京公网安备 11010802034615号
经营许可证编号:京B2-20210330
深入理解python中函数传递参数是值传递还是引用传递
目前网络上大部分博客的结论都是这样的:
Python不允许程序员选择采用传值还是传 引用。Python参数传递采用的肯定是“传对象引用”的方式。实际上,这种方式相当于传值和传引用的一种综合。如果函数收到的是一个可变对象(比如字典 或者列表)的引用,就能修改对象的原始值——相当于通过“传引用”来传递对象。如果函数收到的是一个不可变对象(比如数字、字符或者元组)的引用,就不能 直接修改原始对象——相当于通过“传值”来传递对象。
你可以在很多讨论该问题的博客里找到以上这一段话。
但是在实际操作中我却发现一个问题:
l=[1,2,3]
def a(x):
x=x+[4]
a(l)
print(l)
这段代码的输出为:
[1,2,3]
为什么是这样呢,list是可变对象,按照上面的结论来说传递方式是引用传递,我应该在函数里能对它进行修改呀?难道不应该输出[1,2,3,4]吗?
我觉得我上面引用的那段大多数博主的结论,其实非常不好理解,而且没有讲到本质,看的云里雾里的。
经过我后面的多次试验,得到以下结论:
其实在python中讨论值传递还是引用传递是没有意义的,要真正对这些情况作出解释,其实是应该搞明白python(对可变对象和不可变对象的)赋值过程中是如何分配内存地址的。
接下来,我们不讨论值传递和引用传递的问题。
让我们做一个非常简单的小实验,其中,id()可以查看变量在内存中的地址:
l1=[1,2,3]
l2=[1,2,3]
a=1
b=1
print(id(l1))
print(id(l2))
print(id(a))
print(id(b))
在我的电脑中的运行结果:
12856594504
12856915080
1643643344
1643643344
可以发现,对于可变对象list来说,即便列表内容一模一样,python也会给它们分配新的不同的地址。
然而,对于不可变对象int来说,内存里只有一个1。即便再定义一个变量c=1,也是指向内存中同一个1。换句话说,不可变对象1的地址是共享的。
接下来让我们看看在函数中调用可变对象和不可变对象,并修改他们的值,会是一个什么情况。
对于不可变对象int,我们来看看最简单的情况:
a=1
print(id(a))
def x(a):
print(id(a))
b=a
print(id(b))
x(a)
运行得到:
1643643344
1643643344
1643643344
这看起来就是一个引用传递,函数外的a、函数里的a和b都指向了同一个地址。
但我们再来看一个极端情况:
a=1
print(id(a))
def x():
b=1
print(id(b))
x()
运行得到:
1643643344
1643643344
很神奇不是吗?函数外定义的a和函数内定义的b没有任何关系,但它们指向同一个地址!
所以你说如何判断它是值传递还是引用传递?讨论这个问题根本没有意义,因为内存里只有一个1。当我把值1传递给函数里的某一个变量的时候,我实际上也传递了地址,因为内存里只有一个1。
甚至于说我直接给函数里的b赋值1都可以让函数外的a和函数内的b指向同一个地址。
下面来看看传递可变对象list的情况:
l=[1,2,3]
print(id(l))
def a(x):
print(id(x))
x.pop()
print(x)
print(id(x))
x=x+[3]
print(x)
print(id(x))
a(l)
运行得到
883142451528
[1, 2]
[1, 2, 3]
可以看到,当我们把函数外的列表L传递给函数后,x的地址和L是一样的,这看起来就是一个引用传递,没问题。
继续往下,我们调用x本身的方法pop后,x变成[1,2],并且x的地址没变,这也没什么问题。
但是当我们给x赋值以后,x的地址就变了。
也就是说,只要创建一个新的可变对象,python就会分配一个新的地址。就算我们创建的新可变对象和已存在的旧可变对象完全一样,python依旧会分配一个新的地址(见本文上半部分那个‘非常简单的小实验')
而pop并不是创建新的可变对象,pop是对已有的可变对象进行修改。
所以可以总结为:
在python中,不可变对象是共享的,创建可变对象永远是分配新地址
这个时候我们再回过头来思考值传递和引用传递的问题,就会发现在python里讨论这个确实是没有意义。
我们可以说:python有着自己的一套特殊的传参方式,这是由python动态语言的性质所决定的
总结
以上就是本文关于深入理解python中函数传递参数是值传递还是引用传递的全部内容,希望对大家有所帮助。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15