python copy.deepcopy()深入解读

copy.deepcopy()的用法是将某一个变量的值赋值给另一个变量(此时两个变量地址不同)，因为地址不同，所以可以防止变量间相互干扰。

大家可以猜猜下面代码第四行输出什么值
例1.

a = [1, 2, 3]
d = a # a和d的地址相同， 看第5行的输出
a[0] = 2 
print(d)
print(id(a), id(b)) # id() 输出a和d变量的地址

答案是：[2 2 3]

[2, 2, 3]
2063948923080 2063948923080

原因是通过赋值的方式使得d和a的地址相同，即d和a指向内存中的同一个地址。
而且改变d中的值，a也会随着改变，自己可以尝试一下。

如果想让a和d两个变量互不影响，就用copy.deepcopy()函数
例2.

import copy
a = [1, 2, 3]
d = copy.deepcopy(a) # a和d的地址不相同
a[0] = 2
print(d)
print(id(a), id(d))

输出：

[1, 2, 3]
2793378037960 2793379617288

思考下面代码会输出什么：
例3.

a = [1, 2, 3]
d = a 
c = 1 # 注意 1其实也有地址，而且这个地址是固定的，不会随程序发生改变。
a = c
print(d)

如果你有点绕不开了，先看看答案吧。
答案是：

[1, 2, 3]

也许你奇怪a和d的地址不是一样的吗，怎么改变了a，d还是不变了。原因很简单，因为c的地址和a的地址不同，把c赋值给a，则a的地址和c的地址相同，但d的地址在初始时就已经是a原先的地址了。即使a的地址后来发生了变化，d的地址也不受影响。

通过以上的介绍你可能会认为只要两个变量的地址不同，则两者之间不会相互影响，否则就会。真的是这样吗？

上面的例子比较简单，可以这么认为。再补充几个例子，看看程序的输出与自己想象的结果是否一样：
例4.

import numpy as np
a = np.array([[1,2,3], [5,5,5]])
d = a.transpose(1,0)
print(id(d), id(a)) # a和d的地址不同，但d会受a的影响，当然a也会受d影响
a[0, 0] = 9
print(d)

输出：

2129658874816 2129658874576
[[9 5]
 [2 5]
 [3 5]]

例5

import numpy as np
a = np.array([1, 2, 3])
b = np.array([1, 5, 6])
c = np.array([a, b])
print(id(a), id(c), id(c[0])) # 虽然c[0]值等于a,但c[0]和a的地址不同
a[0] = 9
print(c)

输出：

2204876507856 2204879229216 2204879229296
[[1 2 3]
 [1 5 6]]

例6

import numpy as np
a = np.array([1, 2, 3])
b = np.array([1, 5, 6])
c = a - b
a[0] = 9
print(c)

输出：

[ 0 -3 -3]

例7.

import numpy as np
c = np.array([[3, 2, 3], [5, 7, 8]])
e = c[0]
e[0] = 9
print(c)
print(id(e), id(c[0]), id(c[1]), id(c)) # e和c的地址不同，但和c[0]相同

输出：

[[9 2 3]
 [5 7 8]]
1965873400768 1965876121968 1965876121968 1965873400528

总结：①从例5,6可以看出，如果一个变量由多个变量通过某种方式(拼接或加减)得来的，则这个变量不会受其他变量的影响。但结合例7，如果一个变量e来自另一个变量c的某一部分值，则改变量e的值(不改变e的地址时)，变量c也会受影响。②从例4可知，虽然两个变量a,d地址不同，但d是通过a经过自身变换(转置，只改变形状)而来，所以改变某一个变量内的值，另一个变量也会跟着改变。所以说并不能单纯地认为变量地址不同，变量间就不会相互影响。所以为了防止变量间相互影响，使用copy.deepcopy()方法最为安全。