美女面试官问我Python如何优雅的创建临时文件,我的回答....

努力自学的小P

本故事纯属虚构,如有巧合,他们故事里的美女面试官也肯定没有我的美,请自行脑补...

小P像多数Python自学者一样,苦心钻研小半年,一朝出师投简历。这不,一家招聘初级Python开发工程师的公司,发来了面试邀请,小P赶紧准备行头欣然赴约。

面试开场

接待他的是一位美女面试官,小P决定要好好表现下。经过一轮套路的自我介绍,来到技术面试的环节。美女面试官问了这么一道题:

假设你正在编写的方法,需要每次执行时,在服务器上创建一个临时文件书写部分内容,而后将该文件的对象传输给第三方的函数,待第三方获取到你文本内的数据,最后执行对该临时文件的删除操作。请在纸上完善代码:

import os

def three_func(file_object=None):
    data = file_object.read()
    final_data = data.decode() if isinstance(data, bytes) else data
    print(f'read file info:{final_data}')

def make_temp_file():
 ...
    # call three_func
    three_func(_tmp_file)
 ...

make_temp_file()

小P作答

小P一想,这个美女还挺心机的,要求边读边写,但这可难不倒我,so easy!于是开始了他的“表演”:

def make_temp_file():
    _base_dir = os.path.dirname(os.path.realpath(__file__))
    _tmp_file = os.path.join(_base_dir, 'tmp_file.txt')
    print(_tmp_file)
    with open(_tmp_file, 'w+') as f:
        f.write("something")
        f.seek(0)
        # call three_func
        three_func(f)
    os.remove(_tmp_file)

output:
D:\Codes_Repository\PythonArticles\tmp_file.txt
read file info:something

写完后,小P自信的给了美女面试官一个微笑。通过小P的代码,可以看到他对文件的读写还是有一定了解的。知道w+的方式可以同时支持读写操作,并通过seek的指针偏移,来达到读取已写入内容的效果,大家觉得小P的答案能给多少分?

黯然离场

美女面试官沉吟半天,说到:“虽然我们招聘的是初级Python开发,要求也不高,可你理解我说的临时文件吗?你以为定义一个带tmp的文件名就叫临时文件?而且,如果你的上游还存在服务去多次调用你,你定义的这个变量支持高可用吗?”

更好的作答

小P心一凉,这次面试只能以美女面试官的微微一笑而告终了...

那么,如果是我们该如何作答呢?既然是面试初级Python工程师,题目本身自然是不难的,只因为小P没有关注Python的基本模块:tempfile其实这道题,如果使用Python的tempfile模块,很容易便实现了:

import tempfile

def make_temp_file():
    _tmp_file = tempfile.TemporaryFile()
    try:
        print(_tmp_file.name)
        _tmp_file.write(b"something")
        _tmp_file.seek(0)
        # call three_func
        three_func(_tmp_file)
    finally:
        _tmp_file.close()

output:
C:\Users\ADMINI~1\AppData\Local\Temp\tmprfz_ifs7
read file info:something

有时候知识面太窄,不仅容易重造轮子,还没人家原生的好用。简单解释下TemporaryFile。TemporaryFile会针对系统差别在临时路径下:

windows:C:\Users\ADMINI~1\AppData\Local\Temp

linux:/tmp/ 

创建一个tmp开头+8位随机数的文件

文件在调用close方法时,释放文件内存并删除该临时文件。使用tempfile.TemporaryFile,每次生成随机名称文件,不仅达到了美女面试官对于高可用的要求,也缩减了代码,完美!当然我们也可以模拟该模块自己实现一个临时文件生成器,但前提是:

  1. 判断操作系统

  2. 调用random随机数

  3. 文件的自动清理等... 喜欢的朋友可以尝试自己来造一个轮子。

近期热门:墙裂推荐!B站上的Python学习资源
只要三步,带你用Python换脸趣味!用Python竟然还能做一个文字套娃只要三步,带你用Python换脸一行Python代码写的游戏,我能这样玩一天!让你纵横 GitHub 的五大神器学Python还是Java, 7张漫画带你全面分析
由菜鸟学Python原班人马打造的公众号【程序员GitHub】,专注于分享GitHub上有趣的资源包括,Python,Java,Go语言前端学习等优质的学习资源,爆料程序员圈的新鲜趣事,热门干货,职场感悟,感兴趣的小伙伴可以来捧场!
点的“在看”,否则就看不到我了555
内容概要:本文档围绕“经济学期刊论文复现:数字化转型能否促进企业的高质量发展”这一核心命题,系统整合了MATLAB与Python编程实现的大量科研案例,聚焦于数字化转型对企业全要素生产率(TFP)及高质量发展影响的实证研究。文档不仅复现了高水平经济学期刊论文中的计量经济模型,如基于中国上市公司数据的数字化转型与生产率关系分析,还深度融合了工程领域的建模技术,涵盖微电网优化、负荷预测、风电光伏不确定性建模、电力系统故障仿真等。同时,提供了智能优化算法(如遗传算法、粒子群优化)、机器学习(LSTM、CNN-BiGRU-Attention)、信号处理、路径规划等多学科交叉的技术资源,构建了一个从理论推导到代码实现的完整科研支持体系,旨在帮助研究者系统掌握论文复现与实证分析的核心方法。; 适合人群:具备一定MATLAB或Python编程基础,从事经济学、管理学、能源系统、智能制造及相关交叉学科研究的研究生、科研人员及高校教师。; 使用场景及目标:①复现经济学顶刊中关于数字化转型与企业高质量发展的实证模型;②学习如何量化数字化转型并构建其对企业绩效的影响评估框架;③掌握基于真实数据的计量经济建模、场景生成与优化调度仿真技术,全面提升科研论文写作与实证研究能力。; 阅读建议:建议读者结合文中提供的代码与数据资源,重点研读“论文复现”与“创新未发表”模块,按照技术路径循序渐进地实现模型复现与拓展。推荐关注“荔枝科研社”公众号及百度网盘链接获取完整资料,系统性地开展学习与科研实践。
下载代码方式:https://pan.quark.cn/s/9de6a9d0b3d8 依据所提供的文件内容,能够推导出此段程序的核心任务在于对一个任意的三位数进行拆解,并且分别呈现该数值的百位、十位及个位部分。随后,我们将对该知识点进行进一步的深入研究。 ### 一、程序功能说明 #### 1. 接收任意一个三位数输入 程序起始阶段运用`scanf`函数来获取用户输入的一个整数。为确保输入内容确实为一个三位数,在实际应用场景中通常需要嵌入验证机制来保障输入的有效性。然而,在本示例情形下,该环节被简化处理,预设用户总会准确输入一个三位数。 #### 2. 实施数字的拆分并提取各位置数值 程序借助一系列数学计算来对三位数进行拆分,将其转化为百位、十位和个位三个独立的构成部分。具体而言,通过除法和取模运算完成了这一过程。 #### 3. 展示各位置上的数值 程序运用`printf`函数来输出原始数值以及各个位上的数值。需要留意的是,代码中的输出部分似乎存在一些混淆,存在语法上的错误,例如多余的`printf`语句和乱码字符等题。 ### 二、核心代码分析 #### 1. 数字拆分逻辑 ```c a[0] = n / 1000; // 提取千位数,但鉴于题目要求是三位数,此处应为百位数 a[1] = n % 1000 / 100; // 提取百位数 a[2] = n % 1000 % 100 / 10; // 提取十位数 a[3] = n % 1000 % 100 % 10; // 提取个位数 ``` 这段代码通过一连串的除法和取模运算,成功地将输入的数字n拆分为百位、十位和个位三个独立的构成部分,...
内容概要:本文提出了一种基于CNN-BiGRU-Attention混合神经网络模型的风电功率预测方法,采用多变量输入实现单步预测,并通过Matlab进行代码实现与验证。该模型融合卷积神经网络(CNN)以提取输入数据的局部时空特征,利用双向门控循环单元(BiGRU)充分捕捉风速、温度、湿度等多源气象与运行变量的时间序列前后依赖关系,并引入注意力机制(Attention)动态加权关键时间步的特征信息,有效提升模型对风电功率波动性和不确定性的建模能力,显著增强了预测的准确性与鲁棒性。; 适合人群:具备一定机器学习与深度学习理论基础,熟悉Matlab编程环境,从事新能源发电预测、电力系统调度、智能电网优化等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①应用于实际风电场功率预测系统,为电网调度、电力市场交易与可再生能源消纳提供高精度数据支撑;②作为深度学习在能源时序预测领域的典型案例,用于科研项目开发、学术论文复现与技术创新;③深入理解多变量时间序列预测中特征融合、序列建模与注意力权重分配的协同机制,掌握先进神经网络架构的设计与优化方法。; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点剖析数据预处理流程、模型网络结构搭建、训练参数调优及注意力权重可视化等关键环节,鼓励尝试替换不同特征输入、调整网络深度或引入其他优化算法(如贝叶斯优化、粒子群优化等)以进一步提升模型性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值