小编rie*_*gue的帖子

我是一个朱莉娅新手，有一个婴儿作业要编写一个将向量的向量转换为矩阵的函数。通过迭代元素，这很容易做到。

然而，我读到广播往往效率更高。但我不确定如何在这里执行此操作，因为 .= 操作无法工作，因为它会将向量读取为 1 by n 数组，从而尝试在两个不同长度的数组上进行广播。

有办法播吗？

我的代码如下

function vecvec_to_matrix(vecvec)
    dim1 = length(vecvec)
    dim2 = length(vecvec[1])
    my_array = zeros(Int64, dim1, dim2)
    for i in 1:dim1
        for j in 1:dim2
            my_array[i,j] = vecvec[i][j]
        end
    end
    return my_array
end

在 statsmodels 中我只能找到 Ljung-Box 测试，这显然与 Box-Pierce 测试不同。我将如何在Python中使用盒子刺穿测试？

我正在尝试使用 id 来理解 python 中的默认值

def f(x=5000):
    print(id(x))
    x=40000
    print(id(x))
    print()
    

f()

f()

这给出了输出

2187265500336
2187265501488

2187265500336
2187265501488

我明白为什么第一个打印语句是相同的。这是因为默认值 x 是在定义函数时计算的。

然而，在这两种情况下，第二个 print 语句给出相同的 id 让我感到困惑，我在其他地方找不到在线答案。考虑

a=100000
print(id(a))

a=400000
print(id(a))

a=100000
print(id(a))

a=400000
print(id(a))

这给出了输出

2187265558768
2187265558608
2187265559440
2187265558032

是什么造成了这两种情况的差异？在函数内部，当我们在不同的函数调用中重新分配变量时，它会获得相同的 id，但是当我们将变量重新分配为与之前在函数外部相同的值时，不会发生这种情况

编辑回应 @Barmar 的评论和与理解 python id() uniqueness相关的问题。我有点理解，但不完全理解。我现在最好的猜测是（1）内存被保留以供将来使用，如下面示例中的注释（2）中所述，似乎有一些根本原因为什么每次都会将相同的内存分配给 x，即使其他内存也是如此内存已分配。这是因为缓存优化吗？

缓存优化意味着，在人们可能天真地认为应该获得新对象的情况下，并不总是能保证获得新对象，但这并不以任何方式违反 ID 的唯一性保证。像 int 和 str 这样的内置类型可能有一些缓存优化，但它们遵循完全相同的规则：如果它们同时存在，并且它们的 ID 相同，那么它们是同一个对象。

def f(x=5000):
    print(id(x))
    c=23000
    d=12444
    x=40000

    w=23444

    print(id(x))
    print()
    

f()

f()

2187265559440
2187265559376

2187265559440
2187265559376

这里我们分配了几个新变量，但每次重新分配时都会将相同的 id 分配给变量 x。

关于@dont just …