Python世界：复制粘贴？没那么简单！浅谈深拷贝与浅拷贝
问题引入
Python实现中，最近遇到个小问题，对其中的拷贝理解更深了些，这里小结下。
假设我们都知道以下常识：
- 浅拷贝，值引用；只创建了新对象地址，值元素仍为老对象的内存
- 深拷贝，值传递；既创建了新对象地址，值元素为新对象的内存
以及，按照之前的经验，我们认为切片处理的结果，都是新拷贝一片内存赋值过去。
切片拷贝是深还是浅？
先回顾下《简明Python教程》中引用一章所提的例子，
python
print('Simple Assignment')
shoplist = ['apple', 'mango', 'carrot', 'banana']
# mylist 只是指向同一对象的另一种名称
mylist = shoplist
# 我购买了第一项项目， 所以我将其从列表中删除
del shoplist[0]
print('shoplist is', shoplist)
print('mylist is', mylist)
# 注意到 shoplist 和 mylist 二者都
# 打印出了其中都没有 apple 的同样的列表， 以此我们确认
# 它们指向的是同一个对象
print('Copy by making a full slice')
# 通过生成一份完整的切片制作一份列表的副本
mylist = shoplist[:]
# 删除第一个项目
del mylist[0]
print('shoplist is', shoplist)
print('mylist is', mylist)
# 注意到现在两份列表已出现不同此例中，我们可以看出，切片是复制了一片新内存给变量mylist，而第4行变量名字赋值，则只是传递的对象引用，并未申请新内存。
但我们就此可以认为切片操作是深拷贝吗？错把浅拷贝当深拷贝，请看下例。
python
# 切片操作是深拷贝，还是浅拷贝？
lst = [1,2,[3,4]]
l1 = lst[:]
lst[2][0] = 1
lst[1] = 0
print(l1)
lst = [1,2,3,4]
l1 = lst[:]
lst[2] = 1
print(l1)Output:
[1, 2, [1, 4]]
[1, 2, 3, 4]
上例看出，列表中的切片仅拷贝了第1层的内存是赋值，改变原始列表，第6行中的[3,4]新变量中值就被修改成了[1,4]，但显然改变lst[1]是新变量值就没变的，而第11行中lst原始值并未被改变。
所以，可以说切片是拷了，但只拷了一点点，本质等同于浅拷贝。
深拷贝和浅拷贝到底有啥区别？
- 浅拷贝，值引用；只创建了新对象地址，值元素仍为老对象的内存
- 深拷贝，值传递；既创建了新对象地址，值元素为新对象的内存
下面结合切片及深拷贝、浅拷贝举些实际场景用例来感受下以上概念内涵，结果见注释。
python
# 切片深拷贝还是浅拷贝实验
import numpy as np
import copy
scale = 10
# [0, 100]，划分为5份
x = np.linspace(start=0, stop=100, num=5)
# x = np.linspace(0, 100, 5)
# print(x)
# 引用
y_np_vector = x[:] # numpy数据结构切片，未拷贝新内存，数据内存是直接引用的
y_np_scalar = x[:] # y_np和x指向的数据内存均相同
# print(id(x)) # x的对象地址不同于y，但是两者对象所指的数据均一致。要修改该浅拷贝，需用深拷贝得到一个新内存。
# # 验证如下
# x[0] = 100
# print(y_np_vector) # y_np_vector[0]变为100
# print(y_np_scalar) # y_np_scalar[0]变为100
# 赋值
y_np_vector = y_np_vector / scale # 新拷贝了一片内存，y_np_vector 结果指向新内存地址
# 引用拷贝
for i in range(len(y_linear)):
y_np_scalar[i] = y_np_scalar[i] / scale # 指向仍为x原内存
print('np切片，矢量处理与标量处理，x, y_np_vector, y_np_scalar')
print(x)
print(y_np_vector)
print(y_np_scalar)
# 转成内置列表切片，新申请一片内存赋值
x = np.linspace(start=0, stop=100, num=5)
y_list = x.tolist() # y_list已是新内存
y_res_list = y_list[:] # y_res_list新内存
for i in range(len(y_res2)):
y_res_list[i] = y_res_list[i] / scale # y_res_list已为新内存
print('np转为列表切片，x, y_list, y_res_list')
print(x)
print(y_list)
print(y_res_list)
# 显式进行赋值拷贝
x = np.linspace(start=0, stop=100, num=5)
y_res_copy = copy.copy(x) # 仅拷贝第1层内存，已足够
y_res_deep = copy.deepcopy(x) # 拷贝所有x的内部嵌套结构到新内存
for i in range(len(y_res2)):
y_res_copy[i] = y_res_copy[i] / scale # y_res_list已为新内存
y_res_deep[i] = y_res_deep[i] / scale # y_res2已为新内存
print('深浅拷贝，x, y_res_copy, y_res_deep')
print(x)
print(y_res_copy)
print(y_res_deep)p切片，矢量处理与标量处理，x, y_np_vector, y_np_scalar
[10. 2.5 5. 7.5 10. ]
[10. 2.5 5. 7.5 10. ]
[10. 2.5 5. 7.5 10. ]
np转为列表切片，x, y_list, y_res_list
[ 0. 25. 50. 75. 100.]
[0.0, 25.0, 50.0, 75.0, 100.0]
[0.0, 2.5, 5.0, 7.5, 10.0]
深浅拷贝，x, y_res_copy, y_res_deep
[ 0. 25. 50. 75. 100.]
[ 0. 2.5 5. 7.5 10. ]
[ 0. 2.5 5. 7.5 10. ]
以上用例可得到以下结论：
- numpy中的数组切片，未生成新的副本，均为引用
- list列表中自带数据类型切片，仅拷贝第一层数据，等效于浅拷贝
- 仅一层数据结构时，深拷贝等效于浅拷贝
so，下面例子是否能分清拷贝的深浅呢？
python
import numpy as np
# 获取数据
row = 2
col = 3
scalar = 32
start = 0
stop = 12
num = 6
step = (stop - start) / (num-1)
x = np.linspace(start, stop, num) # [start, stop]
# num = (stop - start) / step + 1
# 切片与拷贝
y = x[:]
arr_2d_base = np.zeros([row, col])
arr_2d_scale = np.zeros([row, col])
for i in range(row):
arr_2d_base[i] = x[i*col:(i+1)*col] / scalar
arr_2d_scale[i] = arr_2d_base[i] * (2**8)
y[i*col:(i+1)*col] = y[i*col:(i+1)*col] / scalar
print('y是浅拷贝吗？')
print(x)
print(y)
# 二维操作
arr_2d_base = np.zeros([row, col])
for i in range(row):
arr_2d_base[i] = x[i*col:(i+1)*col] / scalar
arr_2d_scale = arr_2d_base * (2**8)
print('arr_2d_scale是深拷贝吗？')
print(arr_2d_scale)
arr_2d_base[0][0] = 1
print(arr_2d_scale)本文小结
理论上最优的是默认拷贝新一片内存后修改，而不是原地修改。但工程上实现时，代价太大，且不是所有的都需要拷贝保留。
所以，在不同语言上，C都是手动管理内存，好在是明晰的告诉你，这个是原地修改还是新内存拷贝修改。Python由于是自动分配内存，就需要更深入的了解，每个拷贝赋值背后的内存结果，拷贝是引用还是赋值，赋值中又是深拷贝还是浅拷贝，
核心如下：
- 列表切片操作是浅拷贝，numpy中切片是引用
- 只有一层对象时，浅拷贝和深拷贝效果一致，都是新申请一片内存赋值。
- 切片是深拷贝吗？不是，自带列表类型中，都是第一层浅拷贝。
参考资料：