


Einführung in häufige Fehler bei der Verwendung von Python-Variablen
Bei der Python-Programmierung stoßen wir oft auf unerklärliche Fehler. Tatsächlich ist dies kein Problem mit der Sprache selbst, sondern dadurch, dass wir einige Eigenschaften der Sprache selbst ignorieren. Heute werfen wir einen Blick auf drei unglaubliche Fehler, die dadurch verursacht werden Fehler bei der Verwendung von Python-Variablen, bitte achten Sie bei der zukünftigen Programmierung stärker darauf.
1. Variable Datentypen werden als Standardparameter in Funktionsdefinitionen verwendet
Das scheint richtig zu sein? Sie schreiben eine kleine Funktion, die beispielsweise auf der aktuellen Seite nach einem Link sucht und diesen optional an eine andere bereitgestellte Liste anhängt.
def search_for_links(page, add_to=[]): new_links = page.search_for_links() add_to.extend(new_links) return add_to
Oberflächlich betrachtet sieht dies wie ganz normaler Python-Code aus, und tatsächlich ist er es auch, und er kann ausgeführt werden. Es gibt jedoch ein Problem. Wenn wir dem Parameter add_to eine Liste zur Verfügung stellen, funktioniert es wie erwartet. Aber wenn wir es den Standardwert verwenden lassen, passiert etwas Magisches.
Probieren Sie den folgenden Code aus:
def fn(var1, var2=[]): var2.append(var1) print(var2) fn(3) fn(4) fn(5)
Vielleicht denken Sie, wir werden Folgendes sehen:
[3] [4] [5]
Aber tatsächlich sehen wir Folgendes:
[3] [3,4] [3,4,5]
Warum? Wie Sie sehen, wird jedes Mal dieselbe Liste verwendet. Warum ist die Ausgabe so? Wenn wir in Python eine solche Funktion schreiben, wird diese Liste als Teil der Funktionsdefinition instanziiert. Wenn eine Funktion ausgeführt wird, wird sie nicht jedes Mal instanziiert. Das bedeutet, dass diese Funktion immer genau dasselbe Listenobjekt verwendet, es sei denn, wir stellen ein neues Objekt bereit:
fn(3,[4]) [4,3]
Die Antwort ist genau das, was wir gedacht haben. Um dieses Ergebnis zu erhalten, ist der richtige Weg:
def fn(var1, var2=None): ifnot var2: var2 =[] var2.append(var1)
oder im ersten Beispiel:
def search_for_links(page, add_to=None): ifnot add_to: add_to =[] new_links = page.search_for_links() add_to.extend(new_links) return add_to
Dadurch wird die Instanziierung entfernt, wenn der Inhalt des Moduls geladen wird, sodass eine Listeninstanziierung erfolgt jedes Mal, wenn die Funktion ausgeführt wird. Bitte beachten Sie, dass diese Situation bei unveränderlichen Datentypen wie Tupeln, Zeichenfolgen und Ganzzahlen nicht berücksichtigt werden muss. Dies bedeutet, dass Code wie der folgende sehr gut machbar ist:
def func(message="my message"): print(message)
2. Veränderbare Datentypen als Klassenvariablen
Dies ist dem letzten oben erwähnten Fehler sehr ähnlich. Betrachten Sie den folgenden Code:
class URLCatcher(object): urls =[] def add_url(self, url): self.urls.append(url)
Dieser Code sieht völlig normal aus. Wir haben ein Objekt, das URLs speichert. Wenn wir die Methode add_url aufrufen, fügt sie dem Speicher eine bestimmte URL hinzu. Sieht ziemlich gut aus, oder? Mal sehen, wie es tatsächlich aussieht:
a =URLCatcher() a.add_url('http://www.google.com') b =URLCatcher() b.add_url('http://www.pythontab.com') print(b.urls) print(a.urls)
Ergebnis:
['http://www.google.com','http://www.pythontab.com'] ['http://www.google.com','http://www.pythontab.com']
Moment, was ist los? ! Das haben wir nicht gedacht. Wir instanziieren zwei separate Objekte a und b. Geben Sie eine URL an a und eine andere an b. Wie kommt es, dass diese beiden Objekte diese beiden URLs haben?
Dies ist das gleiche Problem wie im ersten Fehlerbeispiel. Wenn die Klassendefinition erstellt wird, wird die URL-Liste instanziiert. Alle Instanzen dieser Klasse verwenden dieselbe Liste. Es gibt Zeiten, in denen dies nützlich ist, aber meistens möchten Sie es nicht tun. Sie möchten für jedes Objekt einen separaten Speicher. Dazu ändern wir den Code wie folgt:
class URLCatcher(object): def __init__(self): self.urls =[] def add_url(self, url): self.urls.append(url)
Wenn nun das Objekt erstellt wird, wird die URL-Liste instanziiert. Wenn wir zwei separate Objekte instanziieren, verwenden sie jeweils zwei separate Listen.
3. Variablenzuordnungsfehler
Dieses Problem beschäftigt mich schon seit einiger Zeit. Nehmen wir einige Änderungen vor und verwenden wir einen anderen veränderlichen Datentyp – ein Wörterbuch.
a ={'1':"one",'2':'two'}
Angenommen, wir möchten dieses Wörterbuch woanders verwenden und dabei die Originaldaten beibehalten.
b = a b['3']='three'
Einfach, oder?
Schauen wir uns nun das ursprüngliche Wörterbuch a an, das wir nicht ändern möchten:
{'1':"one",'2':'two','3':'three'}
Wow, Moment, schauen wir uns noch einmal b an?
{'1':"one",'2':'two','3':'three'}
Warte, was? Etwas chaotisch ... Lassen Sie uns einen Schritt zurückgehen und sehen, was in diesem Fall mit anderen unveränderlichen Typen wie einem Tupel passiert:
c =(2,3) d = c d =(4,5)
Jetzt ist c (2, 3) und d ist (4, 5). ).
Das Ergebnis dieser Funktion ist wie erwartet. Was genau ist im vorherigen Beispiel passiert? Bei Verwendung eines veränderlichen Typs verhält er sich in etwa wie ein Zeiger in C. Im obigen Code sei b = a, was wir eigentlich meinen: b wird eine Referenz von a. Sie verweisen alle auf dasselbe Objekt im Python-Speicher. Kommt Ihnen das bekannt vor? Das liegt daran, dass diese Frage der vorherigen ähnelt.
Wird das Gleiche auch mit Listen passieren? Ja. Wie lösen wir es? Dies muss sehr sorgfältig erfolgen. Wenn wir wirklich eine Liste zur Verarbeitung kopieren müssen, können wir Folgendes tun:
b = a[:]
Dadurch wird die Referenz jedes Objekts in der Liste durchlaufen, kopiert und in eine neue Liste eingefügt. Aber Vorsicht: Wenn jedes Objekt in der Liste veränderbar ist, erhalten wir erneut eine Referenz darauf und keine vollständige Kopie.
Angenommen, Sie erstellen eine Liste auf einem Blatt Papier. Im Originalbeispiel ist es gleichbedeutend damit, dass A und B auf dasselbe Blatt Papier schauen. Wenn eine Person diesen Eintrag ändert, sehen beide Personen die gleichen Änderungen. Wenn wir die Referenzen kopieren, hat nun jeder seine eigene Liste. Wir gehen jedoch davon aus, dass diese Liste Orte enthält, an denen man Essen finden kann. Wenn „Kühlschrank“ an erster Stelle in der Liste steht, verweisen die Einträge in beiden Listen auch beim Kopieren auf denselben Kühlschrank. Wenn also der Kühlschrank von A modifiziert wird und der große Kuchen darin isst, wird B auch das Verschwinden des Kuchens sehen. Hier führt kein einfacher Weg daran vorbei. Denken Sie daran und schreiben Sie Ihren Code so, dass dieses Problem nicht auftritt.
字典以相同的方式工作,并且你可以通过以下方式创建一个昂贵副本:
b = a.copy()
再次说明,这只会创建一个新的字典,指向原来存在的相同的条目。因此,如果我们有两个相同的列表,并且我们修改字典 a 的一个键指向的可变对象,那么在字典 b 中也将看到这些变化。
可变数据类型的麻烦也是它们强大的地方。以上都不是实际中的问题;它们是一些要注意防止出现的问题。在第三个项目中使用昂贵复制操作作为解决方案在 99% 的时候是没有必要的。
Das obige ist der detaillierte Inhalt vonEinführung in häufige Fehler bei der Verwendung von Python-Variablen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



PHP und Python haben ihre eigenen Vor- und Nachteile, und die Wahl hängt von den Projektbedürfnissen und persönlichen Vorlieben ab. 1.PHP eignet sich für eine schnelle Entwicklung und Wartung großer Webanwendungen. 2. Python dominiert das Gebiet der Datenwissenschaft und des maschinellen Lernens.

Python und JavaScript haben ihre eigenen Vor- und Nachteile in Bezug auf Gemeinschaft, Bibliotheken und Ressourcen. 1) Die Python-Community ist freundlich und für Anfänger geeignet, aber die Front-End-Entwicklungsressourcen sind nicht so reich wie JavaScript. 2) Python ist leistungsstark in Bibliotheken für Datenwissenschaft und maschinelles Lernen, während JavaScript in Bibliotheken und Front-End-Entwicklungsbibliotheken und Frameworks besser ist. 3) Beide haben reichhaltige Lernressourcen, aber Python eignet sich zum Beginn der offiziellen Dokumente, während JavaScript mit Mdnwebdocs besser ist. Die Wahl sollte auf Projektbedürfnissen und persönlichen Interessen beruhen.

Aktivieren Sie die Pytorch -GPU -Beschleunigung am CentOS -System erfordert die Installation von CUDA-, CUDNN- und GPU -Versionen von Pytorch. Die folgenden Schritte führen Sie durch den Prozess: Cuda und Cudnn Installation Bestimmen Sie die CUDA-Version Kompatibilität: Verwenden Sie den Befehl nvidia-smi, um die von Ihrer NVIDIA-Grafikkarte unterstützte CUDA-Version anzuzeigen. Beispielsweise kann Ihre MX450 -Grafikkarte CUDA11.1 oder höher unterstützen. Download und installieren Sie Cudatoolkit: Besuchen Sie die offizielle Website von Nvidiacudatoolkit und laden Sie die entsprechende Version gemäß der höchsten CUDA -Version herunter und installieren Sie sie, die von Ihrer Grafikkarte unterstützt wird. Installieren Sie die Cudnn -Bibliothek:

Docker verwendet Linux -Kernel -Funktionen, um eine effiziente und isolierte Anwendungsumgebung zu bieten. Sein Arbeitsprinzip lautet wie folgt: 1. Der Spiegel wird als schreibgeschützte Vorlage verwendet, die alles enthält, was Sie für die Ausführung der Anwendung benötigen. 2. Das Union File System (UnionFS) stapelt mehrere Dateisysteme, speichert nur die Unterschiede, speichert Platz und beschleunigt. 3. Der Daemon verwaltet die Spiegel und Container, und der Kunde verwendet sie für die Interaktion. 4. Namespaces und CGroups implementieren Container -Isolation und Ressourcenbeschränkungen; 5. Mehrere Netzwerkmodi unterstützen die Containerverbindung. Nur wenn Sie diese Kernkonzepte verstehen, können Sie Docker besser nutzen.

Minio-Objektspeicherung: Hochleistungs-Bereitstellung im Rahmen von CentOS System Minio ist ein hochleistungsfähiges, verteiltes Objektspeichersystem, das auf der GO-Sprache entwickelt wurde und mit Amazons3 kompatibel ist. Es unterstützt eine Vielzahl von Kundensprachen, darunter Java, Python, JavaScript und Go. In diesem Artikel wird kurz die Installation und Kompatibilität von Minio zu CentOS -Systemen vorgestellt. CentOS -Versionskompatibilitätsminio wurde in mehreren CentOS -Versionen verifiziert, einschließlich, aber nicht beschränkt auf: CentOS7.9: Bietet einen vollständigen Installationshandbuch für die Clusterkonfiguration, die Umgebungsvorbereitung, die Einstellungen von Konfigurationsdateien, eine Festplattenpartitionierung und Mini

Pytorch Distributed Training on CentOS -System erfordert die folgenden Schritte: Pytorch -Installation: Die Prämisse ist, dass Python und PIP im CentOS -System installiert sind. Nehmen Sie abhängig von Ihrer CUDA -Version den entsprechenden Installationsbefehl von der offiziellen Pytorch -Website ab. Für CPU-Schulungen können Sie den folgenden Befehl verwenden: PipinstallTorChTorChVisionTorChaudio Wenn Sie GPU-Unterstützung benötigen, stellen Sie sicher, dass die entsprechende Version von CUDA und CUDNN installiert ist und die entsprechende Pytorch-Version für die Installation verwenden. Konfiguration der verteilten Umgebung: Verteiltes Training erfordert in der Regel mehrere Maschinen oder mehrere Maschinen-Mehrfach-GPUs. Ort

Bei der Installation von PyTorch am CentOS -System müssen Sie die entsprechende Version sorgfältig auswählen und die folgenden Schlüsselfaktoren berücksichtigen: 1. Kompatibilität der Systemumgebung: Betriebssystem: Es wird empfohlen, CentOS7 oder höher zu verwenden. CUDA und CUDNN: Pytorch -Version und CUDA -Version sind eng miteinander verbunden. Beispielsweise erfordert Pytorch1.9.0 CUDA11.1, während Pytorch2.0.1 CUDA11.3 erfordert. Die Cudnn -Version muss auch mit der CUDA -Version übereinstimmen. Bestimmen Sie vor der Auswahl der Pytorch -Version unbedingt, dass kompatible CUDA- und CUDNN -Versionen installiert wurden. Python -Version: Pytorch Official Branch

Python zeichnet sich in Automatisierung, Skript und Aufgabenverwaltung aus. 1) Automatisierung: Die Sicherungssicherung wird durch Standardbibliotheken wie OS und Shutil realisiert. 2) Skriptschreiben: Verwenden Sie die PSUTIL -Bibliothek, um die Systemressourcen zu überwachen. 3) Aufgabenverwaltung: Verwenden Sie die Zeitplanbibliothek, um Aufgaben zu planen. Die Benutzerfreundlichkeit von Python und die Unterstützung der reichhaltigen Bibliothek machen es zum bevorzugten Werkzeug in diesen Bereichen.
