Python3中延时变量和free_list链表的区别是什么

今天小编给大家分享一下Python3中延时变量和free_list链表的区别是什么的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。

1、概念

1、区别

        在Python3中，"延时变量" 和 "free_list链表" 是两个不同的概念，他们之间没有直接联系。

2、延时变量（Lazy evaluation）

        延时变量是指在某些情况下，Python不会立即计算表达式的值，而是等到需要用到这个值的时候在进行计算。这种方式称为 "惰性计算" 或 "延时计算"。

      例如：生成器（generator）就是一种延时计算的方式。

当创建一个生成器对象时，它不会立即生成所有的值，而是在需要时逐个生成，这种方式的优点是：节省内存空间和计算资源

3. free_list链表

        free_list 链表 是Python3中的一个内存管理机制。采用了垃圾回收机制来自动管理内存空间，其中free_list链表是一种可以重复利用已经分配但未被使用的内存块的机制。

   当创建一个新对象时，Python会分配一块内存空间，并将其标记为已使用。当对象不在被引用时，Python会自动将其标记为未使用，并将其添加到free_list链表中。当下次创建对象时，Python会首先检查free_list链表中是否有可重复利用的内存块，从而避免不必要的内存分配和释放操作。

2、示例

1. 延时变量示例

        在这个示例中，定义了一个生成器函数

fibonacci()

，实现了斐波那契数列的生成逻辑。当我们创建一个生成器对象

fib

时，它不会立即生成所有的斐波那契数列数值，而是在需要时逐个生成。在这里，我们使用了

next()

函数来获取下一个斐波那契数列数值。

# 定义一个生成器，实现斐波那契数列
def fibonacci():
    a, b = 0, 1
    while True:
        yield a
        a , b = b, a+b
#创建一个生成器对象
fib = fibonacci()
#打印前 10 个斐波那契数列数值
for i in range(10):
    print(next(fib))
'''
执行结果如下：
0
1
1
2
3
5
8
13
21
34
'''

2.free_list链表

        在这个示例中，我们先创建了两个相同的列表对象

a

和

b

，并打印它们的内存地址。然后，我们将

a

对象从内存中删除，并使用

gc.collect()

强制进行垃圾回收。接着，我们创建了一个新的列表对象

c

，并打印它的内存地址。最后，我们使用

sys.getsizeof([])

函数检查 free_list 链表中是否有可重复利用的内存块

import sys
import gc
#创建两个相同的列表对象
a = [1, 2, 3]
b = [1, 2, 3]
#打印a和b对象的内存地址
print("a 的内存地址：", id(a))
print("b 的内存地址：", id(b))
#将a 对象从内存中删除
del a
# 创建一个新的列表对象 c
# 强制进行垃圾回收
gc.collect()
c = [1, 2, 3]
#打印 c 对象的内存地址
print("c 的内存地址：", id(c))
 
#检查 free_list 链表中是否有可重复利用的内存块
print("free_list 链表：", sys.getsizeof([]))
'''
执行结果如下：
a 的内存地址： 22203400
b 的内存地址： 22201928
c 的内存地址： 21904648
free_list 链表： 64
'''

  

  gc.collect()

可以强制进行垃圾回收，但并不意味着内存会立即被清空。Python 中的内存管理是由解释器和操作系统共同管理的，具体的内存分配和回收时机也受到多种因素的影响，如垃圾回收器算法、系统内存使用情况等。

     在上面的示例中，当我们删除

a

对象并调用

gc.collect()

进行垃圾回收时，Python 解释器会将

a

对象所占用的内存标记为可回收状态，并将其添加到垃圾回收器的待回收列表中。但是，这并不意味着内存立即被回收，而是在垃圾回收器的下一轮回收时才会被清理。

      另外，即使

a

对象所占用的内存被回收了，也不一定意味着该内存空间被立即释放，因为 Python 中的内存管理采用了一种延迟分配的机制，即只有当需要申请更多内存时，Python 才会向操作系统请求分配新的内存空间。因此，在上面的示例中，虽然

a

对象的内存空间可能已经被回收，但该内存空间可能仍然被 Python 解释器保留以供未来使用，从而避免不必要的内存分配和释放开销。

        需要注意的是，即使

a

、

b

、

c

三个对象的内存地址不重复，也并不意味着它们占用的内存空间不会重叠。这是因为，Python 中的内存管理方式是以对象为单位进行分配和管理的，每个对象占用的内存空间可能是不连续的，因此不同对象的内存空间可能会部分重叠。