【函数】：
【参数】：位置参数，默认参数，变长参数(收集参数与收集参数的逆过程)
【高阶函数】：函数的函数-传入函数作为参数-map函数，reduce函数，filter函数以及
【返回函数】：闭包-函数中定义函数，并返回函数，返回的函数在调用时才执行
【匿名函数】：lambda表达式-语法： lambda 参数1，参数2：表达式
【装饰器】：在代码运行期间动态增加功能的方式，称之为“装饰器”（Decorator），decorator就是一个返回函数的高阶函数，目的是为了再不改变函数的前提下扩展函数的功能
now()
log()
any_name()
【偏函数】：通过设定参数的默认值，可以降低函数调用的难度.
【魔法方法】：以__开头和结尾的函数，当执行特殊的操作时会直接调用此函数
【迭代器】：（列表生成表达式）__next__
【生成器】：yield关键字，节省内存，
【装饰器】：@property装饰器，把方法变成属性
【面向对象特性】：
【通用】：__slots__
【多重继承】：构造函数执行顺序问题
【封装】：针对属性而言，外部不能直接访问对象的属性——违背了封装的思想
1-单下划线，可以访问，但不建议访问
2-双下划线
属性
【多态】：针对绑定方法而言，不知道具体类型的前提下，调用相应的方法
【元类】类生成器：在python世界，拥有一个永恒的道，那就是“type”。道生一，一生二，二生三，三生万物。
1 道 即是 type
2 一 即是 metaclass(元类，或者叫类生成器)
3 二 即是 class(类，或者叫实例生成器)
4 三 即是 instance(实例)
5 万物 即是 实例的各种属性与方法，我们平常使用python时，调用的就是它们。
【面向对象变成实践】：自定义类、枚举类
【错误处理】
【单元测试】：编写单独的测试模块，覆盖测试各种情况
【多进程】 ：fork()函数与 multiprocessing 模块
【多线程】：thread 与 threading lock ThreadLocal-维护每个线程的全局变量
1 启动与CPU核心数量相同的N个线程，在4核CPU上可以监控到CPU占用率仅有160%，也就是使用不到两核。
2
3 即使启动100个线程，使用率也就170%左右，仍然不到两核。
4
5 但是用C、C++或Java来改写相同的死循环，直接可以把全部核心跑满，4核就跑到400%，8核就跑到800%，为什么Python不行呢？
6
7 因为Python的线程虽然是真正的线程，但解释器执行代码时，有一个GIL锁：Global Interpreter Lock，任何Python线程执行前，必须先获得GIL锁，然后，每执行100条字节码，解释器就自动释放GIL锁，让别的线程有机会执行。
8 这个GIL全局锁实际上把所有线程的执行代码都给上了锁，所以，多线程在Python中只能交替执行，即使100个线程跑在100核CPU上，也只能用到1个核。
9 GIL是Python解释器设计的历史遗留问题，通常我们用的解释器是官方实现的CPython，要真正利用多核，除非重写一个不带GIL的解释器。
10
11 所以，在Python中，可以使用多线程，但不要指望能有效利用多核。如果一定要通过多线程利用多核，那只能通过C扩展来实现，不过这样就失去了Python简单易用的特点。
12
13 不过，也不用过于担心，Python虽然不能利用多线程实现多核任务，但可以通过多进程实现多核任务。多个Python进程有各自独立的GIL锁，互不影响。
1 多线程编程，模型复杂，容易发生冲突，必须用锁加以隔离，同时，又要小心死锁的发生。
2
3 Python解释器由于设计时有GIL全局锁，导致了多线程无法利用多核。多线程的并发在Python中就是一个美丽的梦。
