Python類的動(dòng)態(tài)綁定實(shí)現(xiàn)原理
使用實(shí)例引用類的屬性時(shí),會發(fā)生動(dòng)態(tài)綁定。即python會在實(shí)例每次引用類屬性時(shí),將對應(yīng)的類屬性綁定到實(shí)例上。
動(dòng)態(tài)綁定的例子:
class A:
def test1(self):
print("hello")
def test2(self):
print("world")
def bound():
a = A()
a.test1()
A.test1 = A.test2
a.test1()
if __name__ == "__main__":
bound()
輸出結(jié)果:
hello2 world
從上述代碼中可以看到,類方法的變化是實(shí)時(shí)影響實(shí)例對方法的調(diào)用的,這說明python是在實(shí)例調(diào)用方法的過程中動(dòng)態(tài)地查找類方法。
動(dòng)態(tài)綁定的代價(jià):
class A:
def test(self):
pass
def one_loop(limited_time):
a = A()
for i in range(limited_time):
a.test()
f = a.test
for i in range(limited_time):
f()
上圖兩個(gè)循環(huán)中,一個(gè)調(diào)用a.test(),不斷進(jìn)行動(dòng)態(tài)綁定,另一個(gè)則先把a(bǔ).test賦值給f,只有一次動(dòng)態(tài)綁定,通過對兩個(gè)循環(huán)計(jì)時(shí),測試動(dòng)態(tài)綁定的代價(jià)。
輸出結(jié)果:

1 [0.0, 0.0, 0.0, 0.0, 0.0, 0.0009999275207519531, 0.008995771408081055, 0.19991111755371094, 1.2715933322906494, 15.831915855407715]
2 [0.0, 0.0, 0.0, 0.0, 0.0, 0.12503726671039295, 0.09472344399590288, 0.1999776288967874, 0.131608969147562, 0.1553209370384522]
折線圖中橫坐標(biāo)為log10(循環(huán)次數(shù)),縱坐標(biāo)為秒數(shù)。
輸出數(shù)據(jù)中,第一行為動(dòng)態(tài)綁定和一次綁定耗費(fèi)時(shí)間的差值,第二行為差值占動(dòng)態(tài)綁定總時(shí)間的比例。
可以看出,在次數(shù)很小的時(shí)候,兩者基本沒有差距,或者說差距忽略不計(jì)。
在10^7次循環(huán),即千萬次循環(huán)的時(shí)候,動(dòng)態(tài)綁定與靜態(tài)綁定的耗費(fèi)時(shí)間才出現(xiàn)了明顯差異,當(dāng)循環(huán)次數(shù)達(dá)到十億級的時(shí)候,耗費(fèi)時(shí)間相差15秒之多,約占總時(shí)間的15%。
由上可知,動(dòng)態(tài)綁定效率低于靜態(tài)綁定,但由于綁定代價(jià)耗時(shí)很少,在次數(shù)很少的時(shí)候基本沒有影響。
動(dòng)態(tài)綁定的優(yōu)點(diǎn):
class A:
def test_hello(self):
print("hello")
def test_world(self):
print("world")
def main():
s = A()
# 提前綁定
f = s.test_hello
# 改變方法
A.test_hello = test_world
f()
# 動(dòng)態(tài)綁定
s.test_hello()
if __name__ == "__main__":
main()
輸出結(jié)果:
hello2 world
類方法的變動(dòng)能夠?qū)崟r(shí)反應(yīng)在動(dòng)態(tài)綁定上,而提前綁定則無法感知到類方法的變動(dòng)。
總結(jié):
1. 一次動(dòng)態(tài)綁定代價(jià)很小,當(dāng)綁定次數(shù)少的時(shí)候基本不影響效率,當(dāng)綁定次數(shù)達(dá)到千萬級時(shí)影響才會很顯著。
2. 動(dòng)態(tài)綁定實(shí)時(shí)跟蹤類方法的變動(dòng),更具靈活性。
以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Python灰度變換中位圖切割分析實(shí)現(xiàn)
灰度變換是指根據(jù)某種目標(biāo)條件按一定變換關(guān)系逐點(diǎn)改變源圖像中每個(gè)像素灰度值的方法。目的是改善畫質(zhì),使圖像顯示效果更加清晰。圖像的灰度變換處理是圖像增強(qiáng)處理技術(shù)中的一種非?;A(chǔ)、直接的空間域圖像處理方法,也是圖像數(shù)字化軟件和圖像顯示軟件的一個(gè)重要組成部分2022-10-10
Nginx+Uwsgi+Django 項(xiàng)目部署到服務(wù)器的思路詳解
這篇文章主要介紹了Nginx+Uwsgi+Django 項(xiàng)目部署到服務(wù)器的思路,本文通過實(shí)例代碼給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-05-05
Python深度學(xué)習(xí)之Keras模型轉(zhuǎn)換成ONNX模型流程詳解
這篇文章主要介紹了Python深度學(xué)習(xí)之Keras模型轉(zhuǎn)換成ONNX模型流程,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)吧2022-09-09
Python數(shù)據(jù)類型之String字符串實(shí)例詳解
這篇文章主要介紹了Python數(shù)據(jù)類型之String字符串,結(jié)合實(shí)例形式詳細(xì)講解了Python字符串的概念、定義、連接、格式化、轉(zhuǎn)換、查找、截取、判斷等常見操作技巧,需要的朋友可以參考下2019-05-05
python 對任意數(shù)據(jù)和曲線進(jìn)行擬合并求出函數(shù)表達(dá)式的三種解決方案
這篇文章主要介紹了python 對任意數(shù)據(jù)和曲線進(jìn)行擬合并求出函數(shù)表達(dá)式的三種解決方案,本文通過實(shí)例代碼給大家介紹的非常詳細(xì),具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-02-02
python新手經(jīng)常遇到的17個(gè)錯(cuò)誤分析
這篇文章主要介紹了python新手經(jīng)常遇到的17個(gè)錯(cuò)誤分析,需要的朋友可以參考下2014-07-07
Numpy截取指定范圍內(nèi)的數(shù)據(jù)方法
今天小編就為大家分享一篇Numpy截取指定范圍內(nèi)的數(shù)據(jù)方法,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧2018-11-11

