跳至主要内容

Javascript | 从swap函数思考js中的参数传递


事情是这样的,有一天,林逍遥同学在学js的时候,想要用js写一个swap函数,她是这么写的:
但是结果输出来之后,她发现事情并没有这么简单:a还是等于1,b还是等于2.

她赶紧翻了一下《Javascript高级程序设计》,发现里面有一段话:
  • ECMAScript中所有函数的参数都是按值传递的。 
  • 传递基本类型的值时,被传递是值会被复制给一个局部变量(即命名参数)。
  • 传递引用类型的值时,会把这个值在内存中的地址复制给一个局部变量,因此这个局部变量的变化会反应在函数的外部。 
原来如此,已知a,b是两个基本类型的变量,当把a,b传入swap函数的时候,会生成两个新的局部变量,分别存储a,b的值,也相当于它们的副本,虽然值跟a,b是一样的,但在内存中的地址却是不同的,所以在swap函数里面做的改变并不会影响a,b的值,也就谈不上交换了。

综上所述,不可能写一个swap函数来交换两个基本类型的值。

不过对于引用类型的值(数组,对象),却是可以通过函数改变它们的值的。

当把person复制给xy时,同样也会把存储在person中的值复制一份给xy,不过,person存储的值并不是一个对象,而是这个对象的地址(也就是指针),因此复制的其实是地址值。复制操作结束后,person和xy将指向内存中的同一个地址。
所以在xy上做的改变。也会反映到person上面。
同样地,在传递参数的时候,相当于临时创建了一个局部变量,把person的地址也复制给了这个局部变量,因此在函数内部做的改变会反应到person上。
但是,在函数中对参数赋新值,不会影响到函数外部。
给参数赋值一个新的对象,相当于把参数指向另一块地址,所以不会对person产生影响。



总结:js中参数的传递都是按值传递,不过基本类型变量传递的是变量值,引用类型变量传递的是地址。


题外话:如何用一句话代码交换a,b的值?
b={x:a,y:(a=b)}.x;
js文化真是博大精深哪!

评论

此博客中的热门博文

算法 | 堆排序(heap sort)

    注:本文只讨论最大堆排序,最小堆排序同理 一 . 堆   堆(heap)可以定义为一棵 完全 二叉树,并且这棵树的每一个节点都大于或等于它的子女节点。  最大堆长这样子: 堆的特性 一棵n节点的 完全 二叉树,其高度为$$\lfloor \log_{2}n\rfloor$$ 堆的每一个节点都大于等于它的子女节点。 可以用数组来实现堆。留空H[0],然后在H[1]到H[n]中存在堆元素。留空H[0]的目的是为了让之后的堆排序更加的方便。 所有父母节点的键会在数组的前$$\lfloor n/2 \rfloor$$ 个位置中,而叶子节点会占据后面的$$\lceil n/2 \rceil$$个位置。 在数组中,对于每一个位于父母位置i的键来说,它的子女会位于2i和2i+1 对于一个位于位置i的键来说它的父母将会位于$$\lfloor i/2 \rfloor$$ 如何生成堆 自底向上堆构造(bottom-up heap construction): 对每个父母节点进行父母优势检查: 从最后的父母节点开始,到根为止,检查这些节点的键是否满足父母优势要求。 如果该节点不满足,就把该节点的键K与它子女的最大键进行交换。 然后再检查新位置上,K是不是满足父母的优势要求。 效率: 最坏情况下,每个位于树第i层的节点都要移动到树的最底层h,因为移动一层需要两次键值比较,因此移动到h层需要 2(h-i) 次键值比较,所以总键值比较次数为: 自顶向下堆构造(top-down heap construction): 把新的键连续插入到已经预先构造好的堆: 把包含k附加到堆的最后一个叶节点的后面。 拿k与它的父母节点作比较,如果k刚好小于它的父母节点,则算法停止。 否则,交换k和其父母节点的位置 重复2,3步骤直到k不大于它的父母,或者到达了根为止。 效率: 因为包含n个节点的树的高度大约是 log n ,因此每次插入的时间效率属于 O(log n) 总时间效率叠加即可。 二. 堆排序 堆排序的思路很简单: 把数组构造成堆,此时根是最大值。 把根从堆中“移除”,即把...

算法 | 用Javascript实现快速排序(quicksort)

最近在学各种排序算法,刚好写成几篇文记录下来,方便以后查看。 快速排序(quicksort)的主要思想就是:选择一个基准元素,把小于基准的元素全部移到左边,大于基准的元素移到右边。然后对左边和右边的元素分别再进行排序,如此循环到每个小分组只剩下一个元素为止。 对元素的划分有两种算法。一个是Lomuto算法。 把第一个元素作为基准元素。从第二个开始遍历余下的元素,a[i]>=p则继续往前走,当遇到一个小于p的元素时,就停下来,将s增加1,再交换a[s],a[i]的元素。这样就保证比p小的元素永远在左边,比p大的元素永远再右边。 循环结束后,再交换a[s]和a[left]的值。使基准元素成为分界点。 另一个算法是Hoare算法。Hoare就是提出快速排序思想的人,图灵奖得主。 变量i跟踪小于基准的元素,从左到右遍历,遇到大于等于基准的元素就停下来。j跟踪大于基准的元素,从右到左遍历,遇到小于基准的元素就停下来,然后交换a[i]和a[j]。直到i,j相遇。再把基准元素和a[j]交换。比较麻烦的就是每次都要判断i是否溢出。 两个划分算法效率是一样的,个人认为Lomuto算法比较容易理解。 有了划分算法之后,要写快速排序就容易多了。 下面是用js写的原地排序( in-place) : 还有另一种比较有js特色的快速排序实现,代码如下: 第二种快速排序实现有一个很大的缺点,就是很耗内存,对一个有n个元素的数组进行排序,每一次递归都要新建两个数组来存放两边的元素,最好情况下递归循环 log n 次,每次需要 n 个元素的空间,因此需要额外 n(log n) 的空间,加上创建数组需要一些额外开销。因此这种方法对于大数组而言就不合适了。 关于快速排序的效率: 最好情况下,每次都刚好平均分为两个相同长度的分组,递归循环 log n 次, 键值比较次数为 C(n)=2*C(n/2)+n,C(1)=0 最坏情况下,每次数组都会分成一边长度为0,一边长度为n-1的两个分组,递归循环  n-1 次,键值比较次数为 n+(n-1)+(n-2)+……+1 平均情况下,键值比较次数约等于 1.39nlog n     所以它们的效率分别是: 关于快速排序的优化: 更好的基准元素选择方...