Python Revisited (变量)

@

目录

• =
  • 浅拷贝
  • 深拷贝`
  • 函数的默认参数为可变类型时 危险
• 全局变量与临时变量
  • global
  • 在函数里面进行复制
  • 再看一个例子
• numpy里的bug?
• 待续

首先，需要指出的是，Python的变量采用的是对象绑定的方式，在程序运行过程中，要时刻注意，对象的变化和共享。

=

第一种情况 = 右边是值 这种情况并不会产生歧义

a = 1
a = '1'
a = [1]
a = {1:'1'}

第二种情况 = 右边是对象引用（变量——个人的说法）

b = 1
a = b

当变量（b)为固定类型——float, int, str, frozenset, tuple等等都是没关系的。

当变量为可变的数据类型——dict, list, set, 就存在风险。

b = [1, 2, 3]
a = b
a[0] = 4
a, b # ([4, 2, 3], [4, 2, 3])

浅拷贝

b = a[ : ] #a 为列表 这种情况是浅拷贝 比=略强

a = [1, ['2', 5], 3]
b = a[:]
a[0] = 2
b[1][0] = 'two'
a, b #([2, ['two', 5], 3], [1, ['two', 5], 3])

以下复制的方式都是浅拷贝：

.copy()

dict()

list()

set()

a[:]

深拷贝`

a = [1, ['2', 5], 3]
b = copy.deepcopy(a)
a[0] = 2
b[1][0] = 'two'
a, b #([2, ['2', 5], 3], [1, ['two', 5], 3])

函数的默认参数为可变类型时 危险

def append_if_even(x, lst=[]):  #从对象绑定的角度考虑，合情合理
    if x % 2 == 0:
        lst.append(x)
    print(lst)

append_if_even(2) #[2]
append_if_even(2) #[2, 2]
append_if_even(2) #[2, 2, 2]
append_if_even(2) #[2, 2, 2, 2]

全局变量与临时变量

函数里面创建的变量属于临时变量，在这上面摔的跤太多了。

global

def remain():
    global REMAIN
    REMAIN = 3
def sum_and_add(a, b):
    remain() #得执行一次
    return a + b + REMAIN
sum_and_add(1, 2) # 6

在函数里面进行复制

就像在上面讲的，=只是赋值，在函数里面玩这种很容易就凉凉。

def test(a):
	b = a # a 属于 list  如果你不希望改变a的值可以采用 b= a[:] 如果是多重的可以考虑深拷贝
	b.append(1)
a = [1]
test(a)
a #[1, 1]

再看一个例子

def main():
    a = [1]
    print(id(a))
    ccc(a)
    print(id(a))
    print(a)
def ccc(a):
    a= sorted(a)  #这一步令a指向了新的内存地址，所以下面对a操作都不会影响最初的a
    print(id(a))
    a.append(1)
    print(id(a))
    ccd(a)
def ccd(a):
    a.append(1)
    print(id(a))
main()
"""
2431712245320
2431712245512
2431712245512
2431712245512
2431712245320
[1]
"""

def main():
    a = [1]
    print(id(a))
    ccc(a)
    print(id(a))
    print(a)
def ccc(a):
    a.sort()  #并没有改变a的指向，不过需要注意的是 [].sort() is None
    print(id(a))
    a.append(1)
    print(id(a))
    ccd(a)
def ccd(a):
    a.append(1)
    print(id(a))
main()
"""
2431712245384
2431712245384
2431712245384
2431712245384
2431712245384
[1, 1, 1]
"""

numpy里的bug?

ndarray里面用id蛮奇怪的，list是都不一样的，同学说可能是沿袭了C。

A = np.array([[1, 2], [3, 4]])
print(id(A))
for i in range(2):
    for j in range(2):
        print(id(A[i, j])) 	

#2392090756480
#2392073432760
#2392073432760
#2392073432760
#2392073432760

下面这个例子，符合我们的预期

A = np.arange(4).reshape(2, 2)
a = A[0,...]
print(id(a[0]), id(A[0, 0]), id(A[1, 1]))
a[0] = 999
print(id(a[0]), id(a[1]), id(A[0, 0]), id(A[1, 1]))
a, A

#2392073432160 2392073432160 2392073432160
#2392073432160 2392073432160 2392073432160 2392073432160
#[121]:
#(array([999,   1]), array([[999,   1],
#        [  2,   3]]))

下面的例子就不是了，为什么不改呢？

A = np.arange(4).reshape(2, 2)
a = A[np.array([[True, False], [False, True]])]
#a = A[[0, 1], [0, 1] 同样不行
print(id(a[0]), id(A[0, 0]), id(A[1, 1]))
a[0] = 999
print(id(a[0]), id(a[1]), id(A[0, 0]), id(A[1, 1]))
a, A

#2392073432064 2392073432064 2392073432064
#2392073432064 2392073432064 2392073432064 2392073432064
#(array([999,   3]), array([[0, 1],
#        [2, 3]]))

待续