Python
自动关联目录:Python
定位:胶水语言的第一选择。语法成本低、生态几乎无所不包,代价是运行慢、GIL 限制多线程、类型靠约定。
在游戏与 AI 工程里,Python 的角色非常固定:把 C++/CUDA 写的高性能模块串起来,负责数据处理、实验与自动化。写 Python 时的核心判断是——这段逻辑值不值得用 C 扩展替换。
本目录
| 笔记 | 内容 |
|---|---|
| Python 概览 | 设计取舍、数据模型、GIL、常见性能陷阱 |
什么时候不该用 Python
| 场景 | 原因 |
|---|---|
| 每帧调用的热路径 | 解释执行开销比 C++ 高一到两个数量级 |
| CPU 密集的多线程 | GIL 让多线程只能用一个核 |
| 对延迟有硬要求的实时逻辑 | GC + 动态分派带来抖动 |
| 需要精确内存布局 | 一切都是对象,内存不可控 |
对应的出路:
| 问题 | 解法 |
|---|---|
| 算得慢 | NumPy 向量化 / Numba / Cython / C 扩展 |
| 多核用不上 | multiprocessing、或用 C++ 侧并行 |
| IO 密集 | asyncio(IO 密集下 GIL 会释放,多线程是有效的) |
数据模型要点
- 一切皆对象,变量是名字到对象的绑定(不是盒子)
- 可变 vs 不可变:
list/dict/set可变,tuple/str/int/frozenset不可变 - 函数参数传递的是对象引用的拷贝——改对象内容会影响调用方,重新绑定不会
- 默认参数只会求值一次,
def f(x, acc=[])是经典陷阱
工程实践
| 实践 | 理由 |
|---|---|
每个工程独立虚拟环境(venv / conda) | 依赖隔离,避免全局污染 |
类型注解 + mypy | 动态语言里唯一能规模化重构的手段 |
logging 而不是 print | 可控级别与输出 |
用 dataclass 承载结构化数据 | 比裸 dict 可读、可校验 |
入口加 if __name__ == "__main__": | 模块可被安全导入 |
| 明确异常处理范围 | 裸 except: 会吞掉 KeyboardInterrupt |
与 C/C++ 的配合
| 方式 | 适用 |
|---|---|
ctypes | 直接调 C 动态库,零依赖 |
pybind11 | C++ 类与 STL 容器映射,最常用 |
| Cython | 写 Python 语法、编译成 C,适合加速数值代码 |
| 子进程 / 消息 | 隔离彻底,适合工具链 |
参考
许可协议:CC BY
作者:Davids
本文链接:https://hustjjd.github.io/a378bd8e.html
更新于:2026年11月16日