QA测试开发工程师面试题满分问答3: python的深拷贝和浅拷贝问题

本文详细解释了Python中深拷贝和浅拷贝的区别,指出浅拷贝只复制对象引用,深拷贝递归复制所有嵌套对象。讨论了在实际应用中的优缺点,以及可能遇到的问题,如共享引用、无限递归和可变对象的修改。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在 Python 中,深拷贝(deep copy)和浅拷贝(shallow copy)是用于创建对象副本的两种不同方式。

  • 浅拷贝是创建一个新的对象,该对象与原始对象的内容相同(包括内部嵌套对象的引用),但是它们指向相同的内存地址。换句话说,浅拷贝创建了一个对象的表面副本,而不是递归复制所有嵌套对象。当原始对象包含可变对象(如列表、字典)时,对副本进行修改可能会影响原始对象。
  • 深拷贝是创建一个全新的对象,该对象与原始对象内容相同,包括所有嵌套对象。深拷贝递归地复制所有嵌套对象,而不仅仅是创建一个表面副本。因此,对深拷贝对象的修改不会影响原始对象。

下面是深拷贝和浅拷贝的用途:

  1. 浅拷贝适用于需要创建一个对象的快速副本,但不需要对副本进行深层次的修改。它可以节省内存和复制时间,特别是当对象包含大量数据或嵌套对象时。
  2. 深拷贝适用于需要创建一个完全独立的对象,以便对副本进行修改而不会影响原始对象。它用于确保对象及其所有嵌套对象在修改时的独立性。

在 Python 中,可以使用 copy 模块来执行深拷贝和浅拷贝操作。以下是示例代码:

import copy

# 浅拷贝示例
original_list = [1, 2, [3, 4]]
shallow_copy = copy.copy(original_list)

# 修改浅拷贝对象的嵌套列表
shallow_copy[2][0] = 5

print(original_list)  # 输出: [1, 2, [5, 4]]
print(shallow_copy)  # 输出: [1, 2, [5, 4]]

# 深拷贝示例
deep_copy = copy.deepcopy(original_list)

# 修改深拷贝对象的嵌套列表
deep_copy[2][1] = 6

print(original_list)  # 输出: [1, 2, [5, 4]]
print(deep_copy)  # 输出: [1, 2, [5, 6]]

在上述示例中,我们首先对一个包含嵌套列表的原始列表进行浅拷贝和深拷贝操作。然后,修改拷贝后的对象的嵌套列表的值。可以看到,浅拷贝对象的嵌套列表修改也影响了原始列表,而深拷贝对象的修改不会影响原始列表。

可能遇到的问题

在进行深拷贝和浅拷贝时,可能会遇到以下问题:

  1. 嵌套对象的共享引用:浅拷贝只复制了对象的引用,而不是创建嵌套对象的副本。这意味着如果对浅拷贝对象中的嵌套对象进行修改,原始对象也会受到影响。这可能导致意外的副作用。

  2. 无限递归:如果存在循环引用或互相引用的对象,进行深拷贝时可能会导致无限递归。这会导致程序进入无限循环并最终引发 "RecursionError" 异常。

  3. 可变对象的修改:无论是深拷贝还是浅拷贝,如果复制的对象包含可变对象(如列表或字典),对副本进行修改可能会影响原始对象。这是因为副本和原始对象引用同一个可变对象。

  4. 性能和内存消耗:深拷贝涉及递归地复制所有嵌套对象,这可能对性能和内存消耗产生一定影响,特别是在处理大型对象或嵌套层次较深的对象时。

一个重要问题:嵌套列表内的引用是相同的

当进行浅拷贝时,新创建的列表中的元素是原始列表中元素的引用,而不是元素的副本。这意味着如果在浅拷贝列表中的嵌套列表上进行修改,原始列表中相应的嵌套列表也会受到影响。

通过一个示例来说明这个问题:

import copy

original_list = [1, [2, 3], 4]
shallow_copy = copy.copy(original_list)

# 修改浅拷贝列表中的嵌套列表
shallow_copy[1].append(5)

print(original_list)  # 输出: [1, [2, 3, 5], 4]
print(shallow_copy)  # 输出: [1, [2, 3, 5], 4]

在上述示例中,我们对一个包含嵌套列表的原始列表进行浅拷贝。然后,我们修改浅拷贝列表中的嵌套列表,结果原始列表中的嵌套列表也被修改了。

这是因为浅拷贝只复制了嵌套列表的引用,而不是创建嵌套列表的副本。因此,对浅拷贝列表中的嵌套列表进行修改实际上是对原始列表中相应的嵌套列表进行修改。

要解决这个问题,你可以使用深拷贝来创建所有嵌套列表的副本,而不是共享引用。这样,对深拷贝列表中的嵌套列表进行修改不会影响原始列表。

import copy

original_list = [1, [2, 3], 4]
deep_copy = copy.deepcopy(original_list)

# 修改深拷贝列表中的嵌套列表
deep_copy[1].append(5)

print(original_list)  # 输出: [1, [2, 3], 4]
print(deep_copy)  # 输出: [1, [2, 3, 5], 4]

在上述示例中,我们使用深拷贝创建了嵌套列表的副本。对深拷贝列表中的嵌套列表进行修改不会影响原始列表。

因此,当涉及到嵌套列表时,特别是在进行拷贝操作时,请考虑使用深拷贝来确保所有嵌套列表的副本都被创建,以避免意外行为

当涉及到嵌套字典时,浅拷贝也会导致类似的问题。通过一个例子来说明:

import copy

original_dict = {'a': 1, 'b': {'x': 2, 'y': 3}}
shallow_copy = copy.copy(original_dict)

# 修改浅拷贝字典中的嵌套字典
shallow_copy['b']['x'] = 4

print(original_dict)  # 输出: {'a': 1, 'b': {'x': 4, 'y': 3}}
print(shallow_copy)  # 输出: {'a': 1, 'b': {'x': 4, 'y': 3}}

在上述示例中,我们对一个包含嵌套字典的原始字典进行浅拷贝。然后,我们修改浅拷贝字典中的嵌套字典的值,结果原始字典中相应的嵌套字典也被修改了。

这是因为浅拷贝只复制了嵌套字典的引用,而不是创建嵌套字典的副本。因此,对浅拷贝字典中的嵌套字典进行修改实际上是对原始字典中相应的嵌套字典进行修改。

同样地,为了解决这个问题,你可以使用深拷贝来创建所有嵌套字典的副本,而不是共享引用。这样,对深拷贝字典中的嵌套字典进行修改不会影响原始字典。

import copy

original_dict = {'a': 1, 'b': {'x': 2, 'y': 3}}
deep_copy = copy.deepcopy(original_dict)

# 修改深拷贝字典中的嵌套字典
deep_copy['b']['x'] = 4

print(original_dict)  # 输出: {'a': 1, 'b': {'x': 2, 'y': 3}}
print(deep_copy)  # 输出: {'a': 1, 'b': {'x': 4, 'y': 3}}

在上述示例中,我们使用深拷贝创建了嵌套字典的副本。对深拷贝字典中的嵌套字典进行修改不会影响原始字典。

因此,无论是嵌套列表还是嵌套字典,在进行拷贝操作时,请考虑使用深拷贝来确保所有嵌套对象的副本都被创建,以避免意外修改原始对象的问题

    三段头部互联网大厂测开经历,辅导过25+同学入职大厂,【简历优化】、【就业指导】、【模拟/辅导面试】一对一指导

### LlamaIndex 多模态 RAG 实现 LlamaIndex 支持多种数据类型的接入与处理,这使得它成为构建多模态检索增强生成(RAG)系统的理想选择[^1]。为了实现这一目标,LlamaIndex 结合了不同种类的数据连接器、索引机制以及强大的查询引擎。 #### 数据连接器支持多样化输入源 对于多模态数据的支持始于数据收集阶段。LlamaIndex 的数据连接器可以从多个异构资源中提取信息,包括但不限于APIs、PDF文档、SQL数据库等。这意味着无论是文本还是多媒体文件中的内容都可以被纳入到后续的分析流程之中。 #### 统一化的中间表示形式 一旦获取到了原始资料之后,下一步就是创建统一而高效的内部表达方式——即所谓的“中间表示”。这种转换不仅简化了下游任务的操作难度,同时也提高了整个系统的性能表现。尤其当面对复杂场景下的混合型数据集时,良好的设计尤为关键。 #### 查询引擎助力跨媒体理解能力 借助于内置的强大搜索引擎组件,用户可以通过自然语言提问的形式轻松获得所需答案;而对于更复杂的交互需求,则提供了专门定制版聊天机器人服务作为补充选项之一。更重要的是,在这里实现了真正的语义级关联匹配逻辑,从而让计算机具备了一定程度上的‘认知’功能去理解回应人类意图背后所蕴含的意义所在。 #### 应用实例展示 考虑到实际应用场景的需求多样性,下面给出一段Python代码示例来说明如何利用LlamaIndex搭建一个多模态RAG系统: ```python from llama_index import GPTSimpleVectorIndex, SimpleDirectoryReader, LLMPredictor, PromptHelper, ServiceContext from langchain.llms.base import BaseLLM import os def create_multi_modal_rag_system(): documents = SimpleDirectoryReader(input_dir='./data').load_data() llm_predictor = LLMPredictor(llm=BaseLLM()) # 假设已经定义好了具体的大型预训练模型 service_context = ServiceContext.from_defaults( chunk_size_limit=None, prompt_helper=PromptHelper(max_input_size=-1), llm_predictor=llm_predictor ) index = GPTSimpleVectorIndex(documents, service_context=service_context) query_engine = index.as_query_engine(similarity_top_k=2) response = query_engine.query("请描述一下图片里的人物表情特征") print(response) ``` 此段脚本展示了从加载本地目录下各类格式文件开始直到最终完成一次基于相似度排序后的top-k条目返回全过程。值得注意的是,“query”方法接收字符串参数代表使用者想要询问的内容,而在后台则会自动调用相应的解析模块并结合先前准备好的知识库来进行推理计算得出结论。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

zkFun

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值