python内存管理和随机数

内存管理

• 变量无需事先声明，也不需要指定类型，这是动态语言的特性
• 变量只是一个标识符，指向一个对象，而这个对象被创建在内存‘堆’中
• python编程中一般无须关心变量的存亡，一般也不用关心内存的管理
• python使用引用计算来记录所有对象的引用次数；当对象引用次数为0，它就可以被垃圾回收GC

 

什么是Python GC：

       Py的一个大好处，就是灵活的变量声明和动态变量类型。虽然这使得学习py起来非常方便快捷，但是同时也带来了py在性能上的一些不足。其中相关内存比较主要的一点就是py不会对已经销毁的对象所占据的内存做自动的释放内存空间的工作。

为了解决这样的问题，python使用的垃圾回收机制：

       Python中，主要依靠gc（garbage collector）模块的引用计数技术来进行垃圾回收。所谓引用计数，就是考虑到Python中变量的本质不是内存中一块存储数据的区域，而是对一块内存数据区域的引用。所以python可以给所有的对象（内存中的区域）维护一个引用计数的属性，在一个引用被创建或复制的时候，让python,把相关对象的引用计数+1；相反当引用被销毁的时候就把相关对象的引用计数-1。当对象的引用计数减到0时，自然就可以认为整个python中不会再有变量引用这个对象，所以就可以把这个对象所占据的内存空间释放出来了。

　　引用计数技术在每次引用创建和销毁时都要多做一些操作，这可能是一个小缺点，当创建和销毁很频繁的时候难免带来一些效率上的不足。但是其最大的好处就是实时性，其他语言当中，垃圾回收可能只能在一些固定的时间点上进行，比如当内存分配失败的时候进行垃圾回收，而引用计数技术可以动态地进行内存的管理。

 

计算增加：

赋值给其他变量会增加引用计算

实参传参也会增加引用计算

计算减少：

函数运行结束时，局部变量就会被自动销毁，对象引用计数减少

变量被赋值给其他对象 x=3; y=x; x=4

 

查看引用计算：

import sys

x=3; y=x; x=4 #引用计算减少

print(sys.getrefcount(x))

在使用函数调用引用计数时会自动加1，使用完函数引用计数会减1

 

 

随机数

random模块

• randint(1,5) 随机返回1至5之间的整数

import random

for i in range(6):

print(random.randint(1,5)) ---> 331452

• randrange(1,5) 从指定范围内，按默认指定基数1递增的集合中获取一个随机数

for i in range(6):

print(random.randrange(1,7,2)) ---> 533111

#在使用randrange时，给定的范围值是前包后不包的；

#此时指定的随机取值范围是1至6，基数为2

• choice(seq) 从一个非空序列的元素中随机挑选一个元素，例如random.choice(range(5)),从0至4中随机取一个整数

x=[1,2,3,4,5]

for i in range(6):

print(random.choice(x)) ---> 153122

• choices() 从3.6版本才开始提供，指定次数从样本中随机取值，可重复选择，可指定权重

for i in range(3):

print(random.choices([1,3],[5,1],k=4))

#从1和3两个数中随机取值，权重为1对应5，3对应1，每次取4个数，结果为

[1, 1, 1, 1] [1, 1, 1, 1] [1, 1, 1, 3]

• random.shuffle(list) None就地打乱该列表元素

x=[1,2,3,4,5]

random.shuffle(x)

x ---> [5, 3, 4, 1, 2]

• sample() 从样本空间或总体（序列或者集合类型）中随机取出指定个不同的元素，返回一个新的列表

x=[1,2,3,4,5]

for i in range(6):

print(random.sample(x,k=4))

#每一次从列表x中随机取4个值，每一次取的值都不同

#每一次不会重复挑选同一个值，k的值不能大于样本数，否则报错

#注意是在列表x的不同索引index位置上随机取数，结果为

[5, 4, 3, 2] [1, 5, 3, 4] [2, 1, 5, 4]

 

sample和choices的区别就在于choices可以在样本的相同索引位置上重复取数，而sample不可以