刚接触python的时候，就听说过浅拷贝(shallow copy)与深拷贝(deep copy)的不同之处，最开始也只能避免“直接赋值”这种“呆瓜”且极易出错的编程行为，在粗浅地使用python编写数量不多的代码的时，函数量较小，一个函数的输出并没有什么机会当做另外一个函数的输入，直接使用自带的浅拷贝函数—object.copy()，出错了就直接换成copy模块中的copy.deepcopy()便也解决了问题，但是最近在学习使用群智能优化算法，大量的函数套用，由于尚未养成良好的编程习惯，有时使用numpy模块有时使用列表(list)，逼得我不得不深入研究一下浅拷贝、深拷贝以及numpy中的copy的区别，为了记忆更加牢固便写一篇博客
下面放一下个人学习的连接
Python 直接赋值、浅拷贝、深拷贝——菜鸟教程
| 名称 | 实质 |
|---|---|
| 直接赋值 | 其实就是对象的引用（别名） |
| 浅拷贝(copy) | 拷贝父对象，不会拷贝对象的内部的子对象 |
| 深拷贝(deepcopy) | copy 模块的 deepcopy 方法，完全拷贝了父对象及其子对象 |
字典浅拷贝实例
>>>a = {1: [1,2,3]}
>>> b = a.copy()
>>> a, b
({1: [1, 2, 3]}, {1: [1, 2, 3]})
>>> a[1].append(4)
>>> a, b
({1: [1, 2, 3, 4]}, {1: [1, 2, 3, 4]})
深拷贝
>>>import copy
>>> c = copy.deepcopy(a)
>>> a, c
({1: [1, 2, 3, 4]}, {1: [1, 2, 3, 4]})
>>> a[1].append(5)
>>> a, c
({1: [1, 2, 3, 4, 5]}, {1: [1, 2, 3, 4]})
解析如下：
核心就是指针！！！这种被“刻意隐藏”的指针，是初学者的一个大坑，如果没有学过C/C++更加难以理解指针的含义
简单说一下，指针可以理解为是一个标签，当执行a = 1的时候，1就被贴上a这个标签，通过使用a就可以访问1，当执行b = a的时候，也就是直接赋值法，此时1又被贴上了b这个标签，用b也可以访问1，就是下面这个效果：
>>> a = 1 >>> b = a >>> a,b (1, 1)
但是当再次使用a = 3的时候，1上a这个标签就被“撕掉”了，3被贴上了a的标签
>>> a = 3 >>> a,b (3, 1)
了解过之后，可以试试list结构：
>>> a = [1,2,[2,3]] >>> a[:] [1, 2, [2, 3]] >>> b = a[:] >>> b [1, 2, [2, 3]] >>> a[2].append(5) >>> a [1, 2, [2, 3, 5]] >>> b [1, 2, [2, 3, 5]] >>> id(a) 1895430236608 >>> id(b) 1895461248448 >>> id(a[2]),id(b[2]) (1895461745920, 1895461745920)
可以看出[:]也可以实现浅拷贝：a与b的地址不同，但是a[2]与b[2]的地址相同
list使用*来建立“类”（类似）array与numpy的array首先是list错误的*使用方式
>>> wrong = [[0]*3]*3 >>> wrong [[0, 0, 0], [0, 0, 0], [0, 0, 0]] >>> wrong[0][0] = 10 >>> wrong [[10, 0, 0], [10, 0, 0], [10, 0, 0]] >>> id(wrong[0]),id(wrong[1]),id(wrong[2]) (1895461748096, 1895461748096, 1895461748096)
发现每一行的指针都是指向同一个list对象，*相当于一个直接赋值的操作
正确的方式，每一行的指针都是指向不同的list对象
>>> right = [[0]*3 for _ in range(3)] >>> right [[0, 0, 0], [0, 0, 0], [0, 0, 0]] >>> right[0][0] = 5 >>> right [[5, 0, 0], [0, 0, 0], [0, 0, 0]] >>> id(right[0]),id(right[1]),id(right[2]) (1895461459392, 1895461683008, 1895461746752)
关于numpy的array，大家看到下面的代码可能会有些疑惑，因为array里面貌似也是一个list的子对象，浅拷贝不应该a,b同一个位置的值都应该改变么，可实际上可以看出并没有产生上述猜想结果。可以把他当做一个真正意义上的矩阵，每一个位置的值都是独立的，并没有list子对象这种存在，具体的原因可能需要去看numpy的实现源码，待读者独立去发掘。
>>> import numpy as np
>>> a = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> b = a.copy()
>>> a
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
>>> b
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
>>> a[0][0] = 100
>>> a
array([[100, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9]])
>>> b
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
最后的最后
看看下面几行代码，为何a,b地址不同，c,d相同呢？这里具体有两个知识点
一是python对于不可变对象与可变对象的存储引用方式的不同，待读者自己去搜索。
二是python对于一定范围内的整数，他们的标签都指向同样一个位置，都是已经预存好的位置。仔细观察c、d、e、f的地址，前面都一致，但是最后四位差距并不是很大：0——3792；1——3824；2——3856，相差32为内存位置，单位我的猜测是Byte，也就是32*8=256bits所能表示的数字，都是存在固定的位置上的，当然这都是我的猜测，因为不同有含义的内存块之间可能存在内存间隔，所以这个256也许是128，或者64也不一定呢。
>>> a = [1,2] >>> b = [1,2] >>> id(a),id(b) (2276089527168, 2274186029824) >>> c = 1 >>> d = 1 >>> id(c),id(d) (2276049643824, 2276049643824) >>> e = 2 >>> id(e) 2276049643856 >>> f = 0 >>> id(f) 2276049643792
