python学习

对象与引用：

a=1

b=1

c=a

1为对象，a,b,c都是其引用，这与java相似（b=new Integer(1)则为不同的引用），与c++不同（a,b,c,1皆为对象）。

a = "very good morning"

b = "very good morning"

a,b引用的"very good morning"对象不同，这是因为python中，小整型(-5 ~256 )以及较短字符串类型(长度5以内可以)，会使用已有对象？但这也并不是一成不变的，会随版本变化。

垃圾回收：

对象的类型和内存都是在运行时确定的。垃圾回收时，Python不能进行其它的任务。频繁的垃圾回收将大大降低Python的工作效率。如果内存中的对象不多，就没有必要总启动垃圾回收。所以，Python只会在特定条件下，自动启动垃圾回收。

当Python运行时，会记录其中分配对象(object allocation)和取消分配对象(object deallocation)的次数。当两者的差值高于某个阈值时，垃圾回收才会启动。我们可以通过gc模块的get_threshold()方法，查看该阈值。Python同时采用了分代(generation)回收的策略，将所有的对象分为0，1，2三代。可以用set_threshold()来调整对各代对象的扫描。

垃圾回收机制还有一个循环垃圾回收器, 确保释放循环引用对象(a引用b, b引用a, 导致其引用计数永远不为0)。

引用计数：系统会自动维护这些标签，并定时扫描，当某标签的引用计数变为0的时候，该对就会被回收（可以使用del关键字删除某个引用）

内存池机制：

Python的内存机制以金字塔行，-1，-2层主要由操作系统进行操作，第0层是C中的malloc，free等内存分配和释放函数进行操作；第1层和第2层是内存池，由Python的接口函数PyMem_Malloc函数实现，当对象小于256K时由该层直接分配内存；第3层是最上层，也就是我们对Python对象的直接操作；

在 C 中如果频繁的调用 malloc 与 free 时,是会产生性能问题的.再加上频繁的分配与释放小块的内存会产生内存碎片. Python 在这里主要干的工作有：如果请求分配的内存在1~256字节之间就使用自己的内存管理系统,否则直接使用 malloc.这里还是会调用 malloc 分配内存,但每次会分配一块大小为256k的大块内存.经由内存池登记的内存到最后还是会回收到内存池,并不会调用 C 的 free 释放掉，以便下次使用。

对于简单的Python对象，例如数值、字符串，元组（tuple不允许被更改）采用的是复制的方式(深拷贝?)，也就是说当将另一个变量B赋值给变量A时，虽然A和B的内存空间仍然相同，但当A的值发生变化时，会重新给A分配空间，A和B的地址变得不再相同。而对于像字典(dict)，列表(List)等，改变一个就会引起另一个的改变，也称之为浅拷贝（里面的元素其实是引用？）。

python的多线程只能使用一个cpu核心。