文章导读：
在平时工作中，经常涉及到数据的传递。在数据传递使用过程中，可能会发生数据被修改的问题。为了防止数据被修改，就需要再传递一个副本，即使副本被修改，也不会影响原数据的使用。为了生成这个副本，就产生了拷贝——今天就说一下Python中的深拷贝与浅拷贝的问题。
深浅拷贝
1、两者最大区别是：
浅拷贝没有生成新的对象，所以id是一样的，而深拷贝生成的是新的对象，id肯定是不一样的，并且必须导入import copy.
2、进一步探究的话，涉及到内外这个问题，毫无例外的会联系到列表、元组、字典、set函数等，就单层来说，深浅拷贝在此是没有区别的，如果说内部可变，内外id是不同的，如果不可变，内外地址相同
3、再进一步，是关于深、浅拷贝的多层拷贝，分为内外层，我们可以分为四种情况进行研究，分别是：
浅拷贝深拷贝
本文解决问题：
1、
简单的看看浅拷贝与深拷贝：
记住一点，浅拷贝不会生成新的对象，而深拷贝会生成新的对象，即深拷贝的id是不同的
1、浅拷贝：
----------------------->>在这里面，指向，只拷贝引用，没有拷贝地址（既然地址没有动，证明并没有生成新的对象）
2、深拷贝：
标志：一个导入模块import copy
必须导入一个模块import copy，一般导入一个就行，无需重复（深拷贝是两个独立的id）
解读代码：下面的代码是测试两个情况的，第一个测试来看，深拷贝是生成了两个id，即两个对象；后面是进行推加测试，给ls1添加数值，ls2不会变动的，因为两个是不同的对象
拓展一点：
【2维，两层嘛】
【3维，三层】-------------------不管二维，三维是可以写多个的，我们数据分析最多是三维
数据拷贝会涉及到Python中对象、可变类型、引用这3个概念，先来看看这几个概念，只有明白了它们才能更好地理解拷贝到底是怎么一回事。
Python对象
在Python中，对对象有一种很通俗的说法，万物皆对象。说的就是构造的任何数据类型都是一个对象，无论是数字、字符串、还是函数，甚至是模块、Python都对当做对象处理。
所有Python对象都拥有三个属性：身份、类型、值。
看一个简单的例子：
In [1]: name = "laowang" # name对象
In [2]: id(name) # id:身份的唯一标识
Out[2]: 1698668550104
In [3]: type(name) # type:对象的类型，决定了该对象可以保存什么类型的值
Out[3]: str
In [4]: name # 对象的值，表示的数据
Out[4]: 'laowang'
可变与不可变对象
在Python中，按更新对象的方式，可以将对象分为2大类：可变对象与不可变对象。
可变对象： 列表、字典、集合。所谓可变是指可变对象的值可变，身份是不变的。
不可变对象：数字、字符串、元组。不可变对象就是对象的身份和值都不可变。新创建的对象被关联到原来的变量名，旧对象被丢弃，垃圾回收器会在适当的时机回收这些对象。
In [7]: var1 = "python"
In [8]: id(var1)
Out[8]: 1700782038408
由于var1是不可变的，重新创建了java对象，随之id改变，旧对象python会在某个时刻被回收
In [9]: var1 = "java"
In [10]: id(var1)
Out[10]: 1700767578296
引用
在Python程序中，每个对象都会在内存中申请开辟一块空间来保存该对象，该对象在内存中所在位置的地址被称为引用。在开发程序时，所定义的变量名实际就对象的地址引用。
引用实际就是内存中的一个数字地址编号，在使用对象时，只要知道这个对象的地址，就可以操作这个对象，但是因为这个数字地址不方便在开发时使用和记忆，所以使用变量名的形式来代替对象的数字地址。在Python中，变量就是地址的一种表示形式，并不开辟开辟存储空间。
就像 IP 地址，在访问网站时，实际都是通过 IP 地址来确定主机，而 IP 地址不方便记忆，所以使用域名来代替 IP 地址，在使用域名访问网站时，域名被解析成 IP 地址来使用。
通过一个例子来说明变量和变量指向的引用就是一个东西：
In [11]: age = 18
In [12]: id(age)
Out[12]: 1730306752
In [13]: id(18)
Out[13]: 1730306752
逐步深入：引用赋值
上边已经明白，引用就是对象在内存中的数字地址编号，变量就是方便对引用的表示而出现的，变量指向的就是此引用。赋值的本质就是让多个变量同时引用同一个对象的地址。
那么在对数据修改时会发生什么问题呢？
不可变对象的引用赋值
对不可变对象赋值，实际就是在内存中开辟一片空间指向新的对象，原不可变对象不会被修改。原理图如下：
下面通过案例来理解一下：
a与b在内存中都是指向1的引用，所以a、b的引用是相同的。
In [1]: a = 1
In [2]: b = a
In [3]: id(a)
Out[3]: 1730306496
In [4]: id(b)
Out[4]: 1730306496
现在再给a重新赋值，看看会发生什么变化？从下面不难看出：当给a赋新的对象时，将指向现在的引用，不在指向旧的对象引用。
In [1]: a = 1
In [2]: b = a
In [5]: a = 2
In [6]: id(a)
Out[6]: 1730306816
In [7]: id(b)
Out[7]: 1730306496
可变对象的引用赋值
可变对象保存的并不是真正的对象数据，而是对象的引用。当对可变对象进行赋值时，只是将可变对象中保存的引用指向了新的对象。原理图如下：
仍然通过一个实例来体会一下，可变对象引用赋值的过程：当改变l1时，整个列表的引用会指新的对象，但是l1与l2都是指向保存的同一个列表的引用，所以引用地址不会变。
In [3]: l1 = [1, 2, 3]
In [4]: l2 = l1
In [5]: id(l1)
Out[5]: 1916633584008
In [6]: id(l2)
Out[6]: 1916633584008
In [7]: l1[0] = 11
In [8]: id(l1)
Out[8]: 1916633584008
In [9]: id(l2)
Out[9]: 1916633584008
主旨详解：浅拷贝、深拷贝
经过前2部分的解读，大家对对象的引用赋值应该有了一个清晰的认识了。那么Python中如何解决原始数据在函数传递之后不受影响？这个问题Python已经帮我们解决了，使用对象的拷贝或者深拷贝就可以愉快解决了。
下面具体来看看Python中的浅拷贝与深拷贝是如何实现的。
浅拷贝
为了解决函数传递后被修改的问题，就需要拷贝一份副本，将副本传递给函数使用，就算是副本被修改，也不会影响原始数据 。
不可变对象的拷贝
不可变对象只在修改的时候才会在内存中开辟新的空间，而拷贝实际上是让多个对象同时指向一个引用，和对象的赋值没区别。
同样的，通过一个实例来感受一下：不难看出，a与b指向相同的引用，不可变对象的拷贝就是对象赋值。
In [11]: import copy
In [12]: a = 10
In [13]: b = copy.copy(a)
In [14]: id(a)
Out[14]: 1730306496
In [15]: id(b)
Out[15]: 1730306496
可变对象的拷贝
对于不可变对象的拷贝，对象的引用并没有发生变化，那么可变对象的拷贝会不会和不可变对象一样了？我们接着往下看。
通过下面的实例能看出：可变对象的拷贝会在内存中开辟一个新的空间来保存拷贝的数据。当再改变之前的对象时，对拷贝之后的对象没有任何影响。
In [24]: import copy
In [25]: l1 = [1, 2, 3]
In [26]: l2 = copy.copy(l1)
In [27]: id(l1)
Out[27]: 1916631742088
In [28]: id(l2)
Out[28]: 1916636282952
In [29]: l1[0] = 11
In [30]: id(l1)
Out[30]: 1916631742088
In [31]: id(l2)
Out[31]: 1916636282952
原理图如下：
现在再回到刚才那个问题，是不是浅拷贝就可以解决原始数据在函数传递之后不变的问题了？下面看一个稍微复杂一点的数据结构。
通过下面这个实例可以发现：复杂对象在拷贝时，并没有解决数据在传递之后，数据改变的问题。出现这种原因，是copy() 函数在拷贝对象时只是将指定对象中的所有引用拷贝了一份，如果这些引用当中包含了一个可变对象的话，那么数据还是会被改变。这种拷贝方式，称为浅拷贝。
In [35]: a = [1, 2]
In [36]: l1 = [3, 4, a]
In [37]: l2 = copy.copy(l1)
In [38]: id(l1)
Out[38]: 1916631704520
In [39]: id(l2)
Out[39]: 1916631713736
In [40]: a[0] = 11
In [41]: id(l1)
Out[41]: 1916631704520
In [42]: id(l2)
Out[42]: 1916631713736
In [43]: l1
Out[43]: [3, 4, [11, 2]]
In [44]: l2
Out[44]: [3, 4, [11, 2]]
原理图如下：
对于上边这种状况，Python还提供了另一种拷贝方式（深拷贝）来解决。
深拷贝
区别于浅拷贝只拷贝顶层引用，深拷贝会逐层进行拷贝，直到拷贝的所有引用都是不可变引用为止。
接下来我们看看，要是将上边的拷贝实例用使用深拷贝的话，原始数据改变的问题还会不会存在了？
下面的实例清楚地告诉我们：之前的问题就可以完美解决了。
import copy
l1 = [3, 4, a]
In [47]: l2 = copy.deepcopy(li)
In [48]: id(l1)
Out[48]: 1916632194312
In [49]: id(l2)
Out[49]: 1916634281416
In [50]: a[0] = 11
In [51]: id(l1)
Out[51]: 1916632194312
In [52]: id(l2)
Out[52]: 1916634281416
In [54]: l1
Out[54]: [3, 4, [11, 2]]
In [55]: l2
Out[55]: [[1, 2], 3, 4]
原理图如下：
查漏补缺
为什么Python默认的拷贝方式是浅拷贝？
时间角度：浅拷贝花费时间更少；
空间角度：浅拷贝花费内存更少；
效率角度：浅拷贝只拷贝顶层数据，一般情况下比深拷贝效率高。
本文知识点总结：
不可变对象在赋值时会开辟新空间；
可变对象在赋值时，修改一个的值，另一个也会发生改变；
深、浅拷贝对不可变对象拷贝时，不开辟新空间，相当于赋值操作；
浅拷贝在拷贝时，只拷贝第一层中的引用，如果元素是可变对象，并且被修改，那么拷贝的对象也会发生变化；
深拷贝在拷贝时会逐层进行拷贝，直到所有的引用都是不可变对象为止；
Python中有多种方式实现浅拷贝，copy模块的copy函数、对象的copy函数、工厂方法、切片等；
大多数情况下，编写程序时都是使用浅拷贝，除非有特定的需求；
浅拷贝的优点：拷贝速度快，占用空间少，拷贝效率高。