Python 的引用传递
Python's Passing by References
您好，我想了解 Python 的引用传递是如何工作的。
我有一个例子：
>>>a = 1
>>>b = 1
>>>id(a);id(b)
140522779858088
140522779858088
这很有意义，因为 a 和 b 都引用相同的值，它们将具有相同的值。我不太明白的是这个例子：
>>>a = 4.4
>>>b = 1.0+3.4
>>>id(a);id(b)
140522778796184
140522778796136
与本例不同的是：
>>>a = 2
>>>b = 2 + 0
>>>id(a);id(b)
140522779858064
140522779858064
是否因为在第 3 个示例中，0 int 对象被解释器视为 "None"，并且未被识别为需要与变量 "a" 引用的对象不同的标识(2)?而在第二个示例中，"b" 正在添加两个不同的 int 对象，并且解释器正在为要添加的这两个对象分配内存，这为变量 "a" 提供了与变量 "b" 不同的标识？
如 here 所述，CPython 缓存从 -5 到 256 的整数。因此，此范围内具有相同值的所有变量共享相同的 ID（不过，我不会在未来的版本中打赌，但这是当前的实现）
浮点数没有这样的东西可能是因为有 "infinity" 个可能的值（不是无限的，但由于浮点数很大），所以通过不同的方式计算相同值的机会比较低到整数。
>>> a=4.0
>>> b=4.0
>>> a is b
False
在您的第一个示例中，名称 a 和 b 都是 "referencing" 同一个对象，因为 interning。赋值语句产生一个具有相同 id 的整数，只是因为它重用了一个恰好已经存在于内存中的预先存在的对象。这不是整数的可靠行为：
>>> a = 257
>>> b = 257
>>> id(a), id(b)
(30610608, 30610728)
如上所示，如果您选择一个足够大的整数，那么它的行为将与第二个示例中的浮点数相同。在 Python 语言中，实习小整数是 optional 无论如何，这恰好是 CPython 实现细节：这是一种性能优化，旨在避免开销创建一个新对象。我们可以通过缓存常用的整数实例来加快速度，但代价是 Python 解释器占用更多内存。
在处理Python时不要考虑"reference"和"value"，适用于C的模型在这里并不适用。而是想想 "names" 和 "objects"。
上图说明了您的第三个示例。 2 是对象，a 和 b 是名称。我们可以有不同的名字指向同一个对象。对象可以没有任何名称而存在。
仅分配一个变量附加一个名称标签。 删除一个变量只会删除一个名称标签。如果您牢记这个想法，那么 Python 对象模型将再也不会让您感到惊讶。
Python 变量总是对对象的引用。这些对象可以分为可变对象和不可变对象。
可以在不修改其 id 的情况下修改可变类型，因此指向该对象的每个变量都将得到更新。但是，不可变对象不能这样修改，所以 Python 生成一个新的对象，并重新分配变量指向这个新对象，因此变量在更改之前的 id 将与 id 不匹配更改后的变量。
整数和浮点数是不可变的，因此在更改后它们将指向不同的对象，因此具有不同的 ID。
问题是CPython "caches"一些常见的整数值，所以为了节省内存，不会有多个具有相同值的对象，而2是其中一个被缓存的对象整数，所以每次一个变量指向整数 2 时，它都会有相同的 id（它的值对于不同的 python 执行是不同的）。
您好，我想了解 Python 的引用传递是如何工作的。 我有一个例子：
>>>a = 1
>>>b = 1
>>>id(a);id(b)
140522779858088
140522779858088
这很有意义，因为 a 和 b 都引用相同的值，它们将具有相同的值。我不太明白的是这个例子：
>>>a = 4.4
>>>b = 1.0+3.4
>>>id(a);id(b)
140522778796184
140522778796136
与本例不同的是：
>>>a = 2
>>>b = 2 + 0
>>>id(a);id(b)
140522779858064
140522779858064
是否因为在第 3 个示例中，0 int 对象被解释器视为 "None"，并且未被识别为需要与变量 "a" 引用的对象不同的标识(2)?而在第二个示例中，"b" 正在添加两个不同的 int 对象，并且解释器正在为要添加的这两个对象分配内存，这为变量 "a" 提供了与变量 "b" 不同的标识？
如 here 所述，CPython 缓存从 -5 到 256 的整数。因此，此范围内具有相同值的所有变量共享相同的 ID（不过，我不会在未来的版本中打赌，但这是当前的实现）
浮点数没有这样的东西可能是因为有 "infinity" 个可能的值（不是无限的，但由于浮点数很大），所以通过不同的方式计算相同值的机会比较低到整数。
>>> a=4.0
>>> b=4.0
>>> a is b
False
在您的第一个示例中，名称 a 和 b 都是 "referencing" 同一个对象，因为 interning。赋值语句产生一个具有相同 id 的整数，只是因为它重用了一个恰好已经存在于内存中的预先存在的对象。这不是整数的可靠行为：
>>> a = 257
>>> b = 257
>>> id(a), id(b)
(30610608, 30610728)
如上所示，如果您选择一个足够大的整数，那么它的行为将与第二个示例中的浮点数相同。在 Python 语言中，实习小整数是 optional 无论如何，这恰好是 CPython 实现细节：这是一种性能优化，旨在避免开销创建一个新对象。我们可以通过缓存常用的整数实例来加快速度，但代价是 Python 解释器占用更多内存。
在处理Python时不要考虑"reference"和"value"，适用于C的模型在这里并不适用。而是想想 "names" 和 "objects"。
上图说明了您的第三个示例。 2 是对象，a 和 b 是名称。我们可以有不同的名字指向同一个对象。对象可以没有任何名称而存在。
仅分配一个变量附加一个名称标签。 删除一个变量只会删除一个名称标签。如果您牢记这个想法，那么 Python 对象模型将再也不会让您感到惊讶。
Python 变量总是对对象的引用。这些对象可以分为可变对象和不可变对象。
可以在不修改其 id 的情况下修改可变类型，因此指向该对象的每个变量都将得到更新。但是，不可变对象不能这样修改，所以 Python 生成一个新的对象，并重新分配变量指向这个新对象，因此变量在更改之前的 id 将与 id 不匹配更改后的变量。
整数和浮点数是不可变的，因此在更改后它们将指向不同的对象，因此具有不同的 ID。
问题是CPython "caches"一些常见的整数值，所以为了节省内存，不会有多个具有相同值的对象，而2是其中一个被缓存的对象整数，所以每次一个变量指向整数 2 时，它都会有相同的 id（它的值对于不同的 python 执行是不同的）。