一致性。

2. 文件操作的原子性

3.5.1 的 pathlib.Path 支持原子写入:

安全写入配置文件
from pathlib import Path
config_path = Path("config.yaml")
temp_path = config_path.with_suffix(".tmp")
with temp_path.open("w") as f:
    f.write("new_config")
# 原子替换(Linux/Unix)
temp_path.rename(config_path)

此操作确保配置文件不会处于半写入状态,避免服务中断。3.5.1 的 rename() 在 Windows 上也支持跨目录操作,但需目标目录存在。

3. 日志轮转与监控

3.5.1 的 logging.handlers.RotatingFileHandler 支持自定义命名规则:

带时间戳的日志轮转
from logging.handlers import RotatingFileHandler
import time
handler = RotatingFileHandler(
    f"app_{time.strftime('%Y%m%d')}.log",
    maxBytes=10*1024*1024, backupCount=5
)

注意:3.5.1 的默认轮转策略为“覆盖旧文件”,需手动实现按时间归档。可结合 TimedRotatingFileHandler 实现日切归档。

4. 系统资源监控脚本示例

CPU/内存使用率监控
import psutil
from pathlib import Path
def monitor_resources():
    cpu_percent = psutil.cpu_percent(interval=1)
    mem = psutil.virtual_memory()
    disk = psutil.disk_usage("/")
    log = Path("system.log")
    log.write_text(
        f"CPU: {cpu_percent}% | Memory: {mem.percent}% | Disk: {disk.percent}%\n",
        append=True
    )
while True:
    monitor_resources()

3.5.1 的 psutil 5.2+ 修复了 Windows 上的 CPU 频率获取错误,确保监控数据准确。

高频面试题深度解析

基于 2016-2017 年 Python 岗位招聘数据,我们梳理了 10 大高频考点,并结合 Python3.5.1 的实现细节给出权威解答。

1. GIL 的本质与影响

问题:GIL 是否让 Python 无法利用多核?
解析:GIL(全局解释器锁)确保同一进程内只有一个线程执行 Python 字节码,但 I/O 密集型任务(如网络请求)在等待系统调用时会释放 GIL,允许多线程并发。C 扩展模块(如 NumPy)可显式释放 GIL,实现多核并行。Python3.5.1 的 concurrent.futures.ThreadPoolExecutor 仍推荐用于 I/O 密集型任务,而 CPU 密集型任务应使用 multiprocessing。

2. 深拷贝与浅拷贝的陷阱

问题:`a = [[1,2], [3,4]]`,执行 `b = a.copy()` 后,修改 `b[0][0] = 99` 为何影响 `a`?
解析:`list.copy()` 是浅拷贝,仅复制外层引用。内层列表仍共享内存。正确做法是 `import copy; b = copy.deepcopy(a)`。3.5.1 的 `copy` 模块修复了循环引用检测的性能问题。

3. 生成器与列表推导式的内存差异

问题:`sum([i for i in range(1000000)])` 与 `sum(i for i in range(1000000))` 性能差异?
解析:前者先创建 100 万元素的列表(内存峰值 ~8MB),后者生成器逐个消费(内存峰值 ~0.1MB)。3.5.1 的 sys.getsizeof() 可验证对象内存占用。

4. with 语句的异常处理机制

问题:`with open() as f: ...` 中若文件操作抛出异常,文件是否关闭?
解析:是。`__exit__` 方法总会执行,即使发生异常。3.5.1 的 contextlib 模块提供 suppress() 上下文管理器,可忽略特定异常。

5. 协程与线程的性能对比

问题:Python3.5.1 中,1000 个协程 vs 1000 个线程,哪个更高效?
解析:协程切换开销更低(用户态),无上下文切换成本。但线程可利用多核(通过 C 扩展)。3.5.1 的 asyncio 在 I/O 密集型任务中性能优于线程 5-10 倍。

6. 闭包中的变量绑定问题

问题:`[lambda: i for i in range(3)]` 的输出为何全是 2?
解析:闭包捕获变量引用,非值。循环结束时 `i=2`,所有 lambda 引用同一变量。解决方案:`[lambda i=i: i for i in range(3)]`,将 `i` 绑定为默认参数。

7. 魔法方法 __new__ 与 __init__ 的区别

问题:何时需重写 __new__?
解析:__new__ 负责创建实例(返回新对象),__init__ 负责初始化。单例模式需重写 __new__ 控制实例化。3.5.1 的 type.__new__ 实现了元类的灵活扩展。

8. 线程安全的单例模式

问题:如何用双重检查锁实现线程安全单例?
解析:

线程安全单例
import threading
class Singleton:
    _instance = None
    _lock = threading.Lock()
    def __new__(cls):
        if not cls._instance:
            with cls._lock:
                if not cls._instance:
                    cls._instance = super().__new__(cls)
        return cls._instance

3.5.1 的 GIL 无法保证此类操作的原子性,必须显式加锁。

9. Python 的内存管理机制

问题:Python 如何回收小对象内存?
解析:Python 使用引用计数(主)+ 循环垃圾回收(辅)。小对象(≤256 字节)由 pymalloc 专门管理,减少内存碎片。3.5.1 的 gc 模块提供 `gc.collect()` 手动触发回收。

10. 装饰器的执行顺序

问题:多个装饰器叠加时,执行顺序如何?
解析:从下到上应用,从上到下执行。例如:

装饰器顺序
@a
@b
def func(): pass
# 等价于:func = a(b(func))

3.5.1 的 inspect 模块支持 `functools.wraps(func)` 保留原函数元数据,便于调试。

常见问题深度答疑

基于 2016-2017 年社区高频提问,我们整理了 15 个典型问题,结合 Python3.5.1 的源码实现给出精准解答。

Q1:Python3.5.1 与 Python3.6 的主要区别?

A:Python3.6 引入 f-string(PEP 498)、异步生成器(PEP 525)、字典有序化(CPython 实现),但 3.5.1 更稳定。企业级项目建议使用 3.5.4(最终微版本),因 3.5.1 存在少量已知缺陷(如 Windows 上的路径编码问题)。

Q2:如何检查当前 Python 版本的精确补丁号?

A:使用 sys.version_info:

>>> import sys
>>> sys.version_info
sys.version_info(major=3, minor=5, micro=1, releaselevel='final', serial=0)

注意:`sys.version` 仅显示主版本,需解析 `micro` 字段。

Q3:Python3.5.1 是否支持 async/await?

A:支持!PEP 492 在 3.5 中引入 `async`/`await` 语法。3.5.1 的 `asyncio` 模块已包含完整实现,但部分高级特性(如异步推导式)需 3.6+。

Q4:如何避免 Python 脚本的内存泄漏?

A:常见原因与对策:

  • • 全局缓存未清理 → 使用 `weakref` 弱引用;
  • • 循环引用 → `gc.collect()` 手动触发;
  • • 文件/网络句柄未关闭 → `with` 语句;
  • • C 扩展泄漏 → 升级库版本(如 NumPy 1.11.2+ 修复内存泄漏)。

Q5:Python3.5.1 的默认递归深度限制是多少?

A:通常为 1000,可通过 `sys.getrecursionlimit()` 查看。修改限制:`sys.setrecursionlimit(2000)`,但需警惕栈溢出风险。3.5.1 的 `faulthandler` 模块可捕获递归错误。

Q6:如何调试多线程程序中的死锁?

A:使用 `faulthandler.dump_traceback_later()`:

import faulthandler, signal, sys
faulthandler.register(signal.SIGUSR1, file=sys.stderr, all_threads=True)

向进程发送 `SIGUSR1` 信号,输出所有线程堆栈,定位死锁位置。3.5.1 的 `faulthandler` 已支持多线程转储。

Q7:Python3.5.1 是否支持 Unicode 9.0?

A:是。3.5.1 的 `unicodedata` 模块基于 Unicode 9.0,新增 8515 个字符(如 Emoji 4.0)。可通过 `unicodedata.name('💩')` 查询字符名称。

Q8:如何安全地删除列表中的元素?

A:避免正向遍历删除,改用反向遍历或列表推导式:

# 安全做法
data = [x for x in data if x > 0]
# 或反向遍历
for i in range(len(data)-1, -1, -1):
    if data[i] <= 0:
        del data[i]

3.5.1 的 `filter()` 函数返回迭代器,内存更优:

data = list(filter(lambda x: x > 0, data))

Q9:Python3.5.1 的 `__name__ == "__main__"` 有何作用?

A:确保代码仅在直接运行时执行,而非被导入时。3.5.1 的 `importlib` 模块支持动态导入,但 `__main__` 是入口点标识。常见用法:`if __name__ == "__main__": main()`。

Q10:如何加速 Python 脚本启动速度?

A:

  • • 使用 `.pyc` 字节码缓存(`__pycache__`);
  • • 避免大型全局初始化;
  • • 使用 `python -O` 优化(移除断言);
  • • 关键路径改用 C 扩展(如 Cython)。

3.5.1 的 `compileall` 模块可预编译脚本:`python -m compileall .`。

Q11:Python3.5.1 是否支持 Windows 7?

A:官方支持至 Windows 7 SP1(需 KB2533623 补丁)。3.5.1 的安装程序已包含必要 VC++ 运行库。注意:3.7+ 需要 Windows 10。

Q12:如何检查 Python 模块的依赖关系?

A:使用 `pipdeptree` 工具:

pip install pipdeptree
pipdeptree -p flask

3.5.1 的 `pip` 9.0+ 支持 `pipdeptree` 的依赖树分析。

Q13:Python3.5.1 的默认编码是 UTF-8 吗?

A:是。但文件编码声明仍需 `# -*- coding: utf-8 -*-`(尤其含非 ASCII 字符时)。3.5.1 的 `sys.getdefaultencoding()` 返回 `'utf-8'`,但 `sys.stdout.encoding` 可能为 `'cp936'`(Windows 中文版),导致输出乱码。

Q14:如何避免 `ImportError: No module named 'xxx'`?

A:

  • • 检查 `sys.path` 是否包含模块路径;
  • • 确保目录含 `__init__.py`(Python3.5.1 仍需);
  • • 使用相对导入(`from . import module`)。

3.5.1 的 `pkgutil.iter_modules()` 可扫描模块路径。

Q15:Python3.5.1 是否支持 WebAssembly?

A:不直接支持。但可通过 Pyodide(基于 Emscripten)将 Python 编译为 WebAssembly。3.5.1 的 CPython 源码可被 Emscripten 编译,但性能较低。推荐升级至 3.8+ 以获得官方支持。