【原】大家都是拷贝，凭什么你这么秀？

之前关于 Python 的作用域、赋值、参数传递，我们接连谈了几篇文章：

• 全菊变量和菊部变量

• 关于函数参数传递，80%人都错了

• 可变对象与不可变对象

今天我们依然要就相关话题继续下去。

首先是上次最后的思考题：

m = [1, 2, [3]] n = m[:] n[1] = 4
n[2][0] = 5
print(m)

m 的结果是什么？

这次比上次好点，有 35% 的正确率。

当时我留了个提示，说和浅拷贝、深拷贝有关，现在我们就来具体说一说。

假设有这样一个 list 变量 m，其中有 4 个元素（别被嵌套迷惑了）：

m = [1, 2, [3, 4], [5, [6, 7]]]

为了更直观的表示，我来画个图：

现在我们想要再来“复制”一个同样的变量。也许第一个闪过脑中的念头就是：

n = m

但看了前面的文章后你应该知道，这样的赋值只相当于增加了一个标签，并没有新的对象产生：

用 id 验证下就知道，m 和 n 仍然是同一个东西。那么他们内部的元素自然也是一样的，对其中一个进行修改，另一个也会跟着变：

m = [1, 2, [3, 4], [5, [6, 7]]] print('m:', id(m)) print([id(i) for i in m]) n = m print('n:', id(n)) print([id(i) for i in n]) print(n is m) print(n[0] is m[0]) print(n[2] is m[2]) n[0] = -1
print(m) n[2][1] = -1
print(m)

输出

m: 4564554888 [4556507504, 4556507536, 4564554760, 4564555016] n: 4564554888 [4556507504, 4556507536, 4564554760, 4564555016] True True True [-1, 2, [3, 4], [5, [6, 7]]] [-1, 2, [3, -1], [5, [6, 7]]]

因此有人将此操作称为“旧瓶装旧酒”，只是多贴了一层标签，这不能达到我们的目的。要得到一个对象的“拷贝”，我们需要用到 copy 方法：

from copy import copy m = [1, 2, [3, 4], [5, [6, 7]]] print('m:', id(m)) print([id(i) for i in m]) n = copy(m) print('n:', id(n)) print([id(i) for i in n]) print(n is m) print(n[0] is m[0]) print(n[2] is m[2]) n[0] = -1
print(m) n[2][1] = -1
print(m)

输出

m: 4340253832 [4333009264, 4333009296, 4340253704, 4340253960] n: 4340268104 [4333009264, 4333009296, 4340253704, 4340253960] False True True [1, 2, [3, 4], [5, [6, 7]]] [1, 2, [3, -1], [5, [6, 7]]]

从结果中可以看出，n 和 m 已不是同一个对象，对于某个元素的重新赋值不会影响原对象。但是，它们内部的元素全都是一样的，所以对一个可变类型元素的修改，则仍然会反应在原对象中。

（其实这里1、2也是指向同一个对象，但作为不可变对象来说，它们互不影响，直观上的感受就相当于是复制了一份，故简化如图上所示）

这种复制方法叫做浅拷贝（shallow copy），又被人形象地称作“新瓶装旧酒”，虽然产生了新对象，但里面的内容还是来自同一份。

如果要彻底地产生一个和原对象完全独立的复制品，得使用深拷贝（deep copy）：

from copy import deepcopy m = [1, 2, [3, 4], [5, [6, 7]]] print('m:', id(m)) print([id(i) for i in m]) n = deepcopy(m) print('n:', id(n)) print([id(i) for i in n]) print(n is m) print(n[0] is m[0]) print(n[2] is m[2]) n[0] = -1
print(m) n[2][1] = -1
print(m)

输出

m: 4389131400 [4381886832, 4381886864, 4389131272, 4389131528] n: 4389131208 [4381886832, 4381886864, 4389131656, 4389145736] False True False [1, 2, [3, 4], [5, [6, 7]]] [1, 2, [3, 4], [5, [6, 7]]]

此时，对新对象中元素做任何改动都不会影响原对象。新对象中的子列表，无论有多少层，都是新的对象，有不同的地址。

按照前面的比喻，深拷贝就是“新瓶装新酒”。

你可能会注意到一个细节：n 中的前两个元素的地址仍然和 m 中一样。这是由于它们是不可变对象，不存在被修改的可能，所以拷贝和赋值是一样的。

于是，深拷贝也可以理解为，不仅是对象自身的拷贝，而且对于对象中的每一个子元素，也都进行同样的拷贝操作。这是一种递归的思想。

不过额外要说提醒一下的是，深拷贝的实现过程并不是完全的递归，否则如果对象的某级子元素是它自身的话，这个过程就死循环了。实际上，如果遇到已经处理过的对象，就会直接使用其引用，而不再重复处理。听上去有点难懂是不是？想想这个例子大概就会理解了：

from copy import deepcopy m = [1, 2] m.append(m) print(m, id(m), id(m[2])) n = deepcopy(m) print(n, id(n), id(n[2]))

输出

[1, 2, [...]] 4479589576 4479589576 [1, 2, [...]] 4479575048 4479575048

最后，还是给各位留个思考：

from copy import deepcopy a = [3, 4] m = [1, 2, a, [5, a]] n = deepcopy(m) n[3][1][0] = -1
print(n)

---

上周五的送书送券活动还在进行中，详情可以翻下历史文章。我想小声地说句：可以再看看本次的挑选规则，从目前的情况来看，要拿书还是挺容易的

另外，好未来组织了一个AI训练营活动，免费但名额有限，需申请后筛选。作为合作渠道之一，如果我们这里申请人数多的话，我可以争取几个直通名额。欢迎各位点击今天的下一篇文章申请及留言。如有直通机会，我将会从留言中选取（优先考虑参与过码上行动的学员）。