Как Python обрабатывает изменяемые аргументы по умолчанию и в чём типичная ошибка?

Изменяемые аргументы по умолчанию в Python

В Python значение аргумента по умолчанию вычисляется один раз — в момент определения функции, а не при каждом её вызове. Это означает, что если передать изменяемый объект (список, словарь, множество), все вызовы функции будут разделять один и тот же объект.

Демонстрация проблемы

def append_item(item, container=[]):
    container.append(item)
    return container

print(append_item(1))  # [1]
print(append_item(2))  # [1, 2]  -- неожиданно!
print(append_item(3))  # [1, 2, 3]

Список container создаётся один раз при компиляции тела функции и сохраняется как атрибут объекта функции: append_item.__defaults__. Каждый вызов работает с одним и тем же объектом.

Проверка через __defaults__

def broken(x=[]):
    x.append(1)
    return x

print(broken.__defaults__)  # ([],)
broken()
print(broken.__defaults__)  # ([1],)  -- объект изменился!

Правильный паттерн — sentinel None

def append_item(item, container=None):
    if container is None:
        container = []
    container.append(item)
    return container

print(append_item(1))  # [1]
print(append_item(2))  # [2]  -- новый список каждый раз

Использование None в качестве sentinel — стандарт де-факто в Python. Аналогично для словарей и множеств:

from typing import Optional

def register(
    name: str,
    tags: Optional[list[str]] = None,
    metadata: Optional[dict[str, str]] = None,
) -> dict:
    if tags is None:
        tags = []
    if metadata is None:
        metadata = {}
    return {"name": name, "tags": tags, "meta": metadata}

Когда изменяемый default может быть намеренным

Иногда разработчики намеренно используют изменяемые defaults как простой кеш:

def fibonacci(n, _cache={}):
    if n in _cache:
        return _cache[n]
    if n <= 1:
        return n
    result = fibonacci(n - 1) + fibonacci(n - 2)
    _cache[n] = result
    return result

Такой приём работает, но лучше использовать functools.lru_cache или явный атрибут класса — код становится прозрачнее.

Dataclasses и field(default_factory)

В dataclasses нельзя напрямую указать изменяемый default — Python выбросит ValueError. Нужно использовать field(default_factory=...):

from dataclasses import dataclass, field

@dataclass
class Config:
    tags: list[str] = field(default_factory=list)
    options: dict[str, str] = field(default_factory=dict)

Подводные камни

• Ошибка проявляется не сразу: первый вызов выглядит корректно, проблема видна только со второго.
• Дефолты хранятся в __defaults__ (позиционные) и __kwdefaults__ (keyword-only). Их можно случайно сломать, присвоив func.__defaults__ = (...).
• Методы класса не защищены от этой проблемы — дефолт тоже вычисляется один раз при определении класса.
• Лямбды с изменяемыми defaults: f = lambda x=[]: x.append(1) — та же ловушка, менее заметная.
• Тесты могут проходить в изоляции, но падать при запуске всего набора — порядок тестов влияет на состояние дефолта.
• При использовании functools.partial с изменяемым аргументом проблема сохраняется, так как partial сохраняет ссылку на тот же объект.
• Линтер pylint выдаёт W0102: dangerous-default-value, flake8 с плагином flake8-bugbear — предупреждение B006. Включайте эти проверки в CI.

• Описывать mutable default arguments только как термин и не показывать механизм на минимальном примере.
• Игнорировать ошибки, пустые данные, конкурентный доступ или границы транзакции.
• Не связывать поведение с официальным контрактом Python и реальной эксплуатацией.

• Объясняет mutable default arguments через последовательность действий, а не через набор ключевых слов.
• Приводит короткий кодовый пример или production-сценарий с ожидаемым поведением.
• Называет хотя бы один риск: производительность, безопасность, транзакции, память или сопровождение.