Python进阶系列（七）
目录
对象变动(Mutation)
Python中可变(mutable)与不可变(immutable)的数据类型让新手很是头痛。简单的说，可变(mutable)意味着"可以被改动"，而不可变(immutable)的意思是“常量(constant)”。想把脑筋转动起来吗？考虑下这个例子：
-
foo = ['hi']
-
-
print(foo)
-
-
# Output: ['hi']
-
-
bar = foo
-
-
bar += ['bye']
-
-
print(foo)
-
-
# Output: ['hi', 'bye']
刚刚发生了什么？我们预期的不是那样！我们期望看到是这样的：
-
foo = ['hi']
-
-
print(foo)
-
-
# Output: ['hi']
-
-
bar = foo
-
-
bar += ['bye']
-
-
print(foo)
-
-
# Output: ['hi']
-
-
print(bar)
-
-
# Output: ['hi', 'bye']
这不是一个bug。这是对象可变性(mutability)在作怪。每当你将一个变量赋值为另一个可变类型的变量时，对这个数据的任意改动会同时反映到这两个变量上去。新变量只不过是老变量的一个别名而已。这个情况只是针对可变数据类型。下面的函数和可变数据类型让你一下就明白了：
-
def add_to(num, target=[]):
-
-
target.append(num)
-
-
return target
-
-
add_to(1)
-
-
# Output: [1]
-
-
add_to(2)
-
-
# Output: [1, 2]
-
-
add_to(3)
-
-
# Output: [1, 2, 3]
你可能预期它表现的不是这样子。你可能希望，当你调用add_to时，有一个新的列表被创建，就像这样：
-
def add_to(num, target=[]):
-
-
target.append(num)
-
-
return target
-
-
add_to(1)
-
-
# Output: [1]
-
-
add_to(2)
-
-
# Output: [2]
-
-
add_to(3)
-
-
# Output: [3]
啊哈！这次又没有达到预期，是列表的可变性在作怪。在Python中当函数被定义时，默认参数只会运算一次，而不是每次被调用时都会重新运算。你应该永远不要定义可变类型的默认参数，除非你知道你正在做什么。你应该像这样做：
-
def add_to(element, target=None):
-
-
if target is None:
-
-
target = []
-
-
target.append(element)
-
-
return target
现在每当你在调用这个函数不传入target参数的时候，一个新的列表会被创建。举个例子：
-
add_to(42)
-
-
# Output: [42]
-
-
add_to(42)
-
-
# Output: [42]
-
-
add_to(42)
-
-
# Output: [42]
__slots__魔法
在Python中，每个类都有实例属性。默认情况下Python用一个字典来保存一个对象的实例属性。这非常有用。因为它允许我们在运行时去设置任意的新属性。
然而，对于有着已知属性的小类来说，它可能是个瓶颈。这个字典浪费了很多内存。
Python不能在对象创建时直接分配一个固定量的内存来保存所有的属性。因此如果你创建许多对象（我指的是成千上万个），它会消耗掉很多内存。
不过还是有一个方法来规避这个问题。这个方法需要使用__slots__来告诉Python不要使用字典，而且只给一个固定集合的属性分配空间。
这里是一个使用与不使用__slots__的例子：
不使用__slots__:
-
class MyClass(object):
-
-
def __init__(self, name, identifier):
-
-
self.name = name
-
-
self.identifier = identifier
-
-
self.set_up()
使用__slots__:
-
class MyClass(object):
-
-
__slots__ = ['name', 'identifier']
-
-
def __init__(self, name, identifier):
-
-
self.name = name
-
-
self.identifier = identifier
-
-
self.set_up()
第二段代码会为你的内存减轻负担。通过这个技巧，有些人已经看到内存占用率几乎40%~50%的减少。
*稍微备注一下，你也许需要试一下PyPy。它已经默认地做了所有这些优化。
以下你可以看到一个例子，它用IPython来展示在有与没有__slots__情况下的精确内存
占用。
Python 3.4.3 (default, Jun 6 2015, 13:32:34)
Type "copyright", "credits" or "license" for more information.
IPython 4.0.0 -- An enhanced Interactive Python.
? -> Introduction and overview of IPython's features.
%quickref -> Quick reference.
help -> Python's own help system.
object? -> Details about 'object', use 'object??' for extra details.
In [1]: import ipython_memory_usage.ipython_memory_usage as imu
In [2]: imu.start_watching_memory()
In [2] used 0.0000 MiB RAM in 5.31s, peaked 0.00 MiB above current, total RAM
In [3]: %cat slots.py
-
class MyClass(object):
-
-
__slots__ = ['name', 'identifier']
-
-
def __init__(self, name, identifier):
-
-
self.name = name
-
-
self.identifier = identifier
num = 1024*256
x = [MyClass(1,1) for i in range(num)]
In [3] used 0.2305 MiB RAM in 0.12s, peaked 0.00 MiB above current, total RAM
In [4]: from slots import *
In [4] used 9.3008 MiB RAM in 0.72s, peaked 0.00 MiB above current, total RAM
In [5]: %cat noslots.py
-
class MyClass(object):
-
-
def __init__(self, name, identifier):
-
-
self.name = name
-
-
self.identifier = identifier
num = 1024*256
x = [MyClass(1,1) for i in range(num)]
In [5] used 0.1758 MiB RAM in 0.12s, peaked 0.00 MiB above current, total RAM
In [6]: from noslots import *
In [6] used 22.6680 MiB RAM in 0.80s, peaked 0.00 MiB above current
文章来源: zhulin1028.blog.csdn.net，作者：zhulin1028，版权归原作者所有，如需转载，请联系作者。
原文链接：zhulin1028.blog.csdn.net/article/details/125040217
- 点赞
- 收藏
- 关注作者
评论（0）