查看原文
其他

看了这篇文章,别再说你不懂深拷贝与浅拷贝

The following article is from Python全家桶 Author PayneLi

(给Python开发者加星标,提升Python技能


作者:Python全家桶/李鹏辉 (本文来自作者投稿)


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。


Python对象

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'



可变与不可变对象

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



引用

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



主旨详解:浅拷贝、深拷贝


经过前2部分的解读,大家对对象的引用赋值应该有了一个清晰的认识了。


下面大家思考一个这样的问题:Python中如何解决原始数据在函数传递之后不受影响了?

这个问题Python已经帮我们解决了,使用对象的拷贝或者深拷贝就可以愉快的解决了。


下面具体来看看Python中的浅拷贝与深拷贝是如何实现的。


  • 浅拷贝:

    为了解决函数传递后被修改的问题,就需要拷贝一份副本,将副本传递给函数使用,就算是副本被修改,也不会影响原始数据 。


不可变对象的拷贝

不可变对象只在修改的时候才会在内存中开辟新的空间, 而拷贝实际上是让多个对象同时指向一个引用,和对象的赋值没区别。


同样的,通过一个实例来感受一下:不难看出,a与b指向相同的引用,不可变对象的拷贝就是对象赋值。


In [11]: import copy

In [12]: a = 10
In [13]: b = copy.copy(a)

In [14]: id(a)
Out[14]: 1730306496

In [15]: id(b)
Out[15]: 1730306496



可变对象的拷贝

对于不可变对象的拷贝,对象的引用并没有发生变化,那么可变对象的拷贝会不会和不可变对象一样了?我们接着往下看。


通过下面这个实例可以看出:可变对象的拷贝,会在内存中开辟一个新的空间来保存拷贝的数据。当再改变之前的对象时,对拷贝之后的对象没有任何影响。


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



原理图如下:



现在再回到刚才那个问题,是不是浅拷贝就可以解决原始数据在函数传递之后不变的问题了?下面看一个稍微复杂一点的数据结构。


通过下面这个实例可以发现:复杂对象在拷贝时,并没有解决数据在传递之后,数据改变的问题。 出现这种原因,是copy() 函数在拷贝对象时,只是将指定对象中的所有引用拷贝了一份,如果这些引用当中包含了一个可变对象的话,那么数据还是会被改变。 这种拷贝方式,称为浅拷贝。


In [35]: a = [1, 2]

In [36]: l1 = [3, 4, a]

In [37]: l2 = copy.copy(l1)

In [38]: id(l1)
Out[38]: 1916631704520

In [39]: id(l2)
Out[39]: 1916631713736

In [40]: a[0] = 11

In [41]: id(l1)
Out[41]: 1916631704520

In [42]: id(l2)
Out[42]: 1916631713736

In [43]: l1
Out[43]: [3, 4, [11, 2]]

In [44]: l2
Out[44]: [3, 4, [11, 2]]



原理图如下:



对于上边这种状况,Python还提供了另一种拷贝方式(深拷贝)来解决。


  • 深拷贝

    区别于浅拷贝只拷贝顶层引用,深拷贝会逐层进行拷贝,直到拷贝的所有引用都是不可变引用为止。


接下来我们看看,要是将上边的拷贝实例用使用深拷贝的话,原始数据改变的问题还会不会存在了?


下面的实例清楚的告诉我们:之前的问题就可以完美解决了。


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]



原理图如下:



查漏补缺


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。



本文知识点总结:

  • 不可变对象在赋值时会开辟新空间

  • 可变对象在赋值时,修改一个的值,另一个也会发生改变

  • 深、浅拷贝对不可变对象拷贝时,不开辟新空间,相当于赋值操作

  • 浅拷贝在拷贝时,只拷贝第一层中的引用,如果元素是可变对象,并且被修改,那么拷贝的对象也会发生变化

  • 深拷贝在拷贝时,会逐层进行拷贝,直到所有的引用都是不可变对象为止。

  • Python 中有多种方式实现浅拷贝,copy模块的copy 函数 ,对象的 copy 函数 ,工厂方法,切片等。

  • 大多数情况下,编写程序时,都是使用浅拷贝,除非有特定的需求

  • 浅拷贝的优点:拷贝速度快,占用空间少,拷贝效率高



【本文作者】


李鹏辉:就职于深圳一家科技公司AI部门,目前负责Python后台开发和数据挖掘相关工作。工作之余也在运营公号「Python全家桶」。



推荐阅读

(点击标题可跳转阅读)

如果你不了解机器学习的简史,请看这篇文章

一篇文章教你如何用 Python 记录日志


觉得本文对你有帮助?请分享给更多人

关注「Python开发者」加星标,提升Python技能

喜欢就点一下「好看」呗~

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存