【Python】内存管理和random模块

1.python内存管理

1.1内存管理概念

• python是一种动态语言，在变量声明的时候不需要指定类型。

• 变量无需事先声明，也不需要指定类型，这是动态语言的特征

• 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满足写时拷贝的原则，即使用引用记录所有对象的引用数。

  • 当对象引用数变为0，它就可以被被垃圾回收，GC

• 计算增加

  • 赋值给其他变量就增加引用计算：x=2,y=x
  • 实参传参，foo(y)【生成一个临时拷贝的变量】;

• 计算减少

  • 函数运行结束，局部变量出作用域，对象引用计算减少
  • 变量被被其他值赋值

1.2内存碎片化解决方式

• 对于动态编译的语言(C/C++)，随意的申请内存而不销毁，就会出现大量的碎片内存，影响内存的使用。【C/C++可以使用池化技术解决内存碎片化的问题】

• python依靠虚拟机的垃圾回收机制【引用计数】解决内存碎片化解决方式

• 缺点：动态语言的GC机制【在回收的时候，发生了世界停止】在实现高并发的时候效率太低。

1.3引用计数问题

引用计数是简单实现垃圾标记的方法。

引用计数可能出现循环引用，Python提供了gc模块，解决了循引用问题。

sys.getrefcount(x)查看x的计数量

现象1

import sys
import gc
x=[] #在堆创建一个空列表，记录的是x的地址
sys.getrefcount(x) 【调用函数，作用是查看x的计数量】,函数调用完自动减1
输出：2 【实参传参也需要计数量+1】

y=x
sys.getrefcount(x)
输出：3

sys.getrefcount([]) #结果是1
为什么结果是1？
实际上[]的引用计数为0，调用函数时加1【此过程和x没有任何关系】

现象2

a=1
sys.getrefcount(a)
引用计数为：至少为2【比如1471】
b=a
sys.getrefcount(a)
引用计数为1472
原因：
	字面常量：数值，字符串，属于常量。
     常量的处理方式不同：一旦创建就不允许改动。【甚至Python中的编译器也会引用a创建的字面常量】

2.随机数random模块

• randint(a,b)返回[a,b]之间的整数
• randrange([start],stop,[,step])从指定范围内(start,stop)【开区间】，按指定基数step递增的集合获取一个随机数，基数step的缺省值为1

random.randrange(1,7,2)
在【1，3，5，7】中获取一个随机数

• choice(seq)从非空序列的元素随机挑选一个元素

random.choice(range(10)),从0到9随机挑选一个整数
random.choice([1,3,5,7])在[1,3,5,7]中随机挑选一个整数

• 3.6版本提供choices,一次获取一个或者多个数，可以自定义权重

random.choices(population,weights=None,*,cum_weights=None,k=1)
population:权重
weights:相对权重
cum_weights:累加权重
k:选取次数
 

import random
a = [1,2,3,4,5]
print(random.choices(a,k=6))
解析：重复6次从列表a中的各个成员中选取一个数输出，各个成员出现概率基本持平。
结果：[4, 5, 1, 4, 5, 4]（随机生成的）
print(random.choices(a,weights=[0,0,1,0,0],k=6))
相对权重：权重分别为0，0，1，0，0
解析：重复6次从列表a中提取3，最终得到[3, 3, 3, 3, 3, 3]
结果：[3, 3, 3, 3, 3, 3]（固定结果）
print(random.choices(a,weights=[1,1,1,1,1],k=6))
解析：重复6次从列表a中的各个成员中选取一个数输出，各个成员出现概率基本持平。
结果：[4, 3, 2, 1, 5, 1]（随机生成的）
print(random.choices(a,cum_weights=[1,1,1,1,1],k=6))
累加权重，第一个元素的权重为1，后面的权重依次为0
print(random.choices(a,cum_weights=[1,3,5,8,11],k=6))
结果：[1, 5, 2, 4, 5, 3]
解释：第一个元素的权重为1
	 第二个元素的权重为2 ：1+2=3
     第三个元素的权重为2：3+2=5
     第四个元素的权重为3: 5+3=8
      ......

• random.shuffle(x)打乱一个列表的元素顺序，且在原列表基础上打乱，不会生成新的列表。

l=list(range(0,12))
random.shuffle(l)
print(l)

输出：[1, 0, 7, 5, 9, 11, 2, 3, 4, 10, 8, 6]

• random.seed(a=None,version=2)设置随机种子

​ random.seed()俗称为随机数种子。不设置随机数种子，你每次随机抽样得到的数据都是不一样的。设置了随机数种子，能够确保每次抽样的结果一样。而random.seed()括号里的数字，相当于一把钥匙，对应一扇门，同样的数值能够使得抽样的结果一致

l1=[]
l2=[]
for i in range(3):
    for i in range(5):
        l1.append(random.random())
    print(l1)
    l1=[]

    
for i in range(3):
    random.seed(10)
    for i in range(5):
        l2.append(random.random())
    print(l2)
    l2=[]
  

[0.05734131187693592, 0.16011001087611865, 0.005653631020471894, 0.8164063355610603, 0.8798805481650455]
[0.6537519294905624, 0.12491155732110881, 0.3178830154059781, 0.5727865170907682, 0.3906896577924317]
[0.053825543614678284, 0.9987578005217228, 0.9258901979978362, 0.645989538241693, 0.15997608340867353]


设置随机数种子：每次结果都为固定值。
[0.5714025946899135, 0.4288890546751146, 0.5780913011344704, 0.20609823213950174, 0.81332125135732]
[0.5714025946899135, 0.4288890546751146, 0.5780913011344704, 0.20609823213950174, 0.81332125135732]
[0.5714025946899135, 0.4288890546751146, 0.5780913011344704, 0.20609823213950174, 0.81332125135732]

• random.sample(list,k)从list样本或集合中随机抽取K个不重复的元素形成新的序列
• 注意：random.sample()返回的是一个新的序列，不会破坏原有序列。random.sample()是不重复不放回的抽取，不会出现重复抽取的情况，所以random.sample()的k值不能超出序列的元素个数。
• 抽取的是不同索引的元素，每次抽取，一个索引位置的元素不会再被抽取

list:样本集合
k:抽取次数

print("从0~10抽取3个数字：",random.sample(range(10), k=3))

输出：从0~10抽取3个数字： [1, 8, 2]


L = [0,1,2,3,4,5]
print("从列表L中抽取2个数字：",random.sample(L,2))
从列表L中抽取2个数字： [2, 0]

print(random.sample(['a','a'],2))
输出：['a', 'a']