Python 2.7.x/3.6.x中相同float值的不同变量为何id()相同？

这是个非常典型的Python编译优化问题，咱们结合你的测试代码和运行结果来拆解背后的机制：

首先看你运行的测试代码：

f1 = 2.0
f2 = 2.0
print (id(f1), id(f2), id(f1) == id(f2))
f1 = 2.0
f2 = 2.00
print (id(f1), id(f2), id(f1) == id(f2))
f1 = 2.0
f2 = 2.0 + 0
print (id(f1), id(f2), id(f1) == id(f2))

不同Python版本的运行结果都呈现出一致规律：前两次打印的id相同，第三次不同。核心原因是编译时常量折叠和运行时计算的区别：

• 编译时常量折叠：字面量浮点数的合并
  Python的字节码编译器在处理代码时，会对直接写死的浮点数字面量做优化：如果两个字面量在编译阶段就能确定数值完全相等（比如2.0和2.00，本质是同一个值），编译器会让它们指向同一个内存对象，避免重复创建相同的浮点数实例。这就是前两个测试用例里f1和f2的id完全相同的原因。

• 运行时计算：无法提前优化的表达式
  第三个用例里的2.0 + 0是需要程序运行时才能计算的表达式，虽然结果和2.0完全一致，但Python编译器不会在编译阶段提前计算这个表达式的结果（这类跨运算的逻辑不在常量折叠的规则范围内）。所以程序运行到这一行时，会新创建一个浮点数对象存储计算结果，导致f2的id和f1不同。

和整数缓存机制的区别 #

你提到的整数-5到256缓存机制，和浮点数的这个优化有本质不同：

• 整数缓存是解释器层面的全局对象池，不管是字面量还是运行时计算出的整数，只要在-5到256范围内，都会复用同一个对象；
• 而浮点数的优化只是编译阶段的字面量合并，仅针对直接书写的字面量，运行时计算出的浮点数（哪怕数值和字面量一致）都会创建新对象，也没有固定的范围限制。

另外要注意：这种优化是CPython的实现细节，其他Python解释器（比如PyPy）可能有不同处理方式，但你的测试结果在多个CPython版本里一致，说明这个行为是稳定的。

内容的提问来源于stack exchange，提问作者V. E.