深度解读Python深拷贝与浅拷贝问题

在平时工作中，经常涉及到数据的传递，在数据传递使用过程中，可能会发生数据被修改的问题。为了防止数据被修改，就需要在传递一个副本，即使副本被修改，也不会影响原数据的使用。为了生成这个副本，就产生了拷贝。今天就说一下Python中的深拷贝与浅拷贝的问题。

概念普及：对象、可变类型、引用

数据拷贝会涉及到Python中对象、可变类型、引用这3个概念，先来看看这几个概念，只有明白了他们才能更好的理解深拷贝与浅拷贝到底是怎么一回事。

在Python中，对对象有一种很通俗的说法，万物皆对象。说的就是构造的任何数据类型都是一个对象，无论是数字，字符串，还是函数，甚至是模块，Python都对当做对象处理。

所有Python对象都拥有三个属性：身份、类型、值。

看一个简单的例子：

In [1]: name = "laowang" # name对象

In [2]: id(name)  # id:身份的唯一标识
Out[2]: 1698668550104

In [3]: type(name) # type:对象的类型，决定了该对象可以保存什么类型的值
Out[3]: str

In [4]: name  # 对象的值，表示的数据
Out[4]: 'laowang'

在Python中，按更新对象的方式，可以将对象分为2大类：可变对象与不可变对象。

• 可变对象：  列表、字典、集合

  所谓可变是指可变对象的值可变，身份是不变的。

• 不可变对象：数字、字符串、元组

  不可变对象就是对象的身份和值都不可变。新创建的对象被关联到原来的变量名，旧对象被丢弃，垃圾回收器会在适当的时机回收这些对象。

In [7]: var1 = "python"

In [8]: id(var1)
Out[8]: 1700782038408

#由于var1是不可变的，重新创建了java对象，随之id改变，旧对象python会在某个时刻被回收
In [9]: var1 = "java"
In [10]: id(var1)
Out[10]: 1700767578296

在 Python 程序中，每个对象都会在内存中申请开辟一块空间来保存该对象，该对象在内存中所在位置的地址被称为引用。在开发程序时，所定义的变量名实际就对象的地址引用。

引用实际就是内存中的一个数字地址编号，在使用对象时，只要知道这个对象的地址，就可以操作这个对象，但是因为这个数字地址不方便在开发时使用和记忆，所以使用变量名的形式来代替对象的数字地址。在 Python 中，变量就是地址的一种表示形式，并不开辟开辟存储空间。

就像 IP 地址，在访问网站时，实际都是通过 IP 地址来确定主机，而 IP 地址不方便记忆，所以使用域名来代替 IP 地址，在使用域名访问网站时，域名被解析成 IP 地址来使用。

通过一个例子来说明变量和变量指向的引用就是一个东西

In [11]: age = 18

In [12]: id(age)
Out[12]: 1730306752

In [13]: id(18)
Out[13]: 1730306752



  逐步深入：引用赋值

上边已经明白，引用就是对象在内存中的数字地址编号，变量就是方便对引用的表示而出现的，变量指向的就是此引用。赋值的本质就是让多个变量同时引用同一个对象的地址。 那么在对数据修改时会发生什么问题呢？

• 不可变对象的引用赋值

  对不可变对象赋值，实际就是在内存中开辟一片空间指向新的对象，原不可变对象不会被修改。

  
  原理图如下：

  
  

下面通过案例来理解一下：

a与b在内存中都是指向1的引用，所以a、b的引用是相同的

In [1]: a = 1

In [2]: b = a

In [3]: id(a)
Out[3]: 1730306496

In [4]: id(b)
Out[4]: 1730306496

现在再给a重新赋值，看看会发生什么变化？

从下面不难看出：当给a 赋新的对象时，将指向现在的引用，不在指向旧的对象引用。

In [1]: a = 1

In [2]: b = a

In [5]: a = 2

In [6]: id(a)
Out[6]: 1730306816

In [7]: id(b)
Out[7]: 1730306496

• 可变对象的引用赋值

  可变对象保存的并不是真正的对象数据，而是对象的引用。当对可变对象进行赋值时，只是将可变对象中保存的引用指向了新的对象。
  

原理图如下：

仍然通过一个实例来体会一下，可变对象引用赋值的过程。

当改变l1时，整个列表的引用会指新的对象，但是l1与l2都是指向保存的同一个列表的引用，所以引用地址不会变。

In [3]: l1 = [1, 2, 3]

In [4]: l2 = l1

In [5]: id(l1)
Out[5]: 1916633584008

In [6]: id(l2)
Out[6]: 1916633584008

In [7]: l1[0] = 11

In [8]: id(l1)
Out[8]: 1916633584008

In [9]: id(l2)
Out[9]: 1916633584008

浅拷贝就是创建一个具有相同类型，相同值但不同id的新对象。浅拷贝仅仅对对象自身创建了一份拷贝，而没有在进一步处理对象中包含的子对象值（比如列表，字典等子对象。也就是说浅拷贝对子对象不起作用，其中一个变量的子对象值被修改了，另外一个也跟着被修改。因此使用浅拷贝的典型使用场景是：对象自身发生改变的同时需要保持对象中的值完全相同，比如 list 排序。

深拷贝不仅仅拷贝了原始对象自身，也对其包含的值进行拷贝，它会递归的查找对象中包含的其他对象的引用，来完成更深层次拷贝。拷贝完成以后，两个变量为完全独立的对象，互不影响。因此，深拷贝产生的副本可以随意修改而不需要担心会引起原始值的改变。

例子
# 浅拷贝方法是copy.copy()import copya = [7, 5, 6, ['m', 'o', 'p']]b = copy.copy(a)  print(id(a), id(b))print(a is b)print(F'a,{a}与b,{b}有一样的值\n')a.append(10)print("浅COPY是值互不影响\n")print(id(a), id(b))print('a被修改为：',a)print('b没有被修改',b)a[3].append('new')print("浅COPY不能COPY子对象的值，a的子对象修改了，b也跟着修改\n")print(id(a), id(b))print('a的值也被修改为:',a)print('b的值也被修改为:',b)print(a is b)print(a[3] is b[3]) 4528962568 4528970824
False
a,[7, 5, 6, ['m', 'o', 'p']]与b,[7, 5, 6, ['m', 'o', 'p']]有一样的值
 浅COPY是值互不影响
 4528962568 4528970824
a被修改为： [7, 5, 6, ['m', 'o','p'], 10]
b没有被修改 [7, 5, 6, ['m', 'o','p']]
浅COPY不能COPY自对象的值，a的子对象修改了， b也跟着修改
 4528962568 4528970824
a的值也被修改为: [7, 5, 6, ['m', 'o','p', 'new'], 10]
b的值也被修改为: [7, 5, 6, ['m', 'o','p', 'new']]
False
True
 # 深拷贝方法是copy.deepcopy()print('深拷贝的例子\n')a = [7, 5, 6, ['m', 'o', 'p']]b = copy.deepcopy(a)print(id(a), id(b))print(a is b)print(F'a,{a}与b,{b}有一样的值\n')a.append(10)print("深COPY是值互不影响\n")print(id(a), id(b))print('a被修改为：',a)print('b没有被修改',b)a[3].append('new')print("深拷贝的子对象不会被拷贝\n")print(id(a), id(b))print('a的值也被修改为:',a)print('b的值没有被修改:',b)print(a is b)print(a[3] is b[3]) 深拷贝的例子
 4526931464 4526922760
False
a,[7, 5, 6, ['m', 'o', 'p']]与b,[7, 5, 6, ['m', 'o', 'p']]有一样的值
 深COPY是值互不影响
 4526931464 4526922760
a被修改为： [7, 5, 6, ['m', 'o','p'], 10]
b没有被修改 [7, 5, 6, ['m', 'o','p']]
深拷贝的子对象不会被拷贝
 4526931464 4526922760
a的值也被修改为: [7, 5, 6, ['m', 'o','p', 'new'], 10]
b的值没有被修改: [7, 5, 6, ['m', 'o','p']]
False
False
综上所述，关于赋值以及深浅拷贝的区别如下：如果我们把这三个事情当作夫妻关系，赋值就是模范夫妻，要变一起变、浅copy是快要离婚的夫妻，只有孩子出事才一起商量，这个孩子就是子对象，包括字典，列表等、而深copy就是孩子大了就马上离婚了的夫妻，各自happy，互不影响。

为什么Python默认的拷贝方式是浅拷贝？

• 时间角度：浅拷贝花费时间更少

• 空间角度：浅拷贝花费内存更少

• 效率角度：浅拷贝只拷贝顶层数据，一般情况下比深拷贝效率高。

  
  

  以上文章整理自网络，如果有侵权，请后台联系删除