Python教程:一文了解Python的深拷贝与浅拷贝

简介: 理解 Python 中的深拷贝(deep copy)和浅拷贝(shallow copy)是非常重要的,特别是在处理嵌套结构的数据时。让我们深入探讨这两个概念,并通过代码示例进行说明。

一.深拷贝与浅拷贝


理解 Python 中的深拷贝(deep copy)和浅拷贝(shallow copy)是非常重要的,特别是在处理嵌套结构的数据时。让我们深入探讨这两个概念,并通过代码示例进行说明。

1. 浅拷贝(Shallow Copy):

浅拷贝创建一个新的对象,但是这个新对象中的子对象是原始对象中子对象的引用。换句话说,只拷贝了对象的第一层结构,而深层嵌套的对象则共享引用。

import copy
# 原始列表
original_list = [[1, 2, 3], [4, 5, 6]]
# 浅拷贝
shallow_copy = copy.copy(original_list)
# 修改原始列表的子列表
original_list[0][0] = 100
print("Original List:", original_list)
print("Shallow Copy:", shallow_copy)

image.gif

输出结果为:

Original List: [[100, 2, 3], [4, 5, 6]]
Shallow Copy: [[100, 2, 3], [4, 5, 6]]

image.gif

在这个例子中,虽然我们只修改了原始列表的子列表,但是浅拷贝的结果也受到了影响,因为浅拷贝只复制了第一层结构,而子列表仍然是原始对象中子列表的引用。

2. 深拷贝(Deep Copy):

深拷贝创建一个完全独立的新对象,包括对象中的所有子对象。无论有多少层嵌套,都会被完整复制,而不是共享引用。

import copy
# 原始列表
original_list = [[1, 2, 3], [4, 5, 6]]
# 深拷贝
deep_copy = copy.deepcopy(original_list)
# 修改原始列表的子列表
original_list[0][0] = 100
print("Original List:", original_list)
print("Deep Copy:", deep_copy)

image.gif

输出结果为:

Original List: [[100, 2, 3], [4, 5, 6]]
Deep Copy: [[1, 2, 3], [4, 5, 6]]

image.gif

在这个例子中,深拷贝创建了一个独立的新对象,即使修改了原始列表的子列表,深拷贝的结果也不受影响。

总结:

  • 浅拷贝只复制对象的第一层结构,深拷贝复制了对象的所有层级结构。
  • 浅拷贝会共享引用,而深拷贝则创建完全独立的新对象。
  • 使用 copy 模块的 copy() 函数进行浅拷贝,使用 copy.deepcopy() 函数进行深拷贝。

何时使用浅拷贝和深拷贝?

  • 使用浅拷贝当你只关心顶层结构,而不关心嵌套对象的修改是否会影响原始对象。
  • 使用深拷贝当你需要创建一个原始对象的完整独立副本,以便修改副本不影响原始对象。

二.可变对象与不可变对象


在Python中,对象可以分为可变对象(mutable objects)和不可变对象(immutable objects)。这两种对象类型在内存中的行为有着重要的差异,理解它们对于编写高效的Python代码至关重要。

不可变对象(Immutable Objects):

不可变对象指的是在创建后无法修改其值或状态的对象。每次对不可变对象进行修改时,实际上是创建了一个新的对象。Python中的不可变对象包括但不限于以下几种:

  • 整数(int)
  • 浮点数(float)
  • 复数(complex)
  • 字符串(str)
  • 元组(tuple)

特点:

  1. 不可变对象的值或状态在创建后不可修改。
  2. 每次对不可变对象进行修改时,都会创建一个新的对象。
# 示例:不可变对象
a = 10  # 整数是不可变对象
b = a   # b指向a所指向的对象(10)
a = 20  # 创建新的对象20,并让a指向新对象
print(a)  # 输出 20
print(b)  # 输出 10,b仍然指向原始对象10

image.gif

可变对象(Mutable Objects):

可变对象是在创建后可以修改其值或状态的对象。对可变对象的修改不会创建新的对象,而是直接在原始对象上进行操作。Python中的可变对象包括但不限于以下几种:

  • 列表(list)
  • 字典(dict)
  • 集合(set)
  • 用户自定义的类(class)

特点:

  1. 可变对象的值或状态可以在创建后被修改。
  2. 对可变对象的修改会直接影响原始对象,不会创建新的对象。
# 示例:可变对象
list_a = [1, 2, 3]  # 列表是可变对象
list_b = list_a     # list_b指向list_a所指向的对象([1, 2, 3])
list_a.append(4)    # 直接修改list_a所指向的对象,不创建新的对象
print(list_a)       # 输出 [1, 2, 3, 4]
print(list_b)       # 输出 [1, 2, 3, 4],list_b指向的对象也被修改了

image.gif

三.字典深拷贝示例


下面是一个完整的示例,演示了如何进行深拷贝一个包含复杂结构的Python字典

import copy
# 原始字典
original_dict = {
    'name': 'John',
    'age': 30,
    'address': {
        'city': 'New York',
        'zipcode': '10001'
    },
    'emails': ['john@example.com', 'john.doe@example.com']
}
# 执行深拷贝
deep_copy_dict = copy.deepcopy(original_dict)
# 修改原始字典中的某些值
original_dict['name'] = 'Jane'
original_dict['address']['city'] = 'Los Angeles'
original_dict['emails'].append('jane@example.com')
# 打印原始字典和深拷贝后的字典
print("Original Dictionary:")
print(original_dict)
print("\nDeep Copied Dictionary:")
print(deep_copy_dict)

image.gif

输出结果:

Original Dictionary:
{'name': 'Jane', 'age': 30, 'address': {'city': 'Los Angeles', 'zipcode': '10001'}, 'emails': ['john@example.com', 'john.doe@example.com', 'jane@example.com']}
Deep Copied Dictionary:
{'name': 'John', 'age': 30, 'address': {'city': 'New York', 'zipcode': '10001'}, 'emails': ['john@example.com', 'john.doe@example.com']}

image.gif

解释:

  1. 我们首先定义了一个包含复杂结构的原始字典 original_dict,其中包括字符串、整数、嵌套字典和列表。
  2. 使用 copy.deepcopy() 函数对原始字典进行深拷贝,得到了一个完全独立的新字典 deep_copy_dict
  3. 修改原始字典中的一些值,包括姓名、地址和电子邮件列表。
  4. 打印原始字典和深拷贝后的字典,可以看到原始字典的修改不会影响深拷贝后的字典。
目录
相关文章
|
14天前
|
存储 Python
SciPy 教程 之 SciPy 稀疏矩阵 4
SciPy 教程之 SciPy 稀疏矩阵 4:介绍稀疏矩阵的概念、类型及其在科学计算中的应用。SciPy 的 `scipy.sparse` 模块提供了处理稀疏矩阵的工具,重点讲解了 CSC 和 CSR 两种格式,并通过示例演示了如何创建和操作 CSR 矩阵。
38 3
|
3天前
|
Python
SciPy 教程 之 Scipy 显著性检验 3
本教程介绍Scipy显著性检验,包括其基本概念、原理及应用。显著性检验用于判断样本与总体假设间的差异是否显著,是统计学中的重要工具。Scipy通过`scipy.stats`模块提供了相关功能,支持双边检验等方法。
10 1
|
5天前
|
机器学习/深度学习 Python
SciPy 教程 之 SciPy 插值 2
SciPy插值教程:介绍插值概念及其在数值分析中的应用,特别是在处理数据缺失时的插补和平滑数据集。SciPy的`scipy.interpolate`模块提供了强大的插值功能,如一维插值和样条插值。通过`UnivariateSpline()`函数,可以轻松实现单变量插值,示例代码展示了如何对非线性点进行插值计算。
10 3
|
8天前
|
机器学习/深度学习 数据处理 Python
SciPy 教程 之 SciPy 空间数据 4
本教程介绍了SciPy的空间数据处理功能,主要通过scipy.spatial模块实现。内容涵盖空间数据的基本概念、距离矩阵的定义及其在生物信息学中的应用,以及如何计算欧几里得距离。示例代码展示了如何使用SciPy计算两点间的欧几里得距离。
22 5
|
7天前
|
机器学习/深度学习 Python
SciPy 教程 之 SciPy 空间数据 6
本教程介绍了SciPy处理空间数据的方法,包括使用scipy.spatial模块进行点位置判断、最近点计算等内容。还详细讲解了距离矩阵的概念及其应用,如在生物信息学中表示蛋白质结构等。最后,通过实例演示了如何计算两点间的余弦距离。
17 3
|
6天前
|
机器学习/深度学习 数据处理 Python
SciPy 教程 之 SciPy 空间数据 7
本教程介绍了SciPy的空间数据处理功能,涵盖如何使用`scipy.spatial`模块进行点的位置判断、最近点计算等操作。还详细解释了距离矩阵的概念及其在生物信息学中的应用,以及汉明距离的定义和计算方法。示例代码展示了如何计算两个点之间的汉明距离。
12 1
|
10天前
|
Python
SciPy 教程 之 SciPy 图结构 7
《SciPy 教程 之 SciPy 图结构 7》介绍了 SciPy 中处理图结构的方法。图是由节点和边组成的集合,用于表示对象及其之间的关系。scipy.sparse.csgraph 模块提供了多种图处理功能,如 `breadth_first_order()` 方法可按广度优先顺序遍历图。示例代码展示了如何使用该方法从给定的邻接矩阵中获取广度优先遍历的顺序。
21 2
|
11天前
|
算法 Python
SciPy 教程 之 SciPy 图结构 5
SciPy 图结构教程,介绍图的基本概念和SciPy中处理图结构的模块scipy.sparse.csgraph。重点讲解贝尔曼-福特算法,用于求解任意两点间最短路径,支持有向图和负权边。通过示例演示如何使用bellman_ford()方法计算最短路径。
23 3
|
11天前
|
缓存 测试技术 Apache
告别卡顿!Python性能测试实战教程,JMeter&Locust带你秒懂性能优化💡
告别卡顿!Python性能测试实战教程,JMeter&Locust带你秒懂性能优化💡
25 1
|
15天前
|
存储 Python
SciPy 教程 之 SciPy 稀疏矩阵 2
SciPy教程之SciPy稀疏矩阵2:介绍稀疏矩阵的概念、应用场景及scipy.sparse模块的使用。重点讲解CSC和CSR两种稀疏矩阵类型及其常用方法,如data属性和count_nonzero()方法。
39 4