当前位置:首页 > 文章列表 > 文章 > python教程 > Python collections.deque 的 maxlen 参数在 appendleft/append 时的行为

Python collections.deque 的 maxlen 参数在 appendleft/append 时的行为

2026-02-06 13:27:14 0浏览 收藏

大家好,我们又见面了啊~本文《Python collections.deque 的 maxlen 参数在 appendleft/append 时的行为》的内容中将会涉及到等等。如果你正在学习文章相关知识,欢迎关注我,以后会给大家带来更多文章相关文章,希望我们能一起进步!下面就开始本文的正式内容~

maxlen为None时append/appendleft不裁剪元素;为正整数时append右进左出、appendleft左进右出;maxlen=0则静默丢弃所有元素;两者性能差异极小但访问模式影响缓存效率。

Python collections.deque 的 maxlen 参数在 appendleft/append 时的行为

maxlen 为 None 时 appendleft/append 不会丢弃元素

当 deque 初始化时传入 maxlen=None(默认值),它就退化为无界双端队列。此时调用 append() 或 appendleft() 永远不会触发自动裁剪,元素只增不减,内存占用随数据线性增长。

常见误判是以为 maxlen=None 等价于“不限制但保留裁剪逻辑”,实际它完全绕过长度检查——源码里对应分支直接跳过 if self->maxlen != Py_None 的判断。

maxlen 为正整数时 append 从右端挤出左端元素

append() 在满容状态下会先执行“右进左出”:新元素追加到右端,同时最左端的元素被 silently 移除。这个行为对 FIFO 场景很自然,但容易忽略它和 appendleft() 的不对称性。

例如:

from collections import deque
d = deque([1, 2, 3], maxlen=3)
d.append(4)  # → deque([2, 3, 4])
d.appendleft(0)  # → deque([0, 2, 3])

关键点:

  • append() 挤出的是 d[0](最旧元素)
  • appendleft() 挤出的是 d[-1](最新加入的右端元素)
  • 挤出动作不可逆,没有回调或事件通知

maxlen=0 时所有 append/appendleft 都不存数据

这是最容易被忽略的边界情况:maxlen=0 会让 deque 变成“黑洞队列”——任何 append() 或 appendleft() 都立即丢弃输入,len(d) 始终为 0,且 list(d) 返回空列表。

它不是报错,也不是阻塞,而是静默吞掉一切。适合做占位符或临时丢弃缓冲,但若误设为 0,会导致上游逻辑“以为数据已入队”而实际全丢失。

验证方式:

d = deque(maxlen=0)
d.append(1)
d.appendleft(2)
print(len(d), list(d))  # 输出:0 []

append 和 appendleft 在 maxlen 下的性能差异很小但存在

两者在满容状态下的时间复杂度都是 O(1),但底层实现略有不同:append() 直接复用右端指针偏移 + 覆盖左端槽位;appendleft() 需要更新左端指针并覆盖右端槽位。实测百万次操作差异在毫秒级,通常可忽略。

真正影响性能的是频繁触发裁剪带来的缓存局部性下降——尤其当 maxlen 很小(如 2~5)又高频增删时,CPU cache line 反复换入换出,比单纯看函数名更值得观察。

如果你在热循环里用 deque 做滑动窗口,优先用 append() + popleft() 组合,它比交替调用 appendleft() 和 pop() 更贴近硬件访问模式。

好了,本文到此结束,带大家了解了《Python collections.deque 的 maxlen 参数在 appendleft/append 时的行为》,希望本文对你有所帮助!关注golang学习网公众号,给大家分享更多文章知识!

电脑开机提示PXE-E61 Media test failure【启动顺序】电脑开机提示PXE-E61 Media test failure【启动顺序】
上一篇
电脑开机提示PXE-E61 Media test failure【启动顺序】
喝水过多会不会伤身体 喝水健康注意事项
下一篇
喝水过多会不会伤身体 喝水健康注意事项
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    415次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    495次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    503次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    449次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    281次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码