淺談Python裡面None True False之間的區別
None雖然跟True False一樣都是布林值。
雖然None不表示任何資料,但卻具有很重要的作用。
它和False之間的區別還是很大的!
例子:
>>> t = None >>> if t: ... print("something") ... else: ... print("nothing") ... nothing
區分None和False.使用is來操作!
>>> if t is None: ... print("this is None!") ... else: ... print("this is ELSE!") ... this is None! >>>
雖然是個小小的區別!但是在Python裡面是重要的。你需要將None和不含任何值的空資料結構區分開。
0值的整型/浮點型,空字串(‘ '),空列表([]),空元組({}),空集合(set())都是等價於False,但是不等於None。
現在,寫一個函式:
>>> def oj(t): ... if t is None: ... print("this is None") ... elif t: ... print("this is True") ... else: ... print("this is False") ...
進行資料測驗:
>>> oj(None) this is None >>> oj(True) this is True >>> oj(False) this is False >>> oj(0) this is False >>> oj(0.0) this is False >>> oj([]) this is False >>> oj(()) this is False >>> oj({}) this is False
以上說明,None,False,True還是有很大不同的~
補充知識:python "0.3 == 3 * 0.1" 為False的原因
一.引入
如果你在你的直譯器中輸入以下第一行程式碼:
>>> 0.3 == 3 * 0.1
False
你會發現,輸出為False。
對於CS小白而言,對此表示費解。
因此我查了相關的資料,進行了一下總結。
二.浮點演算法的問題和侷限
1.計算機硬體對於浮點數的處理方式
首先,我們必須明白一件事情。浮點數在計算機硬體中表示為基數2(二進位制)的分數。
例如:
0.125(10) == 1/10 + 2/100 + 5/1000
0.001(2) == 0/2 + 0/4 + 0/8
這兩個分數具有相同的值,唯一的實際區別是,第一個分數以10為基數的分數表示,第二個分數以2為基數。當我們輸入0.125時,計算機硬體會以第二種方式表示,而不是第一種。
但是不幸的是,大多數十進位制分數不能完全表示為二進位制分數。
結果是,通常我們輸入的十進位制浮點數僅由計算機中實際儲存的二進位制浮點數
近似。但是在十進位制不能完全表示為二進位制分數的情況下,無論多麼近似,終究不是確切值。
2.例子:對於0.1的處理
例如0.1(10),無論我們願意使用多少個2位數字,十進位制值0.1都不能精確表示為2進位制小數,即以2為底的1/10是無限重複的分數。
0.1(10) == 0.0001100110011001100110011001100110011001100110011...(2)
當我們讓它停在某個有限的位數,就可以得出一個近似值。
因為Python浮點數可使用 53位精度 ,
因此輸入十進位制數時計算機內部儲存的值0.1是
0.00011001100110011001100110011001100110011001100110011010(2)
這個值接近但是不等於1/10.
這也是造成print(0.3 == 3 * 0.1)輸出為False的原因。
如果要強制使用python輸出計算機內儲存的0.1的真實十進位制值,應該為
>>> 0.1
0.1000000000000000055511151231257827021181583404541015625
由於這一串數字實在太長了,所以Python通過顯示舍入的值來保持數字的可管理性。所以實際上我們看到是:
>>> 0.1
0.1
但是我們要明白,機器中的值不完全是1/10,這只是舍入了真實機器值的顯示。
3.一點有趣的東西
上面我們提到了Python通過顯示舍入的值來保持數字的可管理性,我們看到的只是舍入了真實機器值的顯示。通過下面的例子,我們就可以更加清楚這一事實。
當我們用python寫下下面的程式碼時,就會發現這個神奇的現象。
這本質上是二進位制浮點數:這不是Python中的bug,也不是程式碼中的bug。在支援硬體浮點算術的所有語言中,都會看到同一種東西(儘管某些語言在預設情況下或在所有輸出模式下可能不會顯示差異)。
1)0.1+0.2
>>> 0.1 + 0.2
0.30000000000000004
2)round(2.675, 2)
i)round( x [,n] )的用法
作用: 返回浮點數x的四捨五入值。
引數:
x – 數值/數值表示式。
n – 要保留的小數位數,可以省略。若省略,n預設為0,即四捨五入到整數。
ii)round( 2.675,2)
按照我們的邏輯來看,輸入round( 2.675,2 ),輸出應該為2.68。但是實際上是:
>>> round(2.675,2)
2.67
三.表示錯誤(選讀)
在這裡我們詳細說明“ 0.1”示例,並說明我們如何自己對此類情況進行準確的分析。如果你不想深究其背後的原因,下面的可以忽略。
1.表示錯誤的概念、影響和原因
(1)概念
表示錯誤是指某些(在實際中為大多數)小數部分不能完全表示為二進位制(基數為2)分數。
(2)影響
使得Python(或Perl,C,C ++,Java,Fortran和其他許多語言)經常不顯示我們所期望的確切十進位制數字。
(3)原因
如今,幾乎所有機器都使用IEEE-754浮點演算法,並且幾乎所有平臺都將Python浮點數對映到IEEE-754“雙精度”。754個double包含53位精度,因此在輸入時,計算機會努力將浮點數轉換為J / 2 ** N形式的最接近分數, 其中J是一個正好包含53位的整數。
2."0.1"的具體分析
轉化目標:1 / 10 ~= J / (2 ** N)
所以:J ~= 2 ** N / 10
1)求解N
因為J是一個正好包含53位的整數(但是實際上最後我們用的是J的近似值( >=2 ** 52 and < 2 ** 53)是通過N計算出來的),並且N是一個整數,所以我們可以得到N的最佳值是56
>>> 2**52 4503599627370496 >>> 2**53 9007199254740992 >>> 2**56/10 7205759403792793
2)求解我們要用的J的近似值
我們通過N來求解實際的J,我們實際上用的J其實是(2**N /10)四捨五入之後的值。
i)divmod(a,b)
功能: 接收兩個數字型別(非複數)引數,返回一個包含商和餘數的元組(a // b,a % b)。
引數:
a – 被除數
b – 除數
ii)求解J近似值
>>> q,r = divmod(2**56,10) >>> r 6
因為餘數為6>5,所以我們用的J的近似值是
>>> q+1
7205759403792794
3)求解"0.1"的近似值
因此,在754倍精度中,最接近1/10的最佳近似值是
7205759403792794 / 72057594037927936
【注】由於我們四捨五入,因此實際上比1/10大一點;如果我們不進行四捨五入,則商將小於1/10。但是在任何情況下都不能完全是 1/10!
4)獲取計算機儲存值
通過上面的分析,我們可以看到計算機永遠不會“看到” 1/10:它看到的是上面給出的精確分數,它可以得到的最佳754倍近似值(即J的近似值)
>>> .1 * 2**56
7205759403792794.0
如果我們將該分數乘以10 ** 30,我們可以看到其30個最高有效十進位制數字的(截斷)值:
>>> 7205759403792794 * 10**30 // 2**56
100000000000000005551115123125L
在Python 2.7和Python 3.1之前的版本中,Python將該值四捨五入為17個有效數字,即為'0.10000000000000001'。
在最新版本中,Python會基於最短的十進位制分數顯示一個值,該值會正確舍入為真實的二進位制值,並僅得出'0.1'。
以上這篇淺談Python裡面None True False之間的區別就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支援我們。