Python-深拷贝和浅拷贝

浅拷贝和深拷贝

• 浅拷贝：copy.copy() 只拷贝最外层的数据，如list1 = [a, b] 其中 a = [1, 2]，b = [3, 4]，执行 list2 = copy.copy(list1) 时，list2 中只会拷贝了 a, b 的指向，不会在内存区域中创建一份完全一样的数据
• 深拷贝：copy.deepcopy() 拷贝所有的数据，存入一块新的内存区域中。
• 直接赋值： 在 Python 中称作引用，可以理解为指向

特殊的情形：

• 用copy.copy()和copy.deepcopy()，即深拷贝和浅拷贝，对一个内部全部是不可变类型的数据（如元组中嵌套元组等）进行拷贝，那么他们的结果相同，都是拷贝指向；
• 如果对一个拥有可变类型数据的元组进行拷贝，那么copy.deepcopy()就是依然是拷贝所有数据， copy.copy()拷贝的是指向。

对于 list

• 切片操作 是 浅拷贝 等价于 copy.copy()
• 直接复制给另一个变量仅仅是 拷贝指向

# 切片操作举例
In [2]: a = [11, 22]

In [3]: b = [33, 44]

In [4]: c = [a, b]

In [5]: d = c[:]

In [6]: id(c)
Out[6]: 140628676451464

In [7]: id(d)
Out[7]: 140628676526600

In [8]: id(c[0])
Out[8]: 140628686255112

In [9]: id(d[0])
Out[9]: 140628686255112

以上可知，切片操作只拷贝了 list 的最外层，效果和 copy.copy() 一样，为浅拷贝。

对于 numpy

• np.copy() 是 深拷贝
• 直接赋值给另一个变量依然只是 拷贝指向

# numpy深拷贝示例
In [12]: arr = np.zeros((3,3))

In [13]: arr
Out[13]:
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])

In [14]: b = arr.copy()

In [17]: b[0,0] = 1 # 更改b的值

In [18]: arr # arr不变，说明copy()方法是深拷贝
Out[18]:
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])

In [19]: b
Out[19]:
array([[ 1.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])

# numpy浅拷贝示例
In [33]: b = arr # 直接赋值给变量b

In [34]: b
Out[34]:
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])

In [35]: arr[0,0] = 1

In [36]: b
Out[36]:
array([[ 1.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])