使用Python时要注意的十大陷阱

一、变量作用域的"隐形锁链"

在函数内直接修改全局变量时，Python会默认创建同名的局部变量，导致外部变量值不变。这个机制像一把隐形锁链，把变量拴死在局部作用域里。

csharp 复制代码

count = 0
def increment():
    count += 1  # 这里实际创建了局部变量count
 
increment()
print(count)  # 输出0而非预期的1

破解之道：用global关键字显式声明全局变量，或在函数参数中显式传递。更优雅的方案是封装成类，通过方法修改实例属性。

二、可变默认参数的"记忆陷阱"

函数默认参数在定义时就被实例化，这个特性像记忆面包一样，会保留每次调用的状态。

scss 复制代码

def append_item(item, items=[]):
    items.append(item)
    return items
 
print(append_item('a'))  # ['a']
print(append_item('b'))  # ['a', 'b'] 而不是新的列表

规避方案：将默认值设为None，在函数内部初始化可变对象。这种延迟初始化策略能确保每次调用都获得全新对象。

三、浮点数的"精确假象"

0.1 + 0.2 ≠ 0.3的经典问题，源于二进制浮点数的先天不足。这个数学常识在计算机世界失效，就像用像素画圆总会留下锯齿。

bash 复制代码

print(0.1 + 0.2 == 0.3)  # 输出False
print(0.1 + 0.2)          # 输出0.30000000000000004

应对策略：使用decimal模块进行精确计算，或在比较时采用误差范围判断。金融场景建议直接使用整数分存储金额。

四、循环变量的"延迟绑定"

在列表推导式或生成器表达式中，循环变量不会立即求值，而是像被施了延迟魔法，在后续迭代时才更新值。

scss 复制代码

funcs = [lambda: i for i in range(3)]
print([f() for f in funcs])  # 输出[2, 2, 2]而非[0,1,2]

解决方案：在循环体内创建即时绑定的变量副本，或使用functools.partial固定参数值。

五、异常处理的"沉默刺客"

裸露的except:语句会捕获所有异常，包括键盘中断和系统退出，这就像用渔网捕捉蝴蝶，可能意外困住致命错误。

python 复制代码

try:
    risky_operation()
except:  # 捕获所有异常
    pass    # 静默失败

最佳实践：始终指定具体异常类型，使用else和finally处理正常流程和资源清理。在日志中记录异常信息，避免错误消失于无形。

六、列表操作的"原地变形"

sort()和reverse()等方法会直接修改原列表，这种原地操作就像给数据做整形手术，没有备份版本。

ini 复制代码

original = [3,1,2]
sorted_list = original.sort()
print(sorted_list)  # 输出None，原列表已被修改

应对方式：使用sorted()函数获取新列表，或显式创建副本后再操作。在需要保留原始数据的场景，这是不可省略的步骤。

七、装饰器的"自我迷失"

当装饰器需要访问实例方法时，容易丢失self引用，就像在镜像迷宫中找不到出口。

python 复制代码

def log_calls(func):
    def wrapper(*args, **kwargs):
        print(f"Calling {func.__name__}")
        return func(*args, **kwargs)
    return wrapper
 
class MyClass:
    @log_calls
    def my_method(self):
        pass
 
obj = MyClass()
obj.my_method()  # 正常工作

当装饰器需要访问实例状态时，需在包装函数中显式处理self参数，或使用functools.wraps保留元信息。

八、GIL的"并行幻象"

全局解释器锁（GIL）让多线程在CPU密集型任务中变成串行执行，这个设计像给多核CPU戴上了紧箍咒。

ini 复制代码

import threading
 
def count(n):
    while n > 0:
        n -= 1
 
t1 = threading.Thread(target=count, args=(10**8,))
t2 = threading.Thread(target=count, args=(10**8,))
t1.start(); t2.start()
t1.join(); t2.join()

突破方案：对于I/O密集型任务，多线程仍有效；CPU密集型任务应改用多进程（multiprocessing模块）或异步编程。

九、类型转换的"自动魔术"

Python的隐式类型转换像双面刃，既提供便利也埋下隐患。例如'5' + 3不会报错，而是抛出TypeError。

python 复制代码

print(5 + '3')  # 直接报错
print('5' + str(3))  # 安全转换
print(int('5') + 3)  # 数值运算

防御策略：始终显式处理类型转换，使用类型注解配合静态检查工具（如mypy），在代码层面建立类型护城河。

十、动态类型的"自由代价"

鸭子类型的灵活性让代码更简洁，但也可能引发难以追踪的类型错误，就像给程序装上自由落体装置。

python 复制代码

def process_data(data):
    return data.upper() + str(len(data))
 
process_data(123)  # 报错：int没有upper方法

解决之道：在关键接口添加类型检查，使用isinstance()验证输入类型，或逐步引入类型注解规范代码契约。

这些陷阱不是Python的缺陷，而是其设计哲学带来的双刃剑效应。理解底层机制比死记硬背规则更重要，就像掌握武功心法而非招式套路。在代码中保持适度警惕，用类型提示、单元测试和静态分析构建防护网，就能在Python的自由天地里安全航行。记住：最好的防御不是避免所有错误，而是让错误在可控范围内发生。