


Zirkuläre Importe in Python
Zirkuläre Importe treten auf, wenn mehrere Module versuchen, sich gegenseitig zu importieren, wodurch eine zyklische Abhängigkeit entsteht. Das Verständnis des Verhaltens von zirkulären Importen ist für Python-Programmierer von entscheidender Bedeutung.
Auswirkungen von zirkulären Importen
Wenn zwei Module sich direkt gegenseitig importieren, z. B. import foo in bar.py und import bar in foo.py, der Import gelingt ohne Probleme. Beim Versuch, bestimmte Attribute oder Submodule innerhalb eines zirkulären Imports zu importieren, treten jedoch Probleme auf.
Stellen Sie sich das folgende Szenario vor:
# module foo.py from bar import xyz # module bar.py from foo import abc
In diesem Fall erfordert jedes Modul, dass das andere zuvor importiert wird Es kann auf das spezifische Attribut oder Submodul zugreifen. Dies führt zu einem Importfehler, da Python nicht bestimmen kann, welches Modul zuerst im Zyklus importiert werden soll.
Zirkuläre Importe in Python funktionieren
Trotz der möglichen Probleme gibt es Es gibt bestimmte Szenarien, in denen bei zirkulären Importen möglicherweise keine Fehler auftreten:
- Importieren von Modulen oben im Datei: Wenn beide Module auf der obersten Ebene importiert werden, ohne bestimmte Attribute oder Untermodule zu verwenden, funktioniert es sowohl in Python 2 als auch in Python 3.
- Importieren aus einer Funktion heraus mit from: Wenn die spezifischen Attribute oder Submodule aus einer Funktion mithilfe von from importiert werden, funktioniert dies sowohl in Python 2 als auch in Python 3.
- Paketattribute anstelle von Modulen importieren: Wenn anstelle des Imports von bar das spezifische Attribut xyz aus dem bar-Paket mithilfe von „from bar import xyz“ importiert wird, funktionieren zirkuläre Importe möglicherweise weiterhin.
Beispiele
Der folgende Python-Code demonstriert die Funktionsweise zirkulärer Importe in verschiedene Szenarien:
Beispiel 1 (nur Python 3)
# lib/foo.py from . import bar def abc(): print(bar.xyz.__name__) # lib/bar.py from . import foo def xyz(): print(foo.abc.__name__)
Beispiel 2 (nur Python 2)
# lib/foo.py import bar def abc(): print(bar.xyz.__name__) # lib/bar.py import foo def xyz(): print(foo.abc.__name__)
Beispiel 3
# lib/foo.py from lib.bar import xyz # lib/bar.py from lib.foo import abc
Fazit
Während zirkuläre Importe zu Fehlern führen können, ist es wichtig, dass Python sie verarbeitet. Durch Befolgen der oben aufgeführten Richtlinien können Programmierer Importfehler vermeiden und das korrekte Verhalten ihrer Python-Programme sicherstellen.
Das obige ist der detaillierte Inhalt vonWie können zirkuläre Importe in Python gelöst und vermieden werden?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Lösung für Erlaubnisprobleme beim Betrachten der Python -Version in Linux Terminal Wenn Sie versuchen, die Python -Version in Linux Terminal anzuzeigen, geben Sie Python ein ...

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Serialisierung und Deserialisierung von Python-Objekten sind Schlüsselaspekte eines nicht trivialen Programms. Wenn Sie etwas in einer Python -Datei speichern, führen Sie eine Objektserialisierung und Deserialisierung durch, wenn Sie die Konfigurationsdatei lesen oder auf eine HTTP -Anforderung antworten. In gewisser Weise sind Serialisierung und Deserialisierung die langweiligsten Dinge der Welt. Wen kümmert sich um all diese Formate und Protokolle? Sie möchten einige Python -Objekte bestehen oder streamen und sie zu einem späteren Zeitpunkt vollständig abrufen. Dies ist eine großartige Möglichkeit, die Welt auf konzeptioneller Ebene zu sehen. Auf praktischer Ebene können das von Ihnen ausgewählte Serialisierungsschema, Format oder Protokoll jedoch die Geschwindigkeit, Sicherheit, den Status der Wartungsfreiheit und andere Aspekte des Programms bestimmen

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps

Das Statistikmodul von Python bietet leistungsstarke Datenstatistikanalysefunktionen, mit denen wir die allgemeinen Merkmale von Daten wie Biostatistik und Geschäftsanalyse schnell verstehen können. Anstatt Datenpunkte nacheinander zu betrachten, schauen Sie sich nur Statistiken wie Mittelwert oder Varianz an, um Trends und Merkmale in den ursprünglichen Daten zu ermitteln, die möglicherweise ignoriert werden, und vergleichen Sie große Datensätze einfacher und effektiv. In diesem Tutorial wird erläutert, wie der Mittelwert berechnet und den Grad der Dispersion des Datensatzes gemessen wird. Sofern nicht anders angegeben, unterstützen alle Funktionen in diesem Modul die Berechnung der Mittelwert () -Funktion, anstatt einfach den Durchschnitt zu summieren. Es können auch schwimmende Punktzahlen verwendet werden. zufällig importieren Statistiken importieren Aus Fracti

Dieses Tutorial baut auf der vorherigen Einführung in die schöne Suppe auf und konzentriert sich auf DOM -Manipulation über die einfache Baumnavigation hinaus. Wir werden effiziente Suchmethoden und -techniken zur Änderung der HTML -Struktur untersuchen. Eine gemeinsame DOM -Suchmethode ist Ex

In dem Artikel werden beliebte Python-Bibliotheken wie Numpy, Pandas, Matplotlib, Scikit-Learn, TensorFlow, Django, Flask und Anfragen erörtert, die ihre Verwendung in wissenschaftlichen Computing, Datenanalyse, Visualisierung, maschinellem Lernen, Webentwicklung und h beschreiben

Dieser Artikel führt die Python-Entwickler in den Bauen von CLIS-Zeilen-Schnittstellen (CLIS). Es werden mit Bibliotheken wie Typer, Click und ArgParse beschrieben, die Eingabe-/Ausgabemedelung betonen und benutzerfreundliche Designmuster für eine verbesserte CLI-Usabilität fördern.


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

Dreamweaver CS6
Visuelle Webentwicklungstools

WebStorm-Mac-Version
Nützliche JavaScript-Entwicklungstools

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

SAP NetWeaver Server-Adapter für Eclipse
Integrieren Sie Eclipse mit dem SAP NetWeaver-Anwendungsserver.

Sicherer Prüfungsbrowser
Safe Exam Browser ist eine sichere Browserumgebung für die sichere Teilnahme an Online-Prüfungen. Diese Software verwandelt jeden Computer in einen sicheren Arbeitsplatz. Es kontrolliert den Zugriff auf alle Dienstprogramme und verhindert, dass Schüler nicht autorisierte Ressourcen nutzen.