京公网安备 11010802034615号
经营许可证编号:京B2-20210330
深入理解python中函数传递参数是值传递还是引用传递
目前网络上大部分博客的结论都是这样的:
Python不允许程序员选择采用传值还是传 引用。Python参数传递采用的肯定是“传对象引用”的方式。实际上,这种方式相当于传值和传引用的一种综合。如果函数收到的是一个可变对象(比如字典 或者列表)的引用,就能修改对象的原始值——相当于通过“传引用”来传递对象。如果函数收到的是一个不可变对象(比如数字、字符或者元组)的引用,就不能 直接修改原始对象——相当于通过“传值”来传递对象。
你可以在很多讨论该问题的博客里找到以上这一段话。
但是在实际操作中我却发现一个问题:
l=[1,2,3]
def a(x):
x=x+[4]
a(l)
print(l)
这段代码的输出为:
[1,2,3]
为什么是这样呢,list是可变对象,按照上面的结论来说传递方式是引用传递,我应该在函数里能对它进行修改呀?难道不应该输出[1,2,3,4]吗?
我觉得我上面引用的那段大多数博主的结论,其实非常不好理解,而且没有讲到本质,看的云里雾里的。
经过我后面的多次试验,得到以下结论:
其实在python中讨论值传递还是引用传递是没有意义的,要真正对这些情况作出解释,其实是应该搞明白python(对可变对象和不可变对象的)赋值过程中是如何分配内存地址的。
接下来,我们不讨论值传递和引用传递的问题。
让我们做一个非常简单的小实验,其中,id()可以查看变量在内存中的地址:
l1=[1,2,3]
l2=[1,2,3]
a=1
b=1
print(id(l1))
print(id(l2))
print(id(a))
print(id(b))
在我的电脑中的运行结果:
12856594504
12856915080
1643643344
1643643344
可以发现,对于可变对象list来说,即便列表内容一模一样,python也会给它们分配新的不同的地址。
然而,对于不可变对象int来说,内存里只有一个1。即便再定义一个变量c=1,也是指向内存中同一个1。换句话说,不可变对象1的地址是共享的。
接下来让我们看看在函数中调用可变对象和不可变对象,并修改他们的值,会是一个什么情况。
对于不可变对象int,我们来看看最简单的情况:
a=1
print(id(a))
def x(a):
print(id(a))
b=a
print(id(b))
x(a)
运行得到:
1643643344
1643643344
1643643344
这看起来就是一个引用传递,函数外的a、函数里的a和b都指向了同一个地址。
但我们再来看一个极端情况:
a=1
print(id(a))
def x():
b=1
print(id(b))
x()
运行得到:
1643643344
1643643344
很神奇不是吗?函数外定义的a和函数内定义的b没有任何关系,但它们指向同一个地址!
所以你说如何判断它是值传递还是引用传递?讨论这个问题根本没有意义,因为内存里只有一个1。当我把值1传递给函数里的某一个变量的时候,我实际上也传递了地址,因为内存里只有一个1。
甚至于说我直接给函数里的b赋值1都可以让函数外的a和函数内的b指向同一个地址。
下面来看看传递可变对象list的情况:
l=[1,2,3]
print(id(l))
def a(x):
print(id(x))
x.pop()
print(x)
print(id(x))
x=x+[3]
print(x)
print(id(x))
a(l)
运行得到
883142451528
[1, 2]
[1, 2, 3]
可以看到,当我们把函数外的列表L传递给函数后,x的地址和L是一样的,这看起来就是一个引用传递,没问题。
继续往下,我们调用x本身的方法pop后,x变成[1,2],并且x的地址没变,这也没什么问题。
但是当我们给x赋值以后,x的地址就变了。
也就是说,只要创建一个新的可变对象,python就会分配一个新的地址。就算我们创建的新可变对象和已存在的旧可变对象完全一样,python依旧会分配一个新的地址(见本文上半部分那个‘非常简单的小实验')
而pop并不是创建新的可变对象,pop是对已有的可变对象进行修改。
所以可以总结为:
在python中,不可变对象是共享的,创建可变对象永远是分配新地址
这个时候我们再回过头来思考值传递和引用传递的问题,就会发现在python里讨论这个确实是没有意义。
我们可以说:python有着自己的一套特殊的传参方式,这是由python动态语言的性质所决定的
总结
以上就是本文关于深入理解python中函数传递参数是值传递还是引用传递的全部内容,希望对大家有所帮助。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12