Mutable vs objek yang tidak berubah di Python - Analytics Vidhya

Pengenalan

Python adalah bahasa pengaturcaraan berorientasikan objek (atau oops). Dalam artikel saya sebelum ini, kami meneroka sifatnya yang serba boleh. Disebabkan ini, Python menawarkan pelbagai jenis data, yang boleh diklasifikasikan secara meluas ke dalam jenis yang boleh berubah dan tidak berubah. Walau bagaimanapun, sebagai pemaju Python yang ingin tahu, saya harap anda juga tertanya -tanya bagaimana konsep -konsep ini memberi kesan kepada data. Bagaimana data diproses dan dimanipulasi dalam ingatan? Bagaimanakah ia mempengaruhi kualiti program? Artikel ini akan memberikan gambaran menyeluruh tentang objek vs yang tidak berubah dalam Python dan mengapa mereka sangat penting untuk pengaturcaraan yang berkesan. Kami akan meneroka bagaimana mutabiliti dan kebolehubahan berfungsi di pelbagai objek python, seperti jenis data primitif seperti integer, terapung, rentetan, dan lain-lain, dan datatip terbina dalam seperti senarai, kamus, set, tuples, dan lain-lain.

Jadual Kandungan

• Apakah mutabiliti vs kebolehubahan?
• Apakah objek yang tidak dapat dimakan vs dalam Python?
• Analisis perbandingan jenis data python
• Apa yang berlaku di peringkat ingatan?
• Bagaimanakah penghapusan objek berfungsi?
• Bagaimana prestasi program ditentukan?
• Soalan yang sering ditanya

Apakah mutabiliti vs kebolehubahan?

Dari perspektif peringkat tinggi, mutabiliti merujuk kepada keupayaan mana-mana objek yang akan diubahsuai, diubah, atau dikemas kini selepas ia dibuat. Ini bermakna jika objek boleh berubah, anda boleh menukar keadaan atau kandungannya tanpa membuat objek baru.

Sebaliknya, kebolehubahan bermakna bahawa apabila objek dibuat, keadaannya tidak boleh diubah/diubah suai/dikemas kini. Apa -apa perubahan kepada objek ini mewujudkan objek baru dengan peruntukan memori yang berbeza dan bukannya mengubah yang sedia ada.

Apakah objek yang tidak dapat dimakan vs dalam Python?

Imej di bawah menunjukkan bahawa jenis data kaya Python boleh dibahagikan kepada dua kategori: objek yang boleh berubah dan tidak berubah, yang kemudian dibahagikan lagi.

Analisis perbandingan jenis data python

Mari kita lihat perbandingan antara semua datatip terbina dalam:

Jenis data	Mutable/tidak berubah	Penerangan	Gunakan kes
Bilangan bulat	Tidak berubah	Nombor keseluruhan (misalnya, 1, -5, 42).	Gunakan apabila bekerja dengan data berangka yang tidak berubah.
Terapung	Tidak berubah	Nombor dengan titik perpuluhan (misalnya, 3.14, -0.001).	Berguna untuk perhitungan saintifik, data kewangan, dll.
Booleans	Tidak berubah	Nilai Logik: Benar atau Salah.	Pemeriksaan bersyarat, operasi logik.
Rentetan	Tidak berubah	Urutan watak (misalnya, "Hello", "Dunia").	Digunakan untuk manipulasi teks, pemprosesan dokumen, dll.
Tuples	Tidak berubah	Mengatur pengumpulan item (misalnya, (1, 2, 3)).	Sesuai untuk data malar, ia boleh digunakan sebagai kunci kamus.
Set beku	Tidak berubah	Koleksi barangan unik yang tidak teratur, versi set yang tidak berubah.	Digunakan dalam kes -kes di mana set perlu tetap dan boleh hashable.
Nombor kompleks	Tidak berubah	Nombor dengan bahagian sebenar dan khayalan (misalnya, 1 2J).	Digunakan dalam pengkomputeran saintifik, pemprosesan isyarat, dll.
Senarai	Mutable	Mengatur pengumpulan item (misalnya, [1, 2, 3]).	Gunakan apabila anda perlu mengubah suai, menambah, atau mengeluarkan elemen dengan kerap.
Kamus	Mutable	Pengumpulan pasangan nilai kunci (misalnya, {"Nama": "John", "Umur": 30}).	Ideal untuk pemetaan hubungan, carian, dan penyimpanan data.
Set	Mutable	Koleksi barang -barang unik yang tidak teratur (misalnya, {1, 2, 3}).	Terbaik digunakan untuk ujian keahlian, mengeluarkan pendua, dll.
Objek tersuai (kelas)	Mutable/tidak berubah	Kelakuan bergantung pada bagaimana kelas ditakrifkan (mutable secara lalai).	Tingkah laku yang disesuaikan berdasarkan keperluan; boleh mengawal mutabiliti.

Untuk memahami konsep -konsep ini dengan cara yang lebih pythonic, pergi melalui ini -

1. Datatip primitif adalah "tidak berubah" - pautan
2. Struktur data terbina dalam Python adalah "MUNTABLE" -pautan

Dalam artikel -artikel ini, saya telah membincangkan mutabiliti dan kebolehubahan datatip ini, fungsi `id` , cetek dan salinan yang mendalam, dan banyak lagi, bersama -sama dengan kod.

Nota : Walau bagaimanapun, saya cadangkan hanya menyemak kod tersebut selepas membaca artikel ini. Artikel ini meningkatkan pemahaman anda tentang "apa yang berlaku di dalam ruang ingatan?"

Apa yang berlaku di peringkat ingatan?

Apabila membincangkan kebolehubahan di peringkat memori, objek yang tidak berubah tidak dapat diubah secara langsung. Mana -mana operasi yang seolah -olah mengubahsuai objek yang tidak berubah menghasilkan objek baru dengan nilai yang diubah suai dalam ingatan. Objek Mutable berkongsi memori yang sama yang diperuntukkan sebelum ini. Perubahan kepada objek ini berlaku di tempat, mengubahsuai kandungan memori yang sedia ada tanpa peruntukan baru.

Sebelum meneroka ini lebih lanjut, mari kita mula -mula memahami dua konsep yang paling biasa tentang memadam objek dari ingatan.

1. Deallocation bermaksud bahawa sistem membebaskan dan menyediakan untuk menggunakan lain memori yang sebelum ini diduduki oleh objek.
2. Koleksi sampah adalah proses dalam Python yang secara automatik mencari dan membebaskan memori yang tidak lagi digunakan oleh program, terutama untuk objek yang merujuk satu sama lain dalam kitaran.

Bagaimanakah penghapusan objek berfungsi?

Pengurusan memori Python bergantung kepada dua perkara utama, pengiraan rujukan dan pengumpul sampah, untuk mengendalikan penghapusan objek. Mari kita fahami mereka satu demi satu:

1. Pengiraan Rujukan: Python menjejaki bilangan rujukan yang menunjuk kepada setiap objek. Ini dipanggil kiraan rujukan.
2. Rujukan Siklik - Koleksi Sampah: Python juga mempunyai pemungut sampah yang mengendalikan rujukan kitaran. Kadang -kadang, objek merujuk antara satu sama lain dalam gelung. Apabila kiraan rujukan jatuh ke sifar, memori yang diduduki oleh objek itu ditangani. Sebagai contoh, objek rujukan objek b dan objek b Objek Objek A. Walaupun tidak ada bahagian lain dari program yang memerlukan objek ini, jumlah rujukan mereka tidak pernah jatuh ke sifar kerana mereka merujuk satu sama lain. Di sinilah pengumpul sampah melangkah masuk.

Bagaimana prestasi program ditentukan?

Dari segi implikasi prestasi, mutabiliti dan kebolehubahan mempunyai perbezaan yang signifikan. Jenis data yang tidak berubah pada umumnya lebih cepat untuk mengakses dan memproses. Python dapat mengoptimumkan penggunaan memori dengan menggunakan semula objek yang tidak berubah, terutamanya jika anda bekerja dengan bilangan bulat dan rentetan kecil di seluruh program.

Jenis data yang boleh berubah adalah lebih fleksibel tetapi boleh menanggung overhead tambahan kerana keperluan untuk saiz semula ruang memori dinamik. Sebagai contoh, senarai di Python adalah tatasusunan dinamik kerana ia disimpan dengan cara yang membolehkan mereka berkembang dan mengecut saiz semasa melakukan operasi seperti menambah atau memadam elemen.

Kesimpulan

Kesimpulannya, memahami perbezaan antara objek yang boleh berubah dan tidak berubah adalah penting untuk menulis kod yang cekap dan boleh dipercayai dalam Python. Sebagai contoh, kebolehubahan menawarkan keselamatan di mana data tidak boleh berubah, seperti dalam pemetaan nilai kunci atau pengaturcaraan serentak.

Sebaliknya, mutabiliti membantu dalam senario di mana kemas kini dinamik kepada struktur data diperlukan untuk bahagian tertentu program ini. Mengetahui bila menggunakan apa yang penting untuk memahami perdagangan dalam prestasi dan kerumitan, akhirnya membawa kepada menulis program yang boleh dipelihara.

Juga Baca: Panduan Komprehensif untuk Struktur Data Terbina Python

Soalan yang sering ditanya

Q1. Apakah perbezaan antara objek vs yang tidak berubah dalam Python?

A. Objek yang boleh berubah, seperti senarai atau kamus, menawarkan fleksibiliti pengubahsuaian di tempat selepas penciptaan mereka. Sementara itu, objek yang tidak berubah, seperti tuple atau rentetan, tidak boleh diubah selepas penciptaan dalam peruntukan memori yang sama.

S2. Mengapa rentetan tidak berubah di Python?

A. String tidak berubah untuk mengoptimumkan penggunaan memori dan membolehkan perkongsian selamat merentasi bahagian program yang berbeza. Ini mengurangkan penggunaan memori untuk rentetan yang sering digunakan dan memudahkan penalaran mengenai pengendalian rentetan dalam persekitaran pelbagai threaded.

Q3. Bagaimanakah kebolehubahan mempengaruhi prestasi dalam python?

A. Objek yang tidak berubah boleh membawa kepada prestasi yang lebih cepat kerana mereka lebih mudah untuk mengurus dalam ingatan. Python boleh menggunakan semula objek yang tidak berubah, mengurangkan overhead membuat objek baru berulang kali. Ini menambah wawasan mengenai manfaat pengurusan ingatan.

Atas ialah kandungan terperinci Mutable vs objek yang tidak berubah di Python - Analytics Vidhya. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!