“`html

مصاحبه‌های شغلی پایتون: سوالات رایج و نحوه پاسخگویی

زبان برنامه‌نویسی پایتون به دلیل سادگی، خوانایی و تطبیق‌پذیری، به یکی از محبوب‌ترین زبان‌ها در دنیای توسعه نرم‌افزار تبدیل شده است. این محبوبیت، تقاضا برای توسعه‌دهندگان پایتون را به شدت افزایش داده و در نتیجه، مصاحبه‌های شغلی پایتون به یک چالش مهم برای متخصصان تبدیل شده است. این مقاله به عنوان یک راهنمای جامع، به بررسی سوالات رایج در مصاحبه‌های شغلی پایتون می‌پردازد و استراتژی‌هایی برای پاسخگویی موثر به آن‌ها ارائه می‌دهد. هدف این است که شما را با انواع سوالات فنی، رفتاری و سناریوهای عملی آشنا کرده و آمادگی شما را برای موفقیت در مصاحبه‌های شغلی پایتون افزایش دهد.

1. سوالات مربوط به مفاهیم پایه پایتون

در این بخش، به بررسی سوالاتی می‌پردازیم که دانش شما از مفاهیم اساسی زبان پایتون را ارزیابی می‌کنند. این سوالات معمولاً شامل تعریف متغیرها، انواع داده‌ها، حلقه‌ها، شرط‌ها و توابع می‌شوند. تسلط بر این مفاهیم برای هر توسعه‌دهنده پایتون ضروری است و پایه‌ای برای درک مفاهیم پیچیده‌تر فراهم می‌کند.

1.1 تفاوت بین لیست (List) و تاپل (Tuple) در پایتون چیست؟

این سوال یکی از رایج‌ترین سوالات در مصاحبه‌های پایتون است. پاسخ باید شامل تفاوت‌های کلیدی زیر باشد:

• تغییرپذیری: لیست‌ها mutable (قابل تغییر) هستند، به این معنی که می‌توان عناصر آن‌ها را پس از ایجاد تغییر داد (اضافه، حذف یا به‌روزرسانی کرد). در مقابل، تاپل‌ها immutable (غیرقابل تغییر) هستند و پس از ایجاد، نمی‌توان عناصر آن‌ها را تغییر داد.
• نحوه تعریف: لیست‌ها با استفاده از براکت ([]) تعریف می‌شوند، در حالی که تاپل‌ها با استفاده از پرانتز (()) تعریف می‌شوند.
• کارایی: تاپل‌ها معمولاً از لیست‌ها کارآمدتر هستند، زیرا پایتون می‌تواند آن‌ها را بهینه‌تر مدیریت کند. به دلیل غیرقابل تغییر بودن، فضای کمتری اشغال می‌کنند و دسترسی به عناصر آن‌ها سریع‌تر است.
• کاربرد: لیست‌ها برای ذخیره مجموعه‌هایی از داده‌ها که ممکن است نیاز به تغییر داشته باشند، مناسب هستند. تاپل‌ها برای ذخیره مجموعه‌هایی از داده‌ها که نباید تغییر کنند (مانند مختصات یک نقطه) یا به عنوان کلید در دیکشنری‌ها، مناسب هستند.

مثال:

 # لیست
 my_list = [1, 2, 3]
 my_list[0] = 4 # تغییر عنصر اول
 print(my_list) # خروجی: [4, 2, 3]
 

 # تاپل
 my_tuple = (1, 2, 3)
 # my_tuple[0] = 4 # این خطا می‌دهد، زیرا تاپل غیرقابل تغییر است
 

1.2 تفاوت بین == و is در پایتون چیست؟

این سوال به درک شما از مقایسه‌ها در پایتون اشاره دارد. پاسخ باید شامل موارد زیر باشد:

• == (برابری): این عملگر مقدار دو شیء را با هم مقایسه می‌کند. اگر دو شیء مقدار یکسانی داشته باشند، نتیجه True خواهد بود.
• is (هویت): این عملگر بررسی می‌کند که آیا دو متغیر به یک شیء در حافظه اشاره می‌کنند. اگر دو متغیر به یک شیء یکسان اشاره کنند، نتیجه True خواهد بود.

مثال:

 a = [1, 2, 3]
 b = [1, 2, 3]
 c = a
 

 print(a == b) # خروجی: True (مقادیر a و b برابر هستند)
 print(a is b) # خروجی: False (a و b دو شیء متفاوت در حافظه هستند)
 print(a is c) # خروجی: True (a و c به یک شیء یکسان در حافظه اشاره می‌کنند)
 

1.3 تفاوت بین ()*args و ()**kwargs در پایتون چیست؟

این سوال به درک شما از نحوه ارسال آرگومان‌ها به توابع در پایتون اشاره دارد. پاسخ باید شامل موارد زیر باشد:

• *args: به تابع اجازه می‌دهد تا تعداد متغیری از آرگومان‌های غیر کلیدواژه‌ای (positional arguments) را دریافت کند. این آرگومان‌ها به صورت یک تاپل در تابع در دسترس هستند.
• **kwargs: به تابع اجازه می‌دهد تا تعداد متغیری از آرگومان‌های کلیدواژه‌ای (keyword arguments) را دریافت کند. این آرگومان‌ها به صورت یک دیکشنری در تابع در دسترس هستند.

مثال:

 def my_function(*args, **kwargs):
 print("args:", args)
 print("kwargs:", kwargs)
 

 my_function(1, 2, 3, name="Alice", age=30)
 # خروجی:
 # args: (1, 2, 3)
 # kwargs: {'name': 'Alice', 'age': 30}
 

2. سوالات مربوط به ساختمان داده و الگوریتم‌ها

این بخش به سوالاتی می‌پردازد که دانش شما از ساختمان داده‌ها و الگوریتم‌های مختلف را ارزیابی می‌کنند. این سوالات معمولاً شامل پیاده‌سازی ساختمان داده‌های پایه مانند لیست پیوندی، درخت دودویی و گراف، و همچنین الگوریتم‌های مرتب‌سازی و جستجو می‌شوند. توانایی حل مسائل با استفاده از ساختمان داده‌ها و الگوریتم‌های مناسب، یکی از مهارت‌های ضروری برای هر توسعه‌دهنده پایتون است.

2.1 چگونه می‌توان یک لیست پیوندی (Linked List) را در پایتون پیاده‌سازی کرد؟

پاسخ باید شامل تعریف یک کلاس Node برای نشان دادن هر گره در لیست پیوندی، و یک کلاس LinkedList برای مدیریت لیست باشد. هر گره باید شامل داده و یک اشاره‌گر به گره بعدی باشد. کلاس LinkedList باید متدهایی برای اضافه کردن، حذف کردن و جستجو در لیست داشته باشد.

مثال:

 class Node:
 def __init__(self, data):
 self.data = data
 self.next = None
 

 class LinkedList:
 def __init__(self):
 self.head = None
 

 def append(self, data):
 new_node = Node(data)
 if self.head is None:
 self.head = new_node
 return
 last_node = self.head
 while last_node.next:
 last_node = last_node.next
 last_node.next = new_node
 

 def print_list(self):
 node = self.head
 while node:
 print(node.data, end=" ")
 node = node.next
 

 # مثال استفاده
 linked_list = LinkedList()
 linked_list.append(1)
 linked_list.append(2)
 linked_list.append(3)
 linked_list.print_list() # خروجی: 1 2 3
 

2.2 الگوریتم مرتب‌سازی ادغامی (Merge Sort) چگونه کار می‌کند؟

پاسخ باید شامل توضیح مراحل اصلی الگوریتم مرتب‌سازی ادغامی باشد:

• تقسیم: لیست را به صورت بازگشتی به دو نیمه تقسیم کنید تا زمانی که هر نیمه شامل یک عنصر باشد.
• مرتب‌سازی: هر نیمه را به صورت جداگانه مرتب کنید.
• ادغام: دو نیمه مرتب شده را با هم ادغام کنید تا یک لیست مرتب شده جدید ایجاد شود.

مثال:

 def merge_sort(arr):
 if len(arr) <= 1:
 return arr
 

 mid = len(arr) // 2
 left = arr[:mid]
 right = arr[mid:]
 

 left = merge_sort(left)
 right = merge_sort(right)
 

 return merge(left, right)
 

 def merge(left, right):
 result = []
 i = j = 0
 

 while i < len(left) and j < len(right):
 if left[i] < right[j]:
 result.append(left[i])
 i += 1
 else:
 result.append(right[j])
 j += 1
 

 result += left[i:]
 result += right[j:]
 return result
 

 # مثال استفاده
 arr = [12, 11, 13, 5, 6, 7]
 sorted_arr = merge_sort(arr)
 print(sorted_arr) # خروجی: [5, 6, 7, 11, 12, 13]
 

2.3 چگونه می‌توان یک درخت دودویی جستجو (Binary Search Tree) را در پایتون پیاده‌سازی کرد؟

پاسخ باید شامل تعریف یک کلاس Node برای نشان دادن هر گره در درخت، و یک کلاس BinarySearchTree برای مدیریت درخت باشد. هر گره باید شامل داده، یک اشاره‌گر به گره سمت چپ و یک اشاره‌گر به گره سمت راست باشد. کلاس BinarySearchTree باید متدهایی برای درج، حذف و جستجو در درخت داشته باشد.

مثال:

 class Node:
 def __init__(self, data):
 self.data = data
 self.left = None
 self.right = None
 

 class BinarySearchTree:
 def __init__(self):
 self.root = None
 

 def insert(self, data):
 if self.root is None:
 self.root = Node(data)
 else:
 self._insert(data, self.root)
 

 def _insert(self, data, cur_node):
 if data < cur_node.data:
 if cur_node.left is None:
 cur_node.left = Node(data)
 else:
 self._insert(data, cur_node.left)
 elif data > cur_node.data:
 if cur_node.right is None:
 cur_node.right = Node(data)
 else:
 self._insert(data, cur_node.right)
 else:
 print("Value already in tree!")
 

 def find(self, data):
 if self.root:
 return self._find(data, self.root)
 else:
 return False
 

 def _find(self, data, cur_node):
 if data > cur_node.data and cur_node.right:
 return self._find(data, cur_node.right)
 elif data < cur_node.data and cur_node.left:
 return self._find(data, cur_node.left)
 if data == cur_node.data:
 return True
 return False
 

 # مثال استفاده
 bst = BinarySearchTree()
 bst.insert(10)
 bst.insert(5)
 bst.insert(15)
 

 print(bst.find(10)) # خروجی: True
 print(bst.find(7)) # خروجی: False
 

3. سوالات مربوط به فریم‌ورک‌ها و کتابخانه‌های پایتون

این بخش به سوالاتی می‌پردازد که دانش شما از فریم‌ورک‌ها و کتابخانه‌های محبوب پایتون را ارزیابی می‌کنند. این سوالات معمولاً شامل Django، Flask، NumPy، Pandas و Scikit-learn می‌شوند. آشنایی با این ابزارها برای توسعه‌دهندگانی که قصد دارند در زمینه‌های مختلف مانند توسعه وب، علم داده و یادگیری ماشین فعالیت کنند، ضروری است.

3.1 Django چیست و چه مزایایی دارد؟

Django یک فریم‌ورک وب با سطح بالا است که بر اساس الگوی طراحی Model-View-Template (MVT) ساخته شده است. مزایای Django عبارتند از:

• سریع: Django به توسعه‌دهندگان کمک می‌کند تا برنامه‌های وب را به سرعت و با کمترین کد ممکن ایجاد کنند.
• امن: Django دارای ویژگی‌های امنیتی داخلی مانند حفاظت در برابر حملات CSRF، XSS و SQL injection است.
• مقیاس‌پذیر: Django به راحتی می‌تواند با افزایش ترافیک و داده‌ها، مقیاس‌پذیر شود.
• همه‌کاره: Django می‌تواند برای ساخت انواع مختلف برنامه‌های وب، از وبلاگ‌ها و پورتال‌ها گرفته تا سیستم‌های مدیریت محتوا و برنامه‌های تجارت الکترونیک، استفاده شود.
• جامعه بزرگ: Django دارای یک جامعه بزرگ و فعال از توسعه‌دهندگان است که پشتیبانی و منابع زیادی را فراهم می‌کنند.

3.2 تفاوت بین Flask و Django چیست؟

Flask و Django هر دو فریم‌ورک‌های وب پایتون هستند، اما تفاوت‌های کلیدی بین آن‌ها وجود دارد:

• سطح انتزاع: Django یک فریم‌ورک با سطح بالا است که بسیاری از جنبه‌های توسعه وب را به صورت خودکار انجام می‌دهد. Flask یک فریم‌ورک با سطح پایین است که انعطاف‌پذیری بیشتری را برای توسعه‌دهندگان فراهم می‌کند.
• اندازه و پیچیدگی: Django یک فریم‌ورک بزرگ و پیچیده است که دارای ویژگی‌های زیادی است. Flask یک فریم‌ورک کوچک و ساده است که تنها ویژگی‌های ضروری را فراهم می‌کند.
• یادگیری: Flask معمولاً برای یادگیری آسان‌تر از Django است، زیرا حجم کد کمتری دارد و مفاهیم ساده‌تری را در بر می‌گیرد.
• کاربرد: Django برای پروژه‌های بزرگ و پیچیده که نیاز به ویژگی‌های زیادی دارند، مناسب است. Flask برای پروژه‌های کوچک و ساده که نیاز به انعطاف‌پذیری بیشتری دارند، مناسب است.

3.3 NumPy چیست و چه کاربردهایی دارد؟

NumPy یک کتابخانه پایتون است که برای محاسبات علمی و ریاضی استفاده می‌شود. NumPy به توسعه‌دهندگان اجازه می‌دهد تا با آرایه‌های چند بعدی بزرگ و توابع ریاضی کارآمد کار کنند. کاربردهای NumPy عبارتند از:

• محاسبات عددی: NumPy ابزارهای قدرتمندی برای انجام محاسبات عددی، از جمله عملیات ریاضی، جبر خطی، تبدیل فوریه و تولید اعداد تصادفی، فراهم می‌کند.
• تحلیل داده: NumPy می‌تواند برای تحلیل داده‌ها، از جمله فیلتر کردن، مرتب‌سازی، گروه‌بندی و تجمیع داده‌ها، استفاده شود.
• یادگیری ماشین: NumPy به عنوان پایه‌ای برای بسیاری از کتابخانه‌های یادگیری ماشین پایتون، مانند Scikit-learn و TensorFlow، عمل می‌کند.
• پردازش تصویر و صدا: NumPy می‌تواند برای پردازش تصویر و صدا، از جمله فیلتر کردن، تغییر اندازه، و تجزیه و تحلیل داده‌های تصویر و صدا، استفاده شود.

4. سوالات مربوط به مفاهیم شیء‌گرایی (Object-Oriented Programming)

این بخش به سوالاتی می‌پردازد که دانش شما از مفاهیم شیء‌گرایی (OOP) را ارزیابی می‌کنند. این سوالات معمولاً شامل تعریف کلاس‌ها، اشیاء، وراثت، چندریختی و کپسوله‌سازی می‌شوند. درک این مفاهیم برای طراحی و توسعه برنامه‌های پیچیده و قابل نگهداری ضروری است.

4.1 وراثت (Inheritance) در پایتون چیست و چگونه کار می‌کند؟

وراثت یک مفهوم شیء‌گرایی است که به یک کلاس (کلاس فرزند) اجازه می‌دهد تا ویژگی‌ها و رفتارهای کلاس دیگری (کلاس والد) را به ارث ببرد. وراثت به توسعه‌دهندگان اجازه می‌دهد تا کد را مجدداً استفاده کنند و سلسله مراتبی از کلاس‌ها را ایجاد کنند. در پایتون، وراثت با استفاده از نحو زیر انجام می‌شود:

 class ParentClass:
 # ویژگی‌ها و متدهای کلاس والد
 

 class ChildClass(ParentClass):
 # ویژگی‌ها و متدهای کلاس فرزند
 

مثال:

 class Animal:
 def __init__(self, name):
 self.name = name
 

 def speak(self):
 print("Generic animal sound")
 

 class Dog(Animal):
 def speak(self):
 print("Woof!")
 

 my_dog = Dog("Buddy")
 my_dog.speak() # خروجی: Woof!
 

4.2 چندریختی (Polymorphism) در پایتون چیست و چگونه می‌توان از آن استفاده کرد؟

چندریختی یک مفهوم شیء‌گرایی است که به اشیاء اجازه می‌دهد تا به روش‌های مختلف به یک پیام پاسخ دهند. به عبارت دیگر، چندریختی به این معنی است که یک متد می‌تواند در کلاس‌های مختلف به صورت متفاوت پیاده‌سازی شود. در پایتون، چندریختی می‌تواند با استفاده از وراثت و سربارگذاری متدها (method overriding) پیاده‌سازی شود.

مثال: (همان مثال بالا)

4.3 تفاوت بین متدهای کلاس (Class Methods) و متدهای استاتیک (Static Methods) چیست؟

متدهای کلاس و متدهای استاتیک هر دو نوع متد هستند که به کلاس مرتبط هستند، اما تفاوت‌های کلیدی بین آن‌ها وجود دارد:

• متدهای کلاس: این متدها به کلاس به عنوان اولین آرگومان implicit دسترسی دارند (به طور معمول با نام `cls` نشان داده می‌شود). این متدها می‌توانند وضعیت کلاس را تغییر دهند.
• متدهای استاتیک: این متدها به کلاس یا اشیاء آن دسترسی ندارند. آن‌ها مانند توابع معمولی هستند که در داخل کلاس تعریف شده‌اند.

مثال:

 class MyClass:
 class_variable = 0
 

 def __init__(self, instance_variable):
 self.instance_variable = instance_variable
 

 @classmethod
 def class_method(cls):
 cls.class_variable += 1
 return cls.class_variable
 

 @staticmethod
 def static_method(x, y):
 return x + y
 

 # مثال استفاده
 print(MyClass.class_method()) # خروجی: 1
 print(MyClass.static_method(5, 3)) # خروجی: 8
 

5. سوالات مربوط به مدیریت خطا (Error Handling)

این بخش به سوالاتی می‌پردازد که دانش شما از مدیریت خطا در پایتون را ارزیابی می‌کنند. این سوالات معمولاً شامل استفاده از بلوک‌های try-except، انواع استثناها (exceptions) و نحوه ایجاد استثناهای سفارشی می‌شوند. مدیریت خطا برای نوشتن کد مقاوم و قابل اعتماد ضروری است.

5.1 چگونه می‌توان از بلوک‌های try-except برای مدیریت خطاها در پایتون استفاده کرد؟

بلوک‌های try-except برای گرفتن و مدیریت استثناها در پایتون استفاده می‌شوند. کد مشکوک به ایجاد استثنا در بلوک `try` قرار می‌گیرد. اگر یک استثنا رخ دهد، بلوک `except` مربوطه اجرا می‌شود.

مثال:

 try:
 result = 10 / 0
 except ZeroDivisionError:
 print("Cannot divide by zero!")
 finally:
 print("This will always execute.")
 

5.2 انواع رایج استثناها در پایتون کدامند؟

برخی از انواع رایج استثناها در پایتون عبارتند از:

• TypeError: زمانی رخ می‌دهد که یک عملیات یا تابع روی یک نوع داده نامناسب اعمال شود.
• ValueError: زمانی رخ می‌دهد که یک تابع آرگومانی با نوع درست دریافت کند، اما مقدار آن نامعتبر باشد.
• IndexError: زمانی رخ می‌دهد که سعی کنید به یک اندیس خارج از محدوده در یک لیست یا تاپل دسترسی پیدا کنید.
• KeyError: زمانی رخ می‌دهد که سعی کنید به یک کلید غیر موجود در یک دیکشنری دسترسی پیدا کنید.
• FileNotFoundError: زمانی رخ می‌دهد که سعی کنید یک فایل غیر موجود را باز کنید.
• ZeroDivisionError: زمانی رخ می‌دهد که سعی کنید یک عدد را بر صفر تقسیم کنید.

5.3 چگونه می‌توان یک استثنای سفارشی (Custom Exception) در پایتون ایجاد کرد؟

برای ایجاد یک استثنای سفارشی در پایتون، باید یک کلاس جدید ایجاد کنید که از کلاس `Exception` ارث ببرد.

مثال:

 class MyCustomError(Exception):
 def __init__(self, message):
 self.message = message
 

 try:
 raise MyCustomError("This is a custom error message.")
 except MyCustomError as e:
 print(e.message)
 

6. سوالات مربوط به تست‌نویسی (Testing)

این بخش به سوالاتی می‌پردازد که دانش شما از تست‌نویسی در پایتون را ارزیابی می‌کنند. این سوالات معمولاً شامل استفاده از کتابخانه‌های تست مانند unittest و pytest، و همچنین مفاهیم تست‌محور (Test-Driven Development) می‌شوند. تست‌نویسی برای اطمینان از صحت و کیفیت کد ضروری است.

6.1 چرا تست‌نویسی مهم است؟

تست‌نویسی به دلایل زیر مهم است:

• کشف خطاها: تست‌ها به شما کمک می‌کنند تا خطاها را در کد خود قبل از انتشار شناسایی کنید.
• بهبود کیفیت کد: تست‌نویسی به شما کمک می‌کند تا کد خود را قابل اعتمادتر، قابل نگهداری‌تر و قابل استفاده مجدد کنید.
• افزایش اعتماد به نفس: تست‌ها به شما اعتماد به نفس می‌دهند تا تغییرات را در کد خود اعمال کنید، زیرا می‌دانید که تست‌ها هر گونه مشکل احتمالی را شناسایی می‌کنند.
• مستندسازی کد: تست‌ها می‌توانند به عنوان مستندات برای کد شما عمل کنند، زیرا نشان می‌دهند که کد چگونه باید رفتار کند.

6.2 تفاوت بین تست واحد (Unit Test) و تست یکپارچگی (Integration Test) چیست؟

• تست واحد: تست واحد یک بخش کوچک از کد (مانند یک تابع یا یک کلاس) را به صورت جداگانه تست می‌کند. هدف از تست واحد این است که اطمینان حاصل شود که هر بخش از کد به درستی کار می‌کند.
• تست یکپارچگی: تست یکپارچگی تعامل بین چندین بخش از کد (مانند چندین کلاس یا ماژول) را تست می‌کند. هدف از تست یکپارچگی این است که اطمینان حاصل شود که بخش‌های مختلف کد به درستی با هم کار می‌کنند.

6.3 چگونه می‌توان با استفاده از کتابخانه pytest تست نوشت؟

Pytest یک کتابخانه تست قدرتمند و انعطاف‌پذیر پایتون است. برای نوشتن تست با pytest، می‌توانید توابعی را با نام `test_` یا کلاس‌هایی را با نام `Test` ایجاد کنید. pytest به طور خودکار این توابع و کلاس‌ها را شناسایی و اجرا می‌کند.

مثال:

 # فایل: test_example.py
 

 def add(x, y):
 return x + y
 

 def test_add():
 assert add(2, 3) == 5
 assert add(-1, 1) == 0
 assert add(0, 0) == 0
 

برای اجرای تست‌ها، می‌توانید دستور `pytest` را در خط فرمان اجرا کنید.

7. سوالات مربوط به همزمانی و ناهمزمانی (Concurrency and Asynchrony)

این بخش به سوالاتی می‌پردازد که دانش شما از همزمانی و ناهمزمانی در پایتون را ارزیابی می‌کنند. این سوالات معمولاً شامل استفاده از threading، multiprocessing و asyncio می‌شوند. درک این مفاهیم برای نوشتن برنامه‌هایی که می‌توانند چندین کار را به طور همزمان انجام دهند و از منابع سیستم به طور کارآمد استفاده کنند، ضروری است.

7.1 تفاوت بین threading و multiprocessing چیست؟

• Threading: threading به شما امکان می‌دهد تا چندین thread را در یک فرآیند اجرا کنید. Threadها حافظه فرآیند را به اشتراک می‌گذارند، که می‌تواند کارآمد باشد، اما همچنین می‌تواند منجر به مشکلات همگام‌سازی شود. threading برای کارهایی که به CPU وابسته نیستند (مانند I/O) مناسب است. به دلیل GIL (Global Interpreter Lock) در پایتون، تنها یک thread می‌تواند در یک زمان کد پایتون را اجرا کند.
• Multiprocessing: multiprocessing به شما امکان می‌دهد تا چندین فرآیند را به طور همزمان اجرا کنید. فرآیندها حافظه خود را به اشتراک نمی‌گذارند، که از مشکلات همگام‌سازی جلوگیری می‌کند. multiprocessing برای کارهایی که به CPU وابسته هستند، مناسب است.

7.2 Asyncio چیست و چگونه کار می‌کند؟

Asyncio یک کتابخانه پایتون است که برای نوشتن کد همزمان با استفاده از یک حلقه رویداد (event loop) استفاده می‌شود. Asyncio به شما امکان می‌دهد تا توابع ناهمزمان (coroutines) را تعریف کنید که می‌توانند به طور موقت اجرای خود را متوقف کنند و به حلقه رویداد اجازه دهند تا کارهای دیگر را انجام دهد. Asyncio برای کارهایی که به I/O وابسته هستند، مناسب است.

مثال:

 import asyncio
 

 async def my_coroutine():
 print("Starting coroutine")
 await asyncio.sleep(1)
 print("Coroutine finished")
 

 async def main():
 await asyncio.gather(my_coroutine(), my_coroutine(), my_coroutine())
 

 asyncio.run(main())
 

7.3 GIL (Global Interpreter Lock) چیست و چه تاثیری بر همزمانی در پایتون دارد؟

GIL یک قفل است که به تنها یک thread در یک زمان اجازه می‌دهد تا کد پایتون را اجرا کند. این قفل از مشکلات همگام‌سازی جلوگیری می‌کند، اما همچنین می‌تواند کارایی برنامه‌های چند thread را محدود کند. به دلیل GIL، برنامه‌های چند thread پایتون ممکن است در کارهایی که به CPU وابسته هستند، به اندازه برنامه‌های تک thread کارآمد نباشند. برای کارهایی که به CPU وابسته هستند، multiprocessing معمولاً گزینه بهتری است.

```