Python面试高频题：机器人岗位常考的Python知识点，你都会吗

郑伟强dev

20人浏览 · 2026-07-19 05:56:53

郑伟强dev · 2026-07-19 05:56:53 发布

Python系列终于到了最后一篇。前面从基础语法讲到数据分析、深度学习，覆盖了机器人开发中Python的主要应用场景。今天做个收尾——把面试中最常考的Python知识点梳理一遍，帮你查漏补缺。

先说个面试场景。

面试官问："Python的装饰器是什么？你在项目里用过吗？"

我当时说了句"就是那个@符号的东西"，然后就没下文了。

面试官等了几秒，看我没有补充，就换了个话题。后来复盘才知道，这道题答成这样基本就凉了。装饰器是Python面试的高频考点，不会说也得背一个。

今天把机器人岗位面试中最常考的Python知识点整理出来，每个都结合机器人场景讲，帮你高效复习。

GIL：为什么Python多线程不快

面试官问："Python的多线程为什么不能利用多核？"

答案是GIL——全局解释器锁。CPython（最常用的Python实现）有一个全局锁，同一时刻只有一个线程能执行Python字节码。所以即使你开了10个线程，同一时刻也只有一个在跑。

这对机器人开发有什么影响？如果你的任务是CPU密集型的——比如点云处理、矩阵运算——多线程不会加速，反而可能更慢（线程切换有开销）。解决办法是用multiprocessing模块，每个进程有独立的GIL。

但如果是IO密集型的——比如同时从多个传感器读数据、同时请求多个服务——多线程还是有效的，因为IO操作会释放GIL。

面试时如果能说出"CPU密集型用多进程，IO密集型用多线程"，基本就过关了。再进一步可以说concurrent.futures的ProcessPoolExecutor和ThreadPoolExecutor，用起来很方便。

装饰器：面试必考的知识点

装饰器本质上是一个接受函数并返回函数的高阶函数。用@语法糖简化写法。

import time

def timer(func):
    def wrapper(*args, **kwargs):
        start = time.perf_counter()
        result = func(*args, **kwargs)
        elapsed = time.perf_counter() - start
        print(f"{func.__name__} 耗时: {elapsed:.3f}s")
        return result
    return wrapper

@timer
def plan_path(start, goal):
    # 路径规划算法
    time.sleep(0.5)  # 模拟计算
    return [start, goal]

plan_path((0,0), (1,1))  # 输出：plan_path 耗时: 0.501s

在机器人项目中，装饰器的常见用途包括：给函数加计时（性能分析）、加重试逻辑（网络通信不可靠时）、加日志记录。

面试时如果被问到，至少能说出"装饰器是一个接受函数作为参数、返回新函数的函数"，然后举一个实际用途。如果能手写一个简单的装饰器，那就很加分了。

生成器：处理大数据的利器

面试官问："如果有一个10GB的日志文件，你怎么用Python处理？内存只有4GB。"

答案是生成器。生成器不会一次性把所有数据加载到内存，而是每次产出一个元素：

def read_large_file(filepath):
    with open(filepath) as f:
        for line in f:
            yield line.strip()

# 使用
for line in read_large_file('huge_log.txt'):
    if 'ERROR' in line:
        process_error(line)

yield关键字让函数变成生成器。每次调用next()时，函数从上次暂停的地方继续执行，直到遇到下一个yield。

在机器人领域，生成器常用于流式处理传感器数据。比如激光雷达每秒产生10帧数据，你不需要把所有帧都存在内存里，用生成器一帧一帧处理就行。

上下文管理器：with语句的原理

面试官问："with语句的原理是什么？能不能自己实现一个？"

with语句背后是上下文管理器协议——__enter__和__exit__两个魔术方法。

class RobotConnection:
    def __init__(self, robot_ip):
        self.ip = robot_ip
    
    def __enter__(self):
        print(f"连接到 {self.ip}")
        self.conn = connect(self.ip)
        return self.conn
    
    def __exit__(self, exc_type, exc_val, exc_tb):
        print("断开连接")
        self.conn.close()
        return False  # 不抑制异常

# 使用
with RobotConnection('192.168.1.100') as conn:
    conn.send_command('move_forward')

最常见的上下文管理器是文件操作——with open()确保文件用完后自动关闭。在机器人项目中，硬件连接、数据库连接、ROS2节点的生命周期管理都可以用上下文管理器来简化。

列表推导式 vs map/filter

面试官问："列表推导式和map/filter哪个更好？"

功能上两者可以互相替代，但Python社区更推荐列表推导式——可读性更好。

# 列表推导式
successes = [r for r in results if r['success']]
times = [r['cycle_time'] for r in results]

# 等价的map/filter
successes = list(filter(lambda r: r['success'], results))
times = list(map(lambda r: r['cycle_time'], results))

列表推导式更直观，而且通常更快（因为不用调用lambda函数）。但map/filter在处理已有函数时更简洁：list(map(str, numbers))比[str(n) for n in numbers]更短。

面试时两种写法都写出来，说说各自的优缺点，面试官会觉得你对Python理解得比较深入。

深拷贝和浅拷贝

面试官问："a = [1, [2, 3]]; b = a; b[0] = 10; b[1].append(4)。a是什么？"

答案是[10, [2, 3, 4]]。因为b = a只是引用赋值，a和b指向同一个列表。

如果是浅拷贝b = a.copy()，b[0] = 10不会影响a，但b[1].append(4)会影响——因为嵌套的列表还是共享的。

深拷贝b = copy.deepcopy(a)则完全独立，修改b不会影响a。

在机器人项目中处理传感器数据时，这个问题经常出现。比如你拿到一个位姿列表，想修改其中一份但不影响原始数据——这时候必须用深拷贝。

高频考点之GIL与多进程

Python面试几乎必问GIL（全局解释器锁）。简单说，GIL使得同一时刻只有一个线程执行Python字节码，所以CPU密集型任务用多线程并不能真正并行。解决方案是用multiprocessing模块，每个进程有独立的GIL。在机器人项目中，感知和处理流水线适合用多进程，而IO密集型任务比如网络通信用多线程或asyncio就够了。

补充一个面试常问的点：装饰器的原理。本质上装饰器就是一个接受函数作为参数并返回新函数的高阶函数，理解了这个概念，闭包、回调等知识点就都串起来了。