Какие магические методы существуют в Python

Что проверяют

Понимаете ли вы протоколы Python: как len(), for, +, with и квадратные скобки превращаются в вызовы методов класса. Для data и ML следом почти всегда спрашивают, что нужно, чтобы написать свой Dataset в PyTorch.

Как отвечать

Сгруппируйте методы по протоколам:

• создание и представление: __new__ создаёт объект, __init__ его настраивает; __repr__ для разработчика, __str__ для пользователя. Если есть только __repr__, str() использует его;
• контейнеры: __len__, __getitem__, __setitem__, __contains__, __iter__. Map-style Dataset в PyTorch требует __getitem__ и __len__, IterableDataset строится на __iter__;
• сравнение и хеш: __eq__, __lt__ и остальные. Определили __eq__ без __hash__, и объект перестаёт быть хешируемым: в set и в ключи словаря его уже не положить;
• арифметика: __add__, __mul__, __matmul__ (оператор @), отражённые __radd__. Метод, который не умеет работать с типом, возвращает NotImplemented, и Python пробует метод второго операнда;
• вызов: __call__. В PyTorch model(x) идёт через nn.Module.__call__, который запускает хуки и потом forward, поэтому forward напрямую не зовут;
• контекстный менеджер: __enter__ и __exit__, так работают файлы из open() и torch.no_grad();
• атрибуты: __getattr__ вызывается только для отсутствующего атрибута, __getattribute__ на каждый доступ.

Добавьте пример из pandas: df == 0 вызывает __eq__ и возвращает таблицу булевых значений, а __bool__ у DataFrame бросает ValueError, поэтому if df == 0: падает с ошибкой про неоднозначность.

Где спотыкаются

Называют __init__ конструктором и не знают про __new__. Разница всплывает на неизменяемых типах и синглтонах.

Путают NotImplemented и NotImplementedError. Первое возвращают из операторов, второе бросают из абстрактных методов.

Вызывают методы напрямую, obj.__len__() вместо len(obj), или присваивают их экземпляру. Python ищет специальные методы на типе, поэтому метод, записанный в сам объект, оператор не увидит.