Python基础进阶：9个易错知识点

你好，我是kelly。

kelly根据自己平时工作，总结9个易错知识点，希望对大家有用。

知识点1：is 和=

is比较是两个变量地址是否相同，==比较是两个变量的值（内容）是否相同。

示例：

In [92]: a = [1, 2, 3]
In [93]: b = [1, 2, 3]In [94]: id(a)
Out[94]: 2799999236992In [95]: id(b)
Out[95]: 2799997311872In [98]: a is b
Out[98]: FalseIn [96]: a == b
Out[96]: True

a和b的内容相同，用id()函数可以查看变量地址，a和b的地址不同。

对上述例子做调整：

In [99]: a = [1, 2, 3]
In [100]: b = aIn [101]: id(a)
Out[101]: 2799998170496In [102]: id(b)
Out[102]: 2799998170496In [103]: a is b
Out[103]: TrueIn [105]: a == b
Out[105]: True

将一个变量赋值给另一个变量，本质上是起了另一个别名，前后2个变量指向同一个内存地址，地址和内容都相同。

知识点2：{}、{1,2,3}、set()的区分

{}创建的是空dic，{1,2,3}创建的是set，空set使用set()创建

示例：

In [39]: type({})
Out[39]: dictIn [40]: type({1,2,3})
Out[40]: setIn [41]: set()
Out[41]: set()In [42]: dict()
Out[42]: {}

使用{1,2,3}初始化集合set是一个特殊写法，注意和{}创建空字典dict做区别。

知识点3：函数参数的默认值使用可变数据类型

默认参数值只会在函数被执行时被赋值一次，参数默认值在内存始终存在，直至程序运行结束。

使用可变数据类型作为函数参数默认值，该参数值“可能”会在函数运行过程不断发生变化。

示例：

def add_sequence(value, lst=[]):lst.append(value)return lstIn [57]: add_sequence(100)
Out[57]: [100]In [58]: add_sequence(101)
Out[58]: [100, 101]In [59]: add_sequence(102)
Out[59]: [100, 101, 102]

函数参数lst使用可变数据类型list作为默认参数，多次运行函数，每次的参数lst值都不同。当程序逻辑复杂时，会引发各种bug。

建议不要使用列表作为函数参数的默认值，再看另外一个示例：

In [66]: def cal_sum(summation=[]):...:     summation.append(1)...:     return summationIn [67]: cal_sum()
Out[67]: [1]In [68]: cal_sum()
Out[68]: [1, 1]In [69]: cal_sum()
Out[69]: [1, 1, 1]

再次强调，默认参数值只会在函数定义被执行时被赋值一次。

知识点4：深拷贝、浅拷贝

在Python中，对象赋值实际是对象引用，前后两个变量所指向的是同一个地址（内存空间）。

变量赋值基础：变量A赋值给变量B，只是将变量A的引用给了变量B，并没有将变量A的值真正给变量B。

深、浅拷贝在复杂变量（list、dict，或者list、dict相关的各种嵌套）赋值时会发生问题。

浅拷贝

示例：

In [70]: a = [100, 101]...: b = a...: a[0] = 200In [71]: a
Out[71]: [200, 101]In [72]: b
Out[72]: [200, 101]

变量a改变了，b也同步变化。

看下a和b的内存地址：

In [73]: id(a)
Out[73]: 2799976453696In [74]: id(b)
Out[74]: 2799976453696

显然，a和b指向同个内存地址。

深拷贝

如果想要新变量的值不受赋值前的原变量的影响，需要对原变量执行深拷贝，这样可以创建一个完全新的变量，新变量会对原变量内部的对象进行级联拷贝。

深拷贝操作需要导入copy模块

示例：

In [75]: import copy...: a = [100, 101]...: b = copy.deepcopy(a)...: b[0] = 200In [76]: a
Out[76]: [100, 101]In [77]: b
Out[77]: [200, 101]In [78]: id(a)
Out[78]: 2799987225600In [79]: id(b)
Out[79]: 2799987318464

对变量a进行深拷贝deepcopy得到变量b，变量a和b任一一方的改动不会影响到另一方。

知识点5：f(x)与f(*x)调用

f(x)：直接将变量实参x赋值给函数f的指定形参。

f(*x)：x一般为序列，调用时会按照函数f的参数顺序，将序列x元素依次赋值给函数f的各个参数。

示例：

def f1(x):print("f1:", x)def f2(x1, x2, x3):print("f2:", x1, x2, x3)f1(100)
f2(*(100, 101, 102))

输出结果：

f1: 100
f2: 100 101 102

说明：f(*x)调用时，序列x的元素个数必须和函数f的形参数目一致。

def f2(x1, x2, x3, x4):print("f2:", x1, x2, x3)f2(*(100, 101, 102))

抛出异常：

TypeError: f2() missing 1 required positional argument: 'x4'

知识点6：*args 和 **kwargs

*args：接受序列作为输入

**kwargs：接受字典作为输入

在很多情况下，定义函数时无法确定真正调用时所传入参数的数目。对于这种情况，可变参数的机制允许函数调用时接受可变数量的参数。

在函数定义中，*args表示可以接受任意数量的位置参数，使用时将传入的位置参数打包成一个元组赋值给args。

**kwargs表示可以接受任意数量的关键字参数，使用时将传入的关键字参数打包成一个字典，赋值给kwargs。

示例：

In [62]: def show_func1(*args):...:     return argsIn [63]: show_func1("张三", "李四", "王五")
Out[63]: ('张三', '李四', '王五')In [64]: def show_func2(**kwargs):...:     return kwargsIn [65]: show_func2(name="张三", sex="男", age=31)
Out[65]: {'name': '张三', 'sex': '男', 'age': 31}

知识点7：可迭代对象、迭代器、生成器

可迭代对象

实现了__iter__()方法的对象，可以通过调用iter()函数返回一个迭代器对象。

可迭代对象可以是Python内置的容器对象（如列表、元组、集合、字典等），也可以是自定义的对象。

自定义的可迭代对象示例

class CustomIterableObject(object):def __init__(self):self.name = ["张三", "李四", "王五"]def __iter__(self):pass

什么都不做，仅仅实现了__iter__方法。

Python内置的可迭代对象示例：

In [80]: a = [100, 101, 102, 103]In [81]: hasattr(a, "__iter__")
Out[81]: TrueIn [82]: hasattr(a, "__next__")
Out[82]: False

上述列表a，是一个可迭代对象，但没有实现__next__方法，不是一个迭代器。

迭代器

Python中实现迭代协议的对象称为迭代器，本质上是一种数据结构。需要实现__next__()和__iter__()等方法。__iter__()返回迭代器自身，__next__()返回序列的下一个元素。

在每次迭代时，迭代器都会产生一个值，直到遍历完所有值。

可迭代对象和迭代器的区别：可迭代对象不是迭代器，可迭代对象可以通过iter()函数返回一个迭代器。

需要说明的是，可迭代对象不一定能被迭代，但迭代器一定是可迭代对象。

示例：

In [83]: a2 = iter(a)In [86]: a2
Out[86]: <list_iterator at 0x28bebd10880>In [84]: hasattr(a2, "__iter__")
Out[84]: True
In [85]: hasattr(a2, "__next__")
Out[85]: True

使用iter()函数得到一个迭代器a2，a2同时实现了__iter__()和__next__()两个方法。

生成器

是一种特殊类型的迭代器，它使用函数和yield关键字定义，可以像普通函数一样调用和执行。生成器在每次迭代时产生一个值，并在下一次迭代时恢复执行。

第一次调用生成器生成函数后，会返回一个生成器对象，可以在挂起和恢复状态中切换。生成器不会一次性生成整个序列，仅在每次调用时生成一个元素。生成器在内存使用和效率上更加优化，特别适合大型数据处理。

生成器和迭代器的区别：

1、实现方式不同：生成器用yield语句实现，创建迭代器需要实现__iter__()和__next__()方法。

2、生成数据方式不同：对于一个序列，生成器逐个生成元素，迭代器一次性生成整个序列，并存放在内存中。

3、执行方式不同：生成器使用函数方式调用，每次迭代时涉及到函数挂起和恢复；迭代器按照序列顺序，对各个元素依次执行。

知识点8：return、yield关键字

return是完全终止函数，并返回值。

yield是临时从函数内部返回值，得到生成器。

示例：

def get_return_value():for v in range(100, 105):return vdef get_yield_value():for v in range(100, 103):yield vIn [53]: value_yield = get_yield_value()...: for value in value_yield:...:     print(value)
100
101
102

知识点9：函数使用没有定义的全局变量

函数只执行读操作时，会直接使用全局变量的值。

函数执行写操作时，会报错，提示局部变量未定义。

示例：

读取全局变量

SUMMATION= 100def cal_sum1(a):print(SUMMATION)cal_sum1(10)

写全局变量

SUMMATION= 100def cal_sum2(a):SUMMATION += aprint(SUMMATION)cal_sum2(10)

抛出错误：

UnboundLocalError: local variable 'SUMMATION' referenced before assignment

如何修改全局变量？使用global关键字，

SUMMATION= 100def cal_sum2(a):global SUMMATIONSUMMATION += aprint(SUMMATION)cal_sum2(10)

本文原始版本发表链接：

https://mp.weixin.qq.com/s?__biz=MzI2Mjg3NTY5MQ==&mid=2247484561&idx=1&sn=b4b6213f8f9b2ca4a21b68ab8a02b4de&chksm=ea453bd5dd32b2c3aedc2058eebbad0204e0675b0642687234082bd8820483bed3e02e2cfbb6#rd

kelly会在公众号「kelly学技术」不定期更新文章，感兴趣的朋友可以关注一下，期待与您交流。
--over--