Python面试重点涵盖内存模型（引用计数、GC、循环引用）、异步编程（事件循环、上下文隔离、资源安全）、元编程（dataclass、__init_subclass__、装饰器规范）、性能调优（cProfile、Cython、多进程）四大维度。
深入理解Python内存模型与对象生命周期
面试官常通过引用计数、循环引用、GC机制考察对底层运行逻辑的掌握。比如问“为什么del x不立即释放内存？”——需说明引用计数减1后若为0才回收，否则依赖GC处理循环引用；再如“__del__方法为何不可靠？”，要指出它在对象被垃圾回收时调用，但触发时机不确定，且可能因模块卸载而无法执行。
建议：动手写个带循环引用的类（如父子节点），用sys.getrefcount()和gc.get_referrers()验证引用关系；读一读CPython源码中Objects/object.c关于decref的部分，不必全懂，但要清楚关键路径。
协程与异步IO的工程化落地能力
不再只考async/await语法，而是聚焦事件循环控制、上下文隔离、异常传播、资源安全释放。例如：“如何确保异步任务在超时后彻底取消并清理连接？”答案需包含asyncio.wait_for()配合async with或try/finally，以及asyncio.shield()保护关键清理逻辑。
常见误区是混淆asyncio.create_task()和asyncio.ensure_future()——前者返回Task对象并调度执行，后者更通用但需注意传入协程对象而非已调度任务。
立即学习“Python免费学习笔记（深入）”；
- 用
contextvars替代threading.local实现异步上下文变量（如请求ID透传） - 避免在协程中调用阻塞IO（如
time.sleep），改用await asyncio.sleep() - 生产环境慎用
asyncio.run()，推荐显式管理事件循环（尤其嵌入其他框架时）
元编程与动态特性的合理使用边界
高级岗位关注是否滥用装饰器、__getattr__、AST重写等手段。问题如：“用@dataclass实现配置类时，如何支持字段级校验和默认值延迟计算？”需结合__post_init__、field(default_factory=...)，而非硬写__setattr__。
再如：“如何让一个类自动注册所有子类到工厂？”可展示__init_subclass__的简洁实现，对比旧式metaclass方案，说明前者更易读、调试友好。
- 装饰器优先用
functools.wraps保留原函数签名，否则help()和IDE提示会失效 -
__getattr__仅在属性未找到时触发，__getattribute__则每次访问都走，性能敏感场景避免误用后者 - AST操作适合构建DSL或静态检查工具，但业务代码中尽量不用——维护成本高、调试困难
性能调优与C扩展集成实战经验
考察能否跳出纯Python视角：定位瓶颈、选择优化策略、权衡开发效率与运行效率。典型问题：“列表推导式比map()快，但为什么Pandas用Cython写的apply又远超两者？”需答出解释器开销、内存布局（连续vs指针）、向量化执行等维度。
实际建议从cProfile + line_profiler入手，识别热点后分层优化：先算法/数据结构（如用set代替list查重），再考虑numba.jit或cython加速数值密集型逻辑，最后才是手写C扩展。
- 用
memory_profiler分析内存增长点，警惕闭包捕获大对象、生成器未消费完导致缓存堆积 - Cython中用
typed memoryviews替代Python list处理数组，性能提升常达10倍以上 - 多进程优于多线程（GIL限制），但注意进程启动开销和IPC成本，
multiprocessing.Pool适合粗粒度任务
