全局变量的理解

BAMBOO1583

1. def plot_tree(my_tree, parant_pt, node_txt):
   
2.     """
   
3.     函数作用：
   
4.     :param my_tree: 决策树
   
5.     :param parant_pt: 父节点
   
6.     :param node_txt: 结点文本标签信息
   
7.     :return:
   
8.     """
   
9.     # 计算叶节点
   
10.     num_leafs = get_num_leafs(my_tree)
    
11.     # 计算深度
    
12.     depth = get_tree_depth(my_tree)
    
13.     # 第一个判断节点
    
14.     first_str = list(my_tree.keys())[0]
    
15.     # 初始化子节点的位置
    
16.     # 全局变量plot_tree.totalW存储树的宽度
    
17.     # 全局变量plot_tree.totalD存储树的高度
    
18.     cntr_pt = (plot_tree.xoff + (1.0 + float(num_leafs))/2.0/plot_tree.totalW,
    
19.                plot_tree.yoff)
    
20.     # 计算父节点和子节点的中间位置，并在此处添加文本标签信息
    
21.     plot_mid_text(cntr_pt, parant_pt, node_txt)
    
22.     plot_node(first_str, cntr_pt, parant_pt, decisionNode)
    
23.     # 第一个判断节点的value
    
24.     second_dict = my_tree[first_str]
    
25.     # 按比例减少全局变量plot_tree_yoff
    
26.     plot_tree.yoff = plot_tree.yoff - 1.0/plot_tree.totalD
    
27.     # 遍历second_dict.keys()，绘制子节点(可以是叶子结点，或判断节点)
    
28.     for key in second_dict.keys():
    
29.         # key对应的value的类型是字典(说明是判断节点)，则递归调用函数
    
30.         # 否则(说明是叶子节点)，增加X的偏移，绘制箭头，并计算中间位置，添加文本信息
    
31.         if type(second_dict[key]).__name__ == 'dict':
    
32.             plot_tree(second_dict[key], cntr_pt, str(key))
    
33.         else:
    
34.             plot_tree.xoff = plot_tree.xoff + 1.0/plot_tree.totalW
    
35.             plot_node(second_dict[key], (plot_tree.xoff, plot_tree.yoff),
    
36.                       cntr_pt, leafNode)
    
37.             plot_mid_text((plot_tree.xoff, plot_tree.yoff), cntr_pt, str(key))
    
38.     # 绘制完所有子节点之后，增加全局变量Y的偏移
    
39.     plot_tree.yoff = plot_tree.yoff + 1.0/plot_tree.totalD

复制代码

如上是一部分代码，可以运行成功，但是有个问题，plot_tree.yoff和plot_tree.xoff都是全局变量，注意这里是点(.)。
之前我的理解就是，plot_tree.yoff和plot_tree.xoff就是一个变量(一个代号)，于是我将其改为plot_tree_yoff和plot_tree_xoff(把点改为下划线)，
但是这样会设计到全局变量和局部变量的问题，有部分plot_tree.yoff和plot_tree.xoff显示未“灰色”，所以这就表明这不是一个简单的变量。
望解惑，谢谢。

万中山

外部定义的变量，如果在函数内部重新去定义或者引用这个同名变量的时候，python是在内存中开辟一个新的内存地址来保存这个变量，但是两个同名的变量在内存中指向的地址是不同的。
如果需要在函数内部修改外部全局变量需要用global来声明该变量非局部变量。如：
>>> num = 1
>>> id(num)
1679083648
>>> def func():
        global num
        num = 2
        print(id(num))
        print(num)

       
>>> id(num)
1679083648
>>> func()
1679083664
2
>>> num
2
>>>

BAMBOO1583

万中山 发表于 2019-4-9 17:49
外部定义的变量，如果在函数内部重新去定义或者引用这个同名变量的时候，python是在内存中开辟一个新的内存 ...

你说的这种全局变量和局部变量，我是知道的，我说的不是这个意思。如下代码：

1. def plot_tree(my_tree, parant_pt, node_txt):
   
2.     """
   
3.     函数作用：
   
4.     :param my_tree: 决策树
   
5.     :param parant_pt: 父节点
   
6.     :param node_txt: 结点文本标签信息
   
7.     :return:
   
8.     """
   
9.     # 计算叶节点
   
10.     num_leafs = get_num_leafs(my_tree)
    
11.     # 计算深度
    
12.     depth = get_tree_depth(my_tree)
    
13.     # 第一个判断节点
    
14.     first_str = list(my_tree.keys())[0]
    
15.     # 初始化子节点的位置
    
16.     # 全局变量plot_tree.totalW存储树的宽度
    
17.     # 全局变量plot_tree.totalD存储树的高度
    
18.     cntr_pt = (plot_tree.xoff + (1.0 + float(num_leafs))/2.0/plot_tree.totalW,
    
19.                plot_tree.yoff)
    
20.     # 计算父节点和子节点的中间位置，并在此处添加文本标签信息
    
21.     plot_mid_text(cntr_pt, parant_pt, node_txt)
    
22.     plot_node(first_str, cntr_pt, parant_pt, decisionNode)
    
23.     # 第一个判断节点的value
    
24.     second_dict = my_tree[first_str]
    
25.     # 按比例减少全局变量plot_tree.yoff
    
26.     plot_tree.yoff = plot_tree.yoff - 1.0/plot_tree.totalD
    
27.     # 遍历second_dict.keys()，绘制子节点(可以是叶子结点，或判断节点)
    
28.     for key in second_dict.keys():
    
29.         # key对应的value的类型是字典(说明是判断节点)，则递归调用函数
    
30.         # 否则(说明是叶子节点)，增加X的偏移，绘制箭头，并计算中间位置，添加文本信息
    
31.         if type(second_dict[key]).__name__ == 'dict':
    
32.             plot_tree(second_dict[key], cntr_pt, str(key))
    
33.         else:
    
34.             plot_tree.xoff = plot_tree.xoff + 1.0/plot_tree.totalW
    
35.             plot_node(second_dict[key], (plot_tree.xoff, plot_tree.yoff),
    
36.                       cntr_pt, leafNode)
    
37.             plot_mid_text((plot_tree.xoff, plot_tree.yoff), cntr_pt, str(key))
    
38.     # 绘制完所有子节点之后，增加全局变量Y的偏移
    
39.     plot_tree.yoff = plot_tree.yoff + 1.0/plot_tree.totalD
    
40. 
    
41. 
    
42. def create_plot(in_tree):
    
43.     """
    
44.     函数作用：创建新图形并清空绘图区，在绘图区绘制决策节点和叶节点
    
45.     :param in_tree: 决策树
    
46.     :return:
    
47.     """
    
48.     # 创建窗口
    
49.     fig = plt.figure(1, facecolor='white')
    
50.     # 清空绘图区
    
51.     fig.clf()
    
52.     # 创建空字典
    
53.     axprops = dict(xticks=[], yticks=[])
    
54.     # 创建子图的绘图区
    
55.     create_plot.axl = plt.subplot(111, frameon=False, **axprops)
    
56.     # 全局变量plot_tree.totalW存储决策树的宽度
    
57.     # 全局变量plot_tree.totalD存储决策树的高度
    
58.     # 全局变量plot_tree.xoff存储决策树节点的x坐标
    
59.     # 全局变量plot_tree.yoff存储决策树节点的y坐标
    
60.     plot_tree.totalW = float(get_num_leafs(in_tree))
    
61.     plot_tree.totalD = float(get_tree_depth(in_tree))
    
62.     plot_tree.xoff = -0.5/plot_tree.totalW
    
63.     plot_tree.yoff = 1.0
    
64.     plot_tree(in_tree, (0.5, 1.0), '')  # 决策树的起点：(0.5,1.0)
    
65.     # 调用"绘制带箭头的注解"函数
    
66.     # plot_node('decisionNodes', (0.5, 0.1), (0.1, 0.5), decisionNode)
    
67.     # plot_node('leafNodes', (0.8, 0.1), (0.3, 0.8), leafNode)
    
68.     plt.show()

复制代码

可以主要看plot_tree.yoff这个变量，两个函数都有这个变量，在create_plot（）函数中初始化为1.0，然后就在plot_tree（）函数中引用这个变量，值得注意的是，在这个函数中没有初始化这个变量，也没有global，可以直接引用。网盘通过debug查看plot_tree.yoff的值变化，发现plot_tree.yoff的值是从create_plot（）传递到plot_tree（）中的，这就有点像全局变量了