Erstellt Python List Slicing Kopien von Objekten?

Slicing-Listen in Python: Aufrechterhaltung der Objektintegrität

Obwohl es logisch erscheinen mag anzunehmen, dass Slicing-Listen in Python Kopien davon erstellen enthaltene Objekte, das ist eigentlich nicht der Fall. Stattdessen werden durch das Slicing einfach neue Listen erstellt, die auf dieselben zugrunde liegenden Objekte verweisen. Diese Erkennung spielt eine entscheidende Rolle beim Verständnis des List-Slicing-Mechanismus von Python.

Unveränderlichkeit in Aktion

Betrachten Sie eine Liste von ganzen Zahlen:

[1000 + 1, 1000 + 1, 1000 + 1]

Obwohl diese Objekte den gleichen Wert haben, handelt es sich um unterschiedliche Einheiten mit eindeutigen IDs, wie durch Folgendes belegt:

map(id, [1000 + 1, 1000 + 1, 1000 + 1])

Durch das Aufteilen dieser Liste bleibt die Integrität dieser Referenzen erhalten:

b = [1000 + 1, 1000 + 1, 1000 + 1][1:3]
map(id, b)

Die Ausgabe beider Kartenoperationen ist identisch, was bestätigt, dass das Slice keine neuen Kopien der ganzen Zahlen generiert.

Veränderliche Objekte verhalten sich ähnlich

Es wird ein ähnliches Verhalten beobachtet mit veränderlichen Objekten wie Wörterbüchern oder Listen:

a = [{0: 'zero', 1: 'one'}, ['foo', 'bar']]
map(id, a[1:])

Das Slice behält weiterhin die ursprünglichen Referenzen bei, was zeigt, dass das Slicing kein Kopiervorgang ist.

Der Aufwand des Kopierens< ;/h3>

Während das Slicen nicht das Kopieren der Objekte selbst beinhaltet, kopiert es doch die Referenzen. Jede Referenz belegt auf 64-Bit-Maschinen 8 Bytes, und jede Liste hat zusätzlich 72 Bytes Overhead:

for i in range(len(a)):
    x = a[:i]
    print('len: {}'.format(len(x)))
    print('size: {}'.format(sys.getsizeof(x)))

Trotzdem stellt dieser Overhead für die meisten Anwendungen im Allgemeinen kein großes Problem dar.

Eine Alternative: Ansichten

Obwohl Python keine direkte Unterstützung für Ansichten hat, können alternative Optionen wie Numpy-Arrays verwendet werden, um eine Speicheroptimierung zu erreichen. Durch das Slicing von Numpy-Arrays werden Ansichten erstellt, die den Speicher mit dem Original teilen, was den Overhead reduziert, aber das Potenzial für unbeabsichtigte Änderungen birgt.

Zusammenfassend lässt sich sagen, dass beim Slicing von Listen in Python die Verweise auf die enthaltenen Objekte erhalten bleiben und kostspielige Kopiervorgänge vermieden werden. Dieser Mechanismus vereinfacht die Codepflege, indem er sicherstellt, dass Slices die an der ursprünglichen Liste vorgenommenen Änderungen widerspiegeln. Während der Speicheraufwand eine Rolle spielt, stellt er für die meisten praktischen Anwendungen normalerweise kein großes Problem dar.

Das obige ist der detaillierte Inhalt vonErstellt Python List Slicing Kopien von Objekten?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!