Python教程:深入理解Python中的命名空间和作用域

简介: 在 Python 编程中,理解命名空间(Namespace)和作用域(Scope)是至关重要的。它们决定了变量和函数的可见性和访问性,并直接影响代码的结构和行为。本文将深入探讨 Python 3 中命名空间和作用域的概念、规则以及相关的高级主题。

在 Python 编程中,理解命名空间(Namespace)和作用域(Scope)是至关重要的。它们决定了变量和函数的可见性和访问性,并直接影响代码的结构和行为。本文将深入探讨 Python 3 中命名空间和作用域的概念、规则以及相关的高级主题。

1. 了解命名空间和作用域的概念


命名空间: 命名空间是一个存储变量名与对象之间关联关系的系统。在 Python 中,命名空间可以视为一个字典,其中键是变量名,值是与之关联的对象。

作用域: 作用域是代码中可访问变量的范围。在 Python 中,作用域可以是全局(Global)或局部(Local)。全局作用域在整个程序中都可见,而局部作用域仅在定义它们的函数内部可见。

命名空间和作用域之间存在直接关系:每个作用域都有其对应的命名空间,用于存储该作用域内的变量和函数。

2. Python 中的命名空间


全局命名空间: 全局命名空间是在整个程序中可见的命名空间。全局变量和函数在程序的任何地方都可以被访问和调用。

global_var = 10  # 全局变量
def global_function():
    print("This is a global function")
print(global_var)
global_function()

image.gif

局部命名空间: 局部命名空间是在函数内部创建的命名空间,其中包含局部变量和函数。它仅在函数执行期间存在,并在函数执行结束后销毁。

def local_scope():
    local_var = 20  # 局部变量
    print(local_var)
local_scope()
# print(local_var)  # 会导致 NameError,因为 local_var 不在当前作用域内可见

image.gif

3. 作用域规则


在 Python 中,作用域查找遵循 LEGB 规则:Local -> Enclosing -> Global -> Built-in。

  • Local(局部): 函数内部的作用域。
  • Enclosing(嵌套): 包围在函数中的其他函数的作用域。
  • Global(全局): 程序的最顶层作用域或者在函数外部的作用域。
  • Built-in(内置): Python 的内置命名空间,包含常用的内置函数和异常名称。
x = 'global'
def outer():
    x = 'enclosing'
    
    def inner():
        x = 'local'
        print(x)  # 打印局部变量 x
    
    inner()
outer()  # 输出:local
print(x)  # 输出:global

image.gif

4. global 和 nonlocal 关键字


  • global 关键字: 用于在函数内部修改全局变量的值。
count = 0
def increment():
    global count
    count += 1
increment()
print(count)  # 输出:1

image.gif

  • nonlocal 关键字: 用于在嵌套函数内部修改外部函数的局部变量。
def outer():
    x = 10
    
    def inner():
        nonlocal x
        x += 1
        print(x)
    
    inner()
outer()  # 输出:11

image.gif

5. 闭包和作用域


闭包的概念: 闭包是一个函数及其相关的引用环境。它使得函数可以访问定义时的作用域,即使在其定义所在的作用域已经不存在。

def outer():
    x = 10
    
    def inner():
        print(x)
    
    return inner
closure = outer()
closure()  # 输出:10

image.gif

6.代码示例


示例1:

# 全局命名空间
global_var = 10
def outer_function():
    # 闭合命名空间
    outer_var = 20
    
    def inner_function():
        # 局部命名空间
        nonlocal outer_var
        outer_var += 5
        local_var = 30
        
        print("内部函数局部命名空间:", locals())
        print("内部函数访问外部变量 outer_var:", outer_var)
        print("内部函数访问全局变量 global_var:", global_var)
    
    inner_function()
    print("外部函数局部命名空间:", locals())
    print("外部函数访问外部变量 outer_var:", outer_var)
    print("外部函数访问全局变量 global_var:", global_var)
outer_function()
print("全局命名空间:", globals())
print("全局命名空间访问全局变量 global_var:", global_var)

image.gif

这个示例演示了全局命名空间、局部命名空间、嵌套命名空间以及全局作用域、局部作用域、嵌套作用域的概念。

示例2:

# 示例1:局部变量和全局变量
global_var = 100
def local_vs_global():
    local_var = 200
    print("Inside function - global_var:", global_var)
    print("Inside function - local_var:", local_var)
local_vs_global()
print("Outside function - global_var:", global_var)
# 示例2:LEGB 规则演示
x = 'global'
def outer():
    x = 'enclosing'
    
    def inner():
        x = 'local'
        print(x)
    
    inner()
outer()
print(x)
# 示例3:使用闭包实现计数器
def counter():
    count = 0
    
    def increment():
        nonlocal count
        count += 1
        return count
    
    return increment
counter1 = counter()
print(counter1())  # 输出:1
print(counter1())  # 输出:2

image.gif

这段示例代码展示了Python中命名空间和作用域的概念,以及相关的示例和练习。

  1. 局部变量和全局变量示例
  • 函数 local_vs_global()global_var 是全局变量,local_var 是局部变量。在函数内部,可以访问全局变量和局部变量。
  • 执行 local_vs_global() 后,在函数内部输出了全局变量和局部变量的值,然后在函数外部输出了全局变量的值。
  1. LEGB 规则演示
  • outer() 函数中定义了 x 为 'enclosing'。
  • inner() 函数中定义了 x 为 'local'。
  • 根据 LEGB 规则,内部函数 inner() 在局部作用域查找变量,因此输出 'local'。
  • 在外部函数 outer() 中输出了全局变量 x 的值,因为在函数内没有定义 x
  1. 使用闭包实现计数器示例
  • 函数 counter() 中定义了一个局部变量 count
  • 函数 increment() 使用了 nonlocal 关键字来修改外部函数的局部变量 count
  • 每次调用 counter1(),都会增加 count 的值,并返回新的计数值。

7.常见面试题


问题: 请解释 Python 中的闭包,并举例说明其在命名空间和作用域中的应用。

答案:

闭包是指在函数内部定义的函数,并且该内部函数引用了外部函数的变量。闭包允许函数捕获并维持外部作用域的状态,即使外部函数已经执行完毕,内部函数仍然可以访问外部函数的变量。这种特性在 Python 中是通过函数的嵌套和函数对象的特性实现的。

闭包在命名空间和作用域中的应用非常广泛,它可以用于封装私有变量、实现装饰器、延迟计算等场景。

示例:

def outer_func(x):
    def inner_func(y):
        return x + y
    return inner_func
# 创建一个闭包
add_five = outer_func(5)
# 调用闭包
result = add_five(3)
print(result)  # 输出 8

image.gif

在这个示例中,outer_func 返回了一个内部函数 inner_func,并且 inner_func 中引用了外部函数 outer_func 的变量 x。当我们调用 outer_func(5) 后,它返回了一个闭包 add_five,该闭包可以用来将其参数与 5 相加。即使 outer_func 已经执行完毕,但是 add_five 仍然可以访问并使用 outer_func 中的变量 x

闭包的作用是延长了外部作用域内变量的生命周期,使得外部作用域的变量在内部函数中依然可用,这样做的好处是可以封装数据,实现更复杂的逻辑,提高代码的模块化和可复用性。

目录
相关文章
|
3天前
|
Python
SciPy 教程 之 Scipy 显著性检验 3
本教程介绍Scipy显著性检验,包括其基本概念、原理及应用。显著性检验用于判断样本与总体假设间的差异是否显著,是统计学中的重要工具。Scipy通过`scipy.stats`模块提供了相关功能,支持双边检验等方法。
9 1
|
5天前
|
机器学习/深度学习 Python
SciPy 教程 之 SciPy 插值 2
SciPy插值教程:介绍插值概念及其在数值分析中的应用,特别是在处理数据缺失时的插补和平滑数据集。SciPy的`scipy.interpolate`模块提供了强大的插值功能,如一维插值和样条插值。通过`UnivariateSpline()`函数,可以轻松实现单变量插值,示例代码展示了如何对非线性点进行插值计算。
10 3
|
8天前
|
机器学习/深度学习 数据处理 Python
SciPy 教程 之 SciPy 空间数据 4
本教程介绍了SciPy的空间数据处理功能,主要通过scipy.spatial模块实现。内容涵盖空间数据的基本概念、距离矩阵的定义及其在生物信息学中的应用,以及如何计算欧几里得距离。示例代码展示了如何使用SciPy计算两点间的欧几里得距离。
22 5
|
7天前
|
机器学习/深度学习 Python
SciPy 教程 之 SciPy 空间数据 6
本教程介绍了SciPy处理空间数据的方法,包括使用scipy.spatial模块进行点位置判断、最近点计算等内容。还详细讲解了距离矩阵的概念及其应用,如在生物信息学中表示蛋白质结构等。最后,通过实例演示了如何计算两点间的余弦距离。
16 3
|
6天前
|
机器学习/深度学习 数据处理 Python
SciPy 教程 之 SciPy 空间数据 7
本教程介绍了SciPy的空间数据处理功能,涵盖如何使用`scipy.spatial`模块进行点的位置判断、最近点计算等操作。还详细解释了距离矩阵的概念及其在生物信息学中的应用,以及汉明距离的定义和计算方法。示例代码展示了如何计算两个点之间的汉明距离。
12 1
|
9天前
|
Python
SciPy 教程 之 SciPy 图结构 7
《SciPy 教程 之 SciPy 图结构 7》介绍了 SciPy 中处理图结构的方法。图是由节点和边组成的集合,用于表示对象及其之间的关系。scipy.sparse.csgraph 模块提供了多种图处理功能,如 `breadth_first_order()` 方法可按广度优先顺序遍历图。示例代码展示了如何使用该方法从给定的邻接矩阵中获取广度优先遍历的顺序。
20 2
|
10天前
|
算法 Python
SciPy 教程 之 SciPy 图结构 5
SciPy 图结构教程,介绍图的基本概念和SciPy中处理图结构的模块scipy.sparse.csgraph。重点讲解贝尔曼-福特算法,用于求解任意两点间最短路径,支持有向图和负权边。通过示例演示如何使用bellman_ford()方法计算最短路径。
21 3
|
10天前
|
缓存 测试技术 Apache
告别卡顿!Python性能测试实战教程,JMeter&Locust带你秒懂性能优化💡
告别卡顿!Python性能测试实战教程,JMeter&Locust带你秒懂性能优化💡
25 1
|
3天前
|
机器学习/深度学习 数据处理 Python
SciPy 教程 之 SciPy 插值 3
本教程介绍了SciPy中的插值方法,包括什么是插值及其在数据处理和机器学习中的应用。通过 `scipy.interpolate` 模块,特别是 `Rbf()` 函数,展示了如何实现径向基函数插值,以平滑数据集中的离散点。示例代码演示了如何使用 `Rbf()` 函数进行插值计算。
8 0
|
3天前
|
Python
SciPy 教程 之 Scipy 显著性检验 1
本教程介绍Scipy显著性检验,包括统计假设、零假设和备择假设等概念,以及如何使用scipy.stats模块进行显著性检验,以判断样本与总体假设间是否存在显著差异。
8 0