Python 为什么引入这两个关键词

python查阅文献 隐藏 1.什么是Scihub?2.为什么我们需要用Python工具下载3.新姿势:用Python写好的API工具超方便下载论文4.论文关键词批量下载5.异步批量下载优化,增加超时控制6.根据DOI号下载文献7.工作原理 一、找到sci-hub目前可用的域名二、对用户输入的论文地址进行解析,找到相应论文三、下载 文献搜索对于广大学子来说真的是个麻烦事,如果你的学校购买的论文下载权限不够多,或者不在校园内,那就很头痛了。幸好,我们有Python制作的这个论文搜索工具,简化了我们学习的复杂性。 2020-05-2 阅读详情

啥是 global 和 nonlocal

Python 支持的关键词里,global 和 nonlocal 初学者接触的少,不知道是做什么用的;一些人虽然知道它们的作用,但对为什么要引入这两个关键词则有些不知其所以然。

粗浅地说,global 和 nonlocal 是为了在函数中修改全局和闭包变量而引入的关键字。

本文用代码一点点分析引入 global 和 nonlocal 的原因。

一个奇怪的现象

下面,让我们做一个测试。

g =1
def fun():
    g = 2
    return g 
print(fun(),g)

一般地,我们认为结果应该为 2,2。这一点学过其他语言如 Java、c 的同学尤其认同。

但让我们跑起来,可以看到结果为 2,1。也就是说,函数没有改变全局变量 g。

这很奇怪,究其原因是因为:

•Python 认为所有 = 赋值都是在当前作用域新建变量。• 当我们在程序中 g = 1 时,表示当前全局作用域建立 g,赋值 1。• 当我们在函数中 g = 2 时,表示当前局部作用域建立 g,赋值 2。

使用 dis.dis(fun) 分析 fun 函数源代码:

 16           0 LOAD_CONST               1 (2)
              2 STORE_FAST               0 (g)
 17           4 LOAD_FAST                0 (g)
              6 RETURN_VALUE

可见,第 2 条指令 STORE_FAST,这是存储到局部变量的命令。

所以,函数中实际操作的是局部变量。

还有更甚的例子如下,大家猜测下执行结果。

g =1
def fun():
    g += 1
    return g
print(fun(),g) 

根据上文,我们知道函数不会改变全局变量 g,那么结果应该是 2,1,这次总算对了吧?

很抱歉,当执行到 g += 1 时,系统报错:UnboundLocalError: local variable 'g' referenced before assignment。

仔细观察错误,local variable 'g',这里的 g 仍然被视为局部变量:没有定义(=赋值),就直接 inplace add,当然要报错。

也就是说,所有在局部作用域中对全局变量的赋值、原位赋值都会失败。唯有如下函数给我们带来一丝安慰。

g =1
def fun():
    return g
print(fun(),g) 

结果 1,1,总算还有个正常的:在局部作用域中引用全局作用域变量正常。

那当我必须修改全局变量时,该怎么办呢?

global 的引入和分析

这就是 global 引入的理由了,将全局变量扩展到函数中来,使函数可以修改全局变量。

g =1
def fun():
    global g
    g = 2
    return g
print(fun(),g) 

结果为 2,2,函数修改了全局变量。我们来看 dis.dis(fun) 的反汇编代码。

 37           0 LOAD_CONST               1 (2)
              2 STORE_GLOBAL             0 (g)
 38           4 LOAD_GLOBAL              0 (g)
              6 RETURN_VALUE

第 2 条指令,STORE_GLOBAL 是将常量 2 赋值给全局变量 g,异于上例中的 STORE_FAST指令对局部变量操作。

故此,我们得出结论:当在函数中读取全局变量时,可以直接使用。但如果需要修改全局变量值,则需要在变量前加上 global 来修饰。

nonlocal 的引入

同样地,当我们书写嵌套函数,需要对闭包中的变量进行修改操作时,我们也需要引入 nonlocal 关键字。

如下函数中,我们定义了闭包,闭包中的变量 e,试图在内嵌函数中进行修改,但没有使用 nonlocal 关键字声明 e。

def outer():
    e = 1
    def inner():
        e = 2
        return e
    return inner

参照上例,我们知道这种修改是徒劳的——因为看反汇编代码 dis.dis(outer()) 可知:

 63           0 LOAD_CONST               1 (2)
              2 STORE_FAST               0 (e)
 64           4 LOAD_FAST                0 (e)
              6 RETURN_VALUE

第 2 条指令 STORE_FAST,操作局部变量,也就是说 inner 里的 e,仍然被视为局部变量。

雷同于上例的 global,这里使用 nonlocal 来在内嵌函数 inner 中修改闭包变量 e。

def outer():
    e = 1
    def inner():
        nonlocal e
        e = 2
        return e
    return inner

查看此时的反汇编代码 dis.dis(outer()) 可知:

 78           0 LOAD_CONST               1 (2)
              2 STORE_DEREF              0 (e)
 79           4 LOAD_DEREF               0 (e)
              6 RETURN_VALUE

第 2 条指令 STORE_DEREF,操作的是闭包变量,也就是说 inner 里的 e,是可以修改的闭包中的 e。

总结

本文通过分析函数对全局变量和闭包变量的读、写操作,借助于反汇编字节码分析,认清了 global 和 nonlocal 关键字的用法,对其引入和作用有了较为深刻认识。

作者:巩庆奎,大奎,对计算机、电子信息工程感兴趣。gongqingkui at 126.com


觉得还不错就给我一个小小的鼓励吧!


39-Halcon-- fit_primitives_object_model_3d函数功能(从3D数据中提取几何基元) Halcon算子fit_primitives_object_model_3d工业应用精要 该算子专为3D几何特征提取设计,支持平面、球体、圆柱等基元拟合。核心优势: 参数化输出:返回几何元素的数学参数(如平面方程、球心半径) 智能控制:通过max_dist、min_size等参数调节拟合精度 工业场景适配:针对薄壁件、孔系等提供专用优化方案 典型应用流程: 数据预处理(点云降噪/采样) 基元类型与参数设置 多阶段拟合(先平面后圆柱) 几何精度验证 误差控制在0.1%-1.2%范围内(视点云密度而定),适用于 阅读详情

相关推荐

qcom bypass node介绍

介绍qcom bypass node,以及如何让其生效

haodada1226的博客 2046

【Python-yield 】转-Python引入关键词yield可能的目的和用法

精彩文章。从生成斐波那契数列为例,逐步讲解。我觉得让我知道了为什么和怎么做。原文:IBMdeveloper-Python yield 使用浅析。 您可能听说过,带有 yield 的函数在 Python 中被称之为 generator(生成器),何谓 generator ? 我们先抛开 generator,以一个常见的编程题目来展示 yield 的概念。 如何生成斐波那契數列 斐波那契...

huanqing2010的专栏 202

python:numpy分享(保姆级教程)

创建数组:array和ndarray、rand()、randn()、arange()、randint()、uniform()astype()基础函数:ceil()、floor()、rint()、argmax()、argmin()、cumsum()、cumprod()numpy 是数据分析必不可少的第三方库,具有高性能的特点,多用于做数组分析。内置函数:ceil()、floor()、rint()主要用于数组计算,支持多维数组。array和ndarray。比较函数:all、any。去重函数:unique。

sulin123123的博客 1735

python实现搜索关键词_python与seo,百度搜索关键词竞争度大小抓取异步爬虫demo...

关键词竞争度如何查看,最开始接触的人应该都知晓,直接去浏览器搜索关键词,比如百度搜索某关键词,微博,一行头部灰色小字,“百度为您找到相关结果约100,000,000个”,这就是关键词的竞争度大小,涉及到到你后期关键词排名优化的难易程度,当然这仅仅是一个参考指标。当然还有一个很重要的参考指标,关键词的百度指数,这是针对已经收录的关键词,大部分应该就是研究百度指数的关键词来进行优化处理,大词...

weixin_39629631的博客 311

S32DS使用手把手教程:从零实现CAN通信配置

深入讲解S32DS使用过程中如何从零开始配置CAN通信,涵盖关键步骤与实用技巧,帮助开发者快速上手S32DS使用中的常见问题与调试方法。

weixin_42405592的博客 1128

别再死记硬背参数了!手把手教你用Fluent欧拉模型搞定流化床模拟(附颗粒粘度/体积分数设置详解)

本文深入解析Fluent欧拉模型在流化床模拟中的应用,重点讲解颗粒粘度和体积分数等关键参数的设置原理与科学方法。通过对比不同模型(如Syamlal-O'Brien、Gidaspow)的适用场景,帮助工程师摆脱参数死记硬背,实现精准模拟。内容涵盖相间作用机制、求解策略优化及结果验证,为化工、能源领域的流化床模拟提供实用指南。

weixin_42656416的博客 430

Xilinx 7系列FPGA硬件设计实战:从电源到信号完整性的工程闭环

FPGA硬件设计本质上是芯片物理特性、PCB工艺约束与系统级协同的深度耦合过程。以Xilinx 7系列为代表的中高端FPGA,因其成熟稳定的IO电气模型、清晰分层的供电架构和经过量产验证的时钟/存储接口规范,成为数字硬件工程落地的基准平台。其核心价值在于将Datasheet参数、PCB叠层控制、电源纹波抑制、阻抗匹配精度等硬性指标转化为可复现、可仿真、可量产的设计规则。尤其在DDR3接口时序收敛、LVDS共模电压漂移规避、多轨电源上电序列管控等高频痛点场景中,7系列提供了完整的参考路径与容差边界。本文聚焦真

weixin_34348174的博客 366

AI 代码生成工具的质量评估体系

基础需求层包括响应速度(Response Time)和界面友好性(UI Friendliness),期望需求层涵盖智能提示(Smart Suggestions)和个性化配置(Personalization),兴奋需求层则涉及多模态交互(Multimodal Interaction)和代码进化(Code Evolution)。在金融领域,代码审计合规性(Compliance Audit)权重应提升至40%,而在Web开发中,API兼容性(API Compatibility)的权重需达到35%。

2503_92418637的博客 3376

chatgpt赋能python:Python中的F字符串:为什么它是你的SEO秘密武器?

F字符串,也称作Formatted string literals,是Python中的一种字符串类型。在Python3.6版本中首次引入。它允许在字符串文本中通过{}和变量名引用变量的值,从而使得字符串拼接更加灵活和方便。age = 30# 输出结果为F字符串使用起来非常方便,能够有效地减少代码的复杂度和冗余。本文由chatgpt生成,文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型,只是展现它原本的实力。对于颠覆工作方式的。

「 虚幻私塾」 208

Openclaw接入大模型API,操作本地windows文件

本文介绍了在WSL2环境下配置OpenClaw使用阿里百炼API的方法。主要内容包括:1)确认WSL2安装完成;2)配置阿里百炼API(需注意Qwen3-Max-Thinking为收费模型);3)提供正确的JSON配置格式示例,强调apiKey必须填写真实值;4)说明配置错误需修改Linux配置文件;5)建议通过询问模型信息验证连接成功。后续将介绍如何切换免费API及本地文件访问功能。

qq_27246521的博客 989

深入解析 Multi-Agent 协同决策机制与架构设计

让我们从一些基础定义开始,为后续的讨论建立共同的语言。在计算机科学和人工智能领域,智能体(Agent)是指一个能够感知环境、做出决策并执行动作的实体。智能体是任何可以通过传感器感知环境,并通过执行器作用于该环境的事物。atπstat​πst​sts_tst​是时刻ttt的环境状态(或智能体的观测)π\piπ是智能体的策略(Policy),即从状态到动作的映射ata_tat​是智能体在时刻ttt选择执行的动作多智能体系统(MAS)

AI天才研究院 542

基于AI的CiteSpace知网关键词图谱自动化构建技术实战

通过这一套Python自动化流程,我将原本需要数小时甚至更长时间的手工CiteSpace分析工作,压缩到了几分钟内完成。更重要的是,整个过程可重复、可调整,分析逻辑透明。当然,目前这个方案还有提升空间。如何结合大语言模型(LLM)来进一步提升关键词关联度分析的深度?现在的共现分析是基于“共同出现”的统计关系,是浅层的。让LLM阅读文献摘要,生成更丰富的、隐含的“语义关系”边,例如“方法-应用”、“问题-解决方案”、“技术-挑战”等。

2600_94959961的博客 461

一文让你轻松理解802.11ax RU的概念

RU

1042484520@qq.com(邮箱) 3368

Python实现日志关键词实时预警系统

日志分析是运维领域的核心技术,通过实时监控系统日志可以提前发现潜在故障。传统基于TF-IDF的静态分析方法存在响应延迟,而结合动态权重计算和自适应阈值算法能显著提升预警准确率。在金融、电商等高并发场景中,采用Python的异步IO框架和内存计算方案,可实现毫秒级响应。本方案通过语义分析引擎识别error、timeout等关键词组合模式,配合钉钉/webhook预警机制,有效预防了80%的突发故障。特别适用于需要实时监控connection reset、deadlock等关键指标的分布式系统。

weixin_30265103的博客 439

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

有了大模型为什么还要引入RAG

一、什么是RAGRAG的全称是Retrieval-augmented Generation,意思是检索增强生成,它是一种结合检索和生成技术的模型。RAG通过引用外部知识库的信息来生成回答,具有较强的可解释性和定制能力,常用于客服系统、智能助手等问答任务。虽然大模型很智能了,但它有两个短板:1、知识有截止日期,不懂新知识因为大模型训练到某一天就停止学习,比如模型训练数据截止到2025年,那么2026年之后发生的事情就不懂了。并且用户的个人文档、公司文档等内部资料,大模型也都不知道。

nJH023gc0的博客 217

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

AI生成图片关键词模板:从基础到实战的完整指南

基于火山引擎豆包大模型,从零搭建一个实时语音通话应用。它不是简单的问答,而是需要你亲手打通 ASR(语音识别)→ LLM(大脑思考)→ TTS(语音合成)的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说,这是个绝佳的练手项目。架构理解:掌握实时语音应用的完整技术链路(ASR→LLM→TTS)技能提升:学会申请、配置与调用火山引擎AI服务定制能力:通过代码修改自定义角色性格与音色,实现“从使用到创造”从0到1构建生产级别应用,脱离Demo,点击打开。

2600_94959858的博客 409

python高级【协程】

python3.5以后为了将语义变得更加明确,就引入了async和await关键词用于定义原生的协程 # async def downloader(url): # return "bobby" import types @types.coroutine def downloader(url): yield "bobby" async def download_url(url...

qq_35810838的博客 166

chatgpt赋能Python-python2_7如何使用

本文由chatgpt生成,文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型,只是展现它原本的实力。对于颠覆工作方式的ChatGPT,应该选择拥抱而不是抗拒,未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。

m0_56069948的博客 188

[qt][C++]object.h(448): error C2238: 意外的标记位于“;”之前

python\python37-32\include\object.h(448): error C2238: 意外的标记位于“;\python\python37-32\include\object.h(448): error C2059: 语法错误:“;原因: Python 和 Qt 的关键词 slots 冲突。

FL1623863129的博客 779

Python-金融相关代码讲解

其中,词频字典记录了每个关键词在对应文本文件中出现的次数,股票代码和股票名称分别从文件名中提取,年份在示例中暂时设置为 “未知”。的作用是统计给定文件夹中的每个文本文件中指定关键词的出现频率,并返回包含这些统计结果的列表。是一个列表,其中的每个元素都是一个元组,包含四个部分:词频字典、股票代码、股票名称和年份。总结:这段代码的主要目的是将关键词匹配的结果写入到一个 Excel 文件中,方便后续查看和分析。这段代码的功能是创建一个新的 Excel 工作表,并在表格的第一行(即表头)写入相关的列标题。

有时候,想要一块二向箔 1302

python4.0 预测_【行业发展|用腻了python3.8?来看看Python4.0新功能预测】- 环球网校...

【摘要】在这个科学技术高速发展的时代,越来越多的人都开始选择学习编程软件,那么首先被大家选择的编程软件就是python,也用在各行各业之中,并被大家所熟知,所以也有越来越多的学习者关注Python4 0新功能预测,今天就来和大家讲讲Python4 0新功能预测。Python 3.8 发布在即,核心开发者团队让我总结一下最近讨论的Python4.0新功能预测,代码名“ Ouroboros:自噬蛇”。...

weixin_39593744的博客 115

python4.0 gil_详解Python 4.0 预计推出的新功能

Python 3.8 发布在即,核心开发者团队让我总结一下最近讨论的 Python 4.0 预计推出的新功能,代码名为“ Ouroboros:自噬蛇”。Python 4.0 是大家翘首以盼的新版本,也将成为 Python 历史上的重大里程碑,在此感谢为之努力奋斗的 100 多名贡献者。经过邮件列表上的论战,PEP8 里的一行 79 个字符的限制将增加至一行 89.5 个字符。IDE 用户终于可以充...

weixin_39939661的博客 215

Python基础学习_传递参数与参数类型

****** 20230214 ******# 传递参数与参数类型 (位置参数,关键词参数) (初级版)def trapezoid_area(base_up,base_down,height): return 1/2 * (base_up + base_down) * heightt = trapezoid_area(1,2,3) # t1 = trapezoid_area(base_up= 1 ,base_down= 2,height=3) # t2 = trapezoid_area(height

m0_70495771的博客 151

Lucene(八)拓展1-结巴分词(java版) jieba-analysis

GitHub地址:https://github.com/huaban/jieba-analysis 结巴分词(java版) jieba-analysis 首先感谢jieba分词原作者fxsjy,没有他的无私贡献,我们也不会结识到结巴 分词. 同时也感谢jieba分词java版本的实现团队huaban,他们的努力使得Java也能直接做出效果很棒的分词。 不过由于huaban已经没有再对java版进行维护,所以我自己对项目进行了开发。除了结巴分词(java版)所保留的原项目针对搜索引擎分词的功能(cutf

java_shm的专栏 1262
上一篇: 在模仿中精进数据可视化09:近期基金涨幅排行可视化
下一篇: 这2种程序员的惊人差距,实在不忍直视...
Wang_AI
博客等级 码龄12年 997粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值