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
pybind11C++ 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