Python中的可变和不可变对象以及赋值、浅拷贝和深拷贝对比分析

Python中的不可变对象和可变对象

在Python中，对象可以分为不可变（immutable）对象和可变（mutable）对象。这是关于对象在内存中如何管理和修改的概念。理解对象的可变性对于编写有效且可预测的Python代码非常重要。当您需要在函数之间传递参数或处理数据时，了解对象是否是不可变的或可变的将有助于避免意外副作用。不可变对象通常更容易推断其行为，因为它们不会在不经意间发生更改，而可变对象则需要更多的谨慎。

不可变对象（Immutable Objects）

不可变对象是指一旦创建，就不能被更改的对象。任何尝试修改不可变对象的值都将创建一个新的对象。常见的不可变对象包括整数（int）、浮点数（float）、字符串（str）、元组（tuple）等。不可变对象通常具有更高的内存效率，因为它们不需要在内存中保留额外的空间来处理修改。这也使得它们在哈希表等数据结构中很有用。

代码示例：

x = 5
y = x  # y引用与x相同的不可变对象
x = 10  # 创建一个新的对象，x现在引用新的不可变对象，y仍然引用旧对象（5）

可变对象（Mutable Objects）

可变对象是指在创建后仍然可以修改其值的对象。修改操作不会创建新的对象，而是直接在原对象上进行更改。常见的可变对象包括列表（list）、字典（dict）、集合（set）等。可变对象的修改可能需要更多的内存和处理时间，因为它们允许在原地修改，而不是创建新的对象。

代码示例：

my_list = [1, 2, 3]
my_list.append(4)  # 直接在原列表上添加元素
# my_list仍然引用同一个可变对象，其值现在为[1, 2, 3, 4]

Python中的赋值、浅拷贝和深拷贝对比分析

不可变对象（Immutable Objects）

Python 内不可变对象的内存管理方式是引用计数，所以 无论是赋值、前拷贝还是深拷贝，Python 不会对值相同的不可变对象，申请单独的内存空间，只会记录它的引用次数。

a = "marcos"
b = a
c = copy.copy(a)
d = copy.deepcopy(a)

print("原值：%d" % id(a))
print("赋值：%d" % id(b))
print("浅拷贝：%d" % id(c))
print("深拷贝：%d" % id(d))

输出：

原值：1885360472840
赋值：1885360472840
浅拷贝：1885360472840
深拷贝：1885360472840

但对不可变对象进行修改时，实际上是让变量指向了一个新的对象（对象的地址重新分配）。

可变对象（Mutable Objects）

赋值是引用对象的地址，不会分配新的地址，浅拷贝和深拷贝均会为复制对象分配新的内存空间。

但是，对于可变对象内的可变元素和不可变元素，发生浅拷贝和深拷贝时存在区别：
（1）当对原对象浅拷贝时，原对象内可变对象的对应元素的改变，复制对象的对应元素也相应改变，而不可变元素不会随着原对象元素的改变而改变；
（2）当对原对象深拷贝时，无论原对象的元素如何发生变化，复制对象的对应元素均不发生变化。

import copy

a = [[0],"zhangsan"]
b = a
c = copy.copy(a)
d = copy.deepcopy(a)

print("原值地址：%d" % id(a))
print("赋值地址：%d" % id(b))
print("浅拷贝地址：%d" % id(c))
print("深拷贝地址：%d" % id(d))

a[0][0] = 1
a[1] = "lisi"

print("原值:",a)
print("赋值:",b)
print("浅拷贝:",c)
print("深拷贝:",d)

print("原值地址：%d" % id(a))
print("赋值地址：%d" % id(b))
print("浅拷贝地址：%d" % id(c))
print("深拷贝地址：%d" % id(d))

输出：

原值地址：1724350537608
赋值地址：1724350537608
浅拷贝地址：1724350569544
深拷贝地址：1724350587336
原值: [[1], 'lisi']
赋值: [[1], 'lisi']
浅拷贝: [[1], 'zhangsan']
深拷贝: [[0], 'zhangsan']
原值地址：1724350537608
赋值地址：1724350537608
浅拷贝地址：1724350569544
深拷贝地址：1724350587336

附：更多的示例

clone函数

下列程序，只是把x的索引赋值给y，并没有给y分配内存空间，当改变y时，x也发生改变。

x = torch.arange(6).reshape((2,3))
y = x
y[:] = 2

下列程序，为y分配了内存空间，改变y时并不改变x的值。

x = torch.arange(6).reshape((2,3))
y = x.clone()
y[:] = 2