详解函数的三种传递方式

简介: 详解函数的三种传递方式

前言


这个文章我将把我学习的有关函数传递形式的知识做个总结,相信很多刚入门的同学看到许多文章五花八门的形参会感到头疼,但本质上无非就是我要说的三种传递形式,快来跟我一起学习吧~


一、值传递


代码如下:


void swap1(int x,int y)
{
        int temp = x;
    x = y; 
    y = temp;
}//main函数里写入swap1(a,b);即可 其中x,y形参  a,b实参

 这里我用swap1()交换函数做举例,函数内容部分是非常经典的三步交换值的代码,这样就完成了一个非常简单的值传递函数。


二、地址传递


1.指针的有关知识


我们经常听到这样一句话指针指向地址,没错,指针用来存放变量的地址,这样可以有效的节省内存空间。例如

int a=6; int *p=&a;  cout<<"a的值为:"<<a<<endl; cout<<"*p的值为:"<<*p<<endl;

 上面两个输出结果都是一样的,其中p=&a,意为p现在是变量a的地址,而*p就相当于*&a,这样*&抵消,实际上*p就表示变量a的值


2. 地址传递举例


代码如下:


void swap2(int *x,int *y)
{
        int temp = *x; 
    *x = *y;
    *y = temp;
}//main函数里写swap2(&a,&b) *x和*y为形参,a和b为实参
 这里不同于值传递的是,传入实参的时候加上了&符号。因为函数传参规定对应的数据类型需要一致,所以不难理解*x=&a,*y=&b。


三、引用传递


1、引用的相关知识


示例:int a=10; int &b=a; cout<<"a="<<a<<endl; cout<<"b="<<b<<endl;

上面两个输出结果都是10 其实引用就是给变量起个别名,就比如你小名张三,长大了叫张大仙,当你张三18岁了,那么张大仙也18岁,无论改变a还是b,他们两个的结果都一样


2、引用传递举例


代码如下:


void swap3(int &x,int &y)
{
        int temp = x;
    x = y; 
    y = temp;
}//main 里写swap3(a,b)  &x,&y为形参 a,b为实参

 这里跟我上面提到的一致,就是 &x=a    a的别名为x; 那么xy的改变就会影响ab的值,从而完成交换数据的任务


四、三种传参方式的比较


值传递形参不能修饰实参:第一种值传递后主函数a,b的值并没有发生改变,因为如果传的只是变量的值,那么编译器会拷贝一个副本,只是把a,b的值赋给了xy,很显然这种方式的ax的地址不相同,就比如现在有一个香蕉,我利用克隆技术复制了一个一模一样的出来,我把克隆的吃了,那原来的肯定还在,并不影响原来的香蕉。

地址传递的形参可以修饰实参,利用指针和引用方法,传递的都是变量的地址,所以形参的改变会引起实参的变化。


总结


 以上就是我分享给大家的三种函数值传递方式,我个人推荐多使用引用传递,相比于值传递他不会产生副本,节省空间,相比于指针他的形式更简单,效果却一样,如果有错误或者有更好的见解一定私信我,共同进步哦

相关文章
源文件与模块生成时的文件不同,是否希望调试器使用它?如何解决
源文件与模块生成时的文件不同,是否希望调试器使用它?如何解决
|
编译器 C语言 C++
【C语言】malloc()函数详解(动态内存开辟函数)
【C语言】malloc()函数详解(动态内存开辟函数)
5010 2
|
存储 C语言 数据格式
计算机组成原理(微课版) -- 第二章 –– 数据信息的表示
计算机组成原理(微课版) -- 第二章 –– 数据信息的表示
|
编译器
overleaf 参考文献引用,创建引用目录.bib文件,在文档中引用参考文献,生成参考文献列表
overleaf 参考文献引用,创建引用目录.bib文件,在文档中引用参考文献,生成参考文献列表
12600 0
|
传感器
蓝桥杯之单片机学习(二十八)——详解A/D、D/A、PCF8591、AD与DA的综合使用(附官方驱动的一个坑)
蓝桥杯之单片机学习(二十八)——详解A/D、D/A、PCF8591、AD与DA的综合使用(附官方驱动的一个坑)
1587 0
蓝桥杯之单片机学习(二十八)——详解A/D、D/A、PCF8591、AD与DA的综合使用(附官方驱动的一个坑)
|
机器学习/深度学习 传感器 编解码
史上最全 | 基于深度学习的3D分割综述(RGB-D/点云/体素/多目)(上)
3D目标分割是计算机视觉中的一个基本且具有挑战性的问题,在自动驾驶、机器人、增强现实和医学图像分析等领域有着广泛的应用。它受到了计算机视觉、图形和机器学习社区的极大关注。传统上,3D分割是用人工设计的特征和工程方法进行的,这些方法精度较差,也无法推广到大规模数据上。在2D计算机视觉巨大成功的推动下,深度学习技术最近也成为3D分割任务的首选。近年来已涌现出大量相关工作,并且已经在不同的基准数据集上进行了评估。本文全面调研了基于深度学习的3D分割的最新进展,涵盖了150多篇论文。论文总结了最常用的范式,讨论了它们的优缺点,并分析了这些分割方法的对比结果。并在此基础上,提出了未来的研究方向。
史上最全 | 基于深度学习的3D分割综述(RGB-D/点云/体素/多目)(上)
|
缓存 网络协议 Linux
牛客网论坛最具争议的Linux内核成神笔记,GitHub已下载量已过百万(下)
牛客网论坛最具争议的Linux内核成神笔记,GitHub已下载量已过百万
|
编译器 C语言 C++
详解C/C++动态内存函数(malloc、free、calloc、realloc)
详解C/C++动态内存函数(malloc、free、calloc、realloc)
3263 1
|
安全 C++
函数参数传递
函数参数传递