Illustrations by Leon Tukker

在平時工作中，經(jīng)常涉及到數(shù)據(jù)的傳遞，在數(shù)據(jù)傳遞使用過程中，可能會發(fā)生數(shù)據(jù)被修改的問題。為了防止數(shù)據(jù)被修改，就需要在傳遞一個副本，即使副本被修改，也不會影響原數(shù)據(jù)的使用。為了生成這個副本，就產(chǎn)生了拷貝。今天就說一下Python中的深拷貝與淺拷貝的問題。

數(shù)據(jù)拷貝會涉及到Python中對象、可變類型、引用這3個概念，先來看看這幾個概念，只有明白了他們才能更好的理解深拷貝與淺拷貝到底是怎么一回事。

在Python中，對對象有一種很通俗的說法，萬物皆對象。說的就是構(gòu)造的任何數(shù)據(jù)類型都是一個對象，無論是數(shù)字，字符串，還是函數(shù)，甚至是模塊，Python都對當做對象處理。

所有Python對象都擁有三個屬性：身份、類型、值。

看一個簡單的例子：

在Python中，按更新對象的方式，可以將對象分為2大類：可變對象與不可變對象。

• 可變對象：  列表、字典、集合

  所謂可變是指可變對象的值可變，身份是不變的。

• 不可變對象：數(shù)字、字符串、元組

  不可變對象就是對象的身份和值都不可變。新創(chuàng)建的對象被關(guān)聯(lián)到原來的變量名，舊對象被丟棄，垃圾回收器會在適當?shù)臅r機回收這些對象。

In [7]: var1 = 'python'

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

#由于var1是不可變的，重新創(chuàng)建了java對象，隨之id改變，舊對象python會在某個時刻被回收
In [9]: var1 = 'java'
In [10]: id(var1) 
Out[10]: 1700767578296

在 Python 程序中，每個對象都會在內(nèi)存中申請開辟一塊空間來保存該對象，該對象在內(nèi)存中所在位置的地址被稱為引用。在開發(fā)程序時，所定義的變量名實際就對象的地址引用。

引用實際就是內(nèi)存中的一個數(shù)字地址編號，在使用對象時，只要知道這個對象的地址，就可以操作這個對象，但是因為這個數(shù)字地址不方便在開發(fā)時使用和記憶，所以使用變量名的形式來代替對象的數(shù)字地址。 在 Python 中，變量就是地址的一種表示形式，并不開辟開辟存儲空間。

就像 IP 地址，在訪問網(wǎng)站時，實際都是通過 IP 地址來確定主機，而 IP 地址不方便記憶，所以使用域名來代替 IP 地址，在使用域名訪問網(wǎng)站時，域名被解析成 IP 地址來使用。

通過一個例子來說明變量和變量指向的引用就是一個東西

上邊已經(jīng)明白，引用就是對象在內(nèi)存中的數(shù)字地址編號，變量就是方便對引用的表示而出現(xiàn)的，變量指向的就是此引用。賦值的本質(zhì)就是讓多個變量同時引用同一個對象的地址。  那么在對數(shù)據(jù)修改時會發(fā)生什么問題呢？

• 不可變對象的引用賦值

  對不可變對象賦值，實際就是在內(nèi)存中開辟一片空間指向新的對象，原不可變對象不會被修改。

  
  原理圖如下：

下面通過案例來理解一下：

a與b在內(nèi)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

現(xiàn)在再給a重新賦值，看看會發(fā)生什么變化？

從下面不難看出：當給a 賦新的對象時，將指向現(xiàn)在的引用，不在指向舊的對象引用。

• 可變對象的引用賦值

  可變對象保存的并不是真正的對象數(shù)據(jù)，而是對象的引用。當對可變對象進行賦值時，只是將可變對象中保存的引用指向了新的對象。
  

原理圖如下：

仍然通過一個實例來體會一下，可變對象引用賦值的過程。

當改變l1時，整個列表的引用會指新的對象，但是l1與l2都是指向保存的同一個列表的引用，所以引用地址不會變。

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

經(jīng)過前2部分的解讀，大家對對象的引用賦值應(yīng)該有了一個清晰的認識了。

下面大家思考一個這樣的問題：Python中如何解決原始數(shù)據(jù)在函數(shù)傳遞之后不受影響了？

這個問題Python已經(jīng)幫我們解決了，使用對象的拷貝或者深拷貝就可以愉快的解決了。

下面具體來看看Python中的淺拷貝與深拷貝是如何實現(xiàn)的。

• 淺拷貝：

  為了解決函數(shù)傳遞后被修改的問題，就需要拷貝一份副本，將副本傳遞給函數(shù)使用，就算是副本被修改，也不會影響原始數(shù)據(jù) 。

不可變對象只在修改的時候才會在內(nèi)存中開辟新的空間， 而拷貝實際上是讓多個對象同時指向一個引用，和對象的賦值沒區(qū)別。

同樣的，通過一個實例來感受一下：不難看出，a與b指向相同的引用，不可變對象的拷貝就是對象賦值。

對于不可變對象的拷貝，對象的引用并沒有發(fā)生變化，那么可變對象的拷貝會不會和不可變對象一樣了？我們接著往下看。

通過下面這個實例可以看出：可變對象的拷貝，會在內(nèi)存中開辟一個新的空間來保存拷貝的數(shù)據(jù)。當再改變之前的對象時，對拷貝之后的對象沒有任何影響。

In [24]: import copy

In [25]: l1 = [1, 2, 3]

In [26]: l2 = copy.copy(l1)

In [27]: id(l1)
Out[27]: 1916631742088

In [28]: id(l2)
Out[28]: 1916636282952

In [29]: l1[0] = 11

In [30]: id(l1)
Out[30]: 1916631742088

In [31]: id(l2)
Out[31]: 1916636282952

原理圖如下：

現(xiàn)在再回到剛才那個問題，是不是淺拷貝就可以解決原始數(shù)據(jù)在函數(shù)傳遞之后不變的問題了？下面看一個稍微復(fù)雜一點的數(shù)據(jù)結(jié)構(gòu)。

通過下面這個實例可以發(fā)現(xiàn)：復(fù)雜對象在拷貝時，并沒有解決數(shù)據(jù)在傳遞之后，數(shù)據(jù)改變的問題。 出現(xiàn)這種原因，是copy() 函數(shù)在拷貝對象時，只是將指定對象中的所有引用拷貝了一份，如果這些引用當中包含了一個可變對象的話，那么數(shù)據(jù)還是會被改變。 這種拷貝方式，稱為淺拷貝。

原理圖如下：

對于上邊這種狀況，Python還提供了另一種拷貝方式(深拷貝)來解決。

• 深拷貝

  區(qū)別于淺拷貝只拷貝頂層引用，深拷貝會逐層進行拷貝，直到拷貝的所有引用都是不可變引用為止。

接下來我們看看，要是將上邊的拷貝實例用使用深拷貝的話，原始數(shù)據(jù)改變的問題還會不會存在了？

下面的實例清楚的告訴我們：之前的問題就可以完美解決了。

import copy

l1 = [3, 4, a]

In [47]: l2 = copy.deepcopy(li)

In [48]: id(l1)
Out[48]: 1916632194312

In [49]: id(l2)
Out[49]: 1916634281416

In [50]: a[0] = 11

In [51]: id(l1)
Out[51]: 1916632194312

In [52]: id(l2)
Out[52]: 1916634281416

In [54]: l1
Out[54]: [3, 4, [11, 2]]

In [55]: l2
Out[55]: [1, 2, 3]

原理圖如下：

為什么Python默認的拷貝方式是淺拷貝？

• 時間角度：淺拷貝花費時間更少

• 空間角度：淺拷貝花費內(nèi)存更少

• 效率角度：淺拷貝只拷貝頂層數(shù)據(jù)，一般情況下比深拷貝效率高。

本文知識點總結(jié)：

• 不可變對象在賦值時會開辟新空間

• 可變對象在賦值時，修改一個的值，另一個也會發(fā)生改變

• 深、淺拷貝對不可變對象拷貝時，不開辟新空間，相當于賦值操作

• 淺拷貝在拷貝時，只拷貝第一層中的引用，如果元素是可變對象，并且被修改，那么拷貝的對象也會發(fā)生變化

• 深拷貝在拷貝時，會逐層進行拷貝，直到所有的引用都是不可變對象為止。

• Python 中有多種方式實現(xiàn)淺拷貝，copy模塊的copy 函數(shù) ，對象的 copy 函數(shù) ，工廠方法，切片等。

• 大多數(shù)情況下，編寫程序時，都是使用淺拷貝，除非有特定的需求

• 淺拷貝的優(yōu)點：拷貝速度快，占用空間少，拷貝效率高