Python中多目標賦值及共享引用的問題

2021-08-30 19:17:17 字數 1529 閱讀 4280

多目標賦值語句就是直接把所有提供的變數名都賦值給右側的物件。 

>>> a = b = c = "spam"    # 將字串"spam"同時賦值給a,b,c


>>> a,b,c


('spam', 'spam', 'spam')


>>>
上面的語句相當於下面的簡單賦值

>>> c = "spam"


>>> b = c


>>> a = b


>>> a, b, c


('spam', 'spam', 'spam')


>>>
在這裡只有乙個物件，由三個變數共享，全部指向記憶體內同乙個物件。這種賦值存在的問題就是:

i. 如果右邊的值是不可變物件，修改其中乙個變數，不影響其他變數

>>> a = b = 100   # 不可變物件


>>> b += 1        # 改變其中乙個值


>>> a, b          # 不會影響另外變數的值     


(100, 101)


>>>
ii. 如果右邊的值是可變物件，修改其中乙個變數，會影響其他變數

>>> a = b =       # 同時將可變物件，列表，賦值給a,b


>>> id(a);id(b)     # 可以看出，兩個變數的id號是一樣的


37796680


37796680


>>> a,b             # a,b兩個變數同時變化


([42], [42])


>>>
iii.要避免上面的問題，可以單獨賦值來避免

>>> a = 


>>> b = 


>>> id(a);id(b)     # 單獨賦值的話，兩者的id號不同


37796360


37811720


>>> a,b


(, [42])


>>>
iv. 或者使用深淺拷貝避免

>>> import copy


>>> a = 


>>> b = copy.copy(a)    # 通過淺拷貝來賦值


>>> id(a);id(b)


39263368


37796680


>>> a, b


(, [42])


>>>
iiv. 或者使用[:]來避免

>>> a = 


>>> b = a[:]


>>> a, b


(, )


>>> id(a),id(b)


(37796360, 37811720)


>>> a,b


(, [42])


>>>

多目標優化中pareto

pareto解 一般地，多目標規劃問題 multi objective programming,mop 可以描述成如下形式 pareto最優解，也稱為帕累託效率 pareto efficiency 是指資源分配的一種理想狀態，假定固有的一群人和可分配的資源，從一種分配狀態到另一種狀態的變化中，在沒有...

多目標跟蹤中SORT演算法的理解

多目標跟蹤中sort演算法的理解 在跟蹤之前，對所有目標已經完成檢測，實現了特徵建模過程。1.第一幀進來時，以檢測到的目標初始化並建立新的 標註id。2.後面幀進來時，先到卡爾曼濾波器中得到由前面幀box產生的狀態 和協方差 求 所有目標狀態 與本幀檢測的box的iou，通過匈牙利指派演算法得到io...

Python增強賦值及共享引用注意事項

python中的增強賦值是從c語言中借鑑出來的，所以這些格式的用法大多和c一致，本身就是對表示式的簡寫，即二元表示式和賦值語句的結合，比如a b和a a b就是一致的，比如還有以下的增強賦值語句。a b a b a b a b a b a b a b a b a b a b a b a b 即增強賦...