企业官网建设流程全解析

在 Python 中给一个变量赋值时，数据到底是被复制了，还是只共享了一份引用？b = a、copy.copy(a)、copy.deepcopy(a)三种"拷贝"行为各有差异，稍有不慎就会改出隐藏 Bug。开源工具memory_graph能把变量与数据之间的引用关系画成内存图，帮你一眼看清 Python 赋值、浅拷贝与深拷贝的 3 种行为，是学习 Python 数据模型（引用、可变性）的绝佳图解工具。

🚀 快速上手：两行代码画出内存图

先安装 memory_graph（需要 Graphviz）：

pip install --upgrade memory_graph

核心 API 只有三个函数：

• mg.show(data)：把数据的结构可视化出来
• mg.render(data, "out.png")：渲染成图片文件（也支持 pdf / svg / gv）
• mg.block(...)：执行函数后阻塞等待回车，方便逐步观察

import memory_graph as mg a = [1, 2] b = a # b 和 a 是同一份 list！ mg.show(locals()) # 画出所有局部变量的引用关系

locals()会返回当前作用域所有局部变量的字典，是最常用的观察入口。下面用同一个嵌套列表，逐一图解 3 种行为。

🔍 行为一：赋值（Assignment）——什么都没拷贝

a = [4, 3, 2] b = a b.append(1) # 改 b 会同时改 a

这里b = a只是让b这个名字也指向a所引用的那个 list，两个变量共享同一份数据。print看不出来问题，但内存图一目了然：a和b两根箭头指向同一个 list 节点。

mg.render(locals(), 'mutable2.png')生成的图正是 mutable.py 的运行结果——图中dict里并列着a、b，箭头汇合到同一个 list 上：

💡 验证小技巧：id(a) == id(b)或a is b为True时，说明两者共享同一对象。

🧩 行为二：浅拷贝 copy.copy——只复制最外层

对一个嵌套列表做浅拷贝时，只有第一层是新列表，里面嵌套的子列表依然是共享的：

import copy a = [ [1, 2], ['x', 'y'] ] c1 = a # 行为一：赋值，全部共享 c2 = copy.copy(a) # 行为二：浅拷贝，只复制第一层 c3 = copy.deepcopy(a) # 行为三：深拷贝，完全不共享 mg.show(locals())

生成的图中有三个 list 顶层节点：c1与a共用一个，c2有自己的顶层 list，但它的两个子列表与a的子列表是同一批节点；只有c3的整棵子树都独立了。

这个例子来自 src/copies.py，可直接运行复现。

行为三：深拷贝 copy.deepcopy——整棵树都独立

copy.deepcopy(a)会递归复制所有层级，改c3的任何一处都不会波及a。在 Marimo 这类交互式环境中还能结合调用栈一起看四种拷贝（赋值、.copy()、自定义拷贝、deepcopy）的对比：

三种行为速查表：

🎯 进阶：自定义拷贝（Custom Copy）

有时标准三种行为都不满足需求——比如对象里digits想复制、letters想共享。这时可以自己写拷贝方法，src/custom_copy.py 给出了范例：

def custom_copy(self): """ Copies 'digits' but shares 'letters'. """ c = copy.copy(self) c.digits = copy.copy(self.digits) return c

内存图中可以清楚看到：a和b两个对象各自拥有独立的digits列表，但letters指向同一个 list 节点：

🧊 易错点：不可变类型下，拷贝与赋值等价

tuple、int、str等不可变类型无法原地修改，"修改"时 Python 会自动产生新值，所以提前拷贝毫无意义。memory_graph 对此做了优化：copy.copy(a)和copy.deepcopy(a)对不可变类型都会退化为赋值，省时间也省内存：

混合了可变与不可变值的结构也一样——深拷贝会尽量少复制不可变部分，只保证每个可变值都有副本：

🐛 实战调试：在 IDE 里持续观察拷贝过程

拷贝相关的 Bug 往往在运行中才暴露。推荐做法：在调试器的watch里加入mg.render(locals(), "my_graph.pdf")，然后单步调试时 PDF 会实时更新所有局部变量的引用关系——下图就是在 Visual Studio Code 中调试拷贝行为时的效果：

另外两个高频陷阱，建议结合内存图对照记忆：

• b += [300]（原地改）会影响共享者a，但b = [400, 500]（重新绑定名字）不会影响a
• 函数传参时，参数与实参共享可变对象；给函数传c.copy()副本才能隔离修改

更多示例可在仓库的 src/ 目录中找到，例如 src/rebind.py（重绑定）、src/function_call.py（函数调用共享）。

📌 总结：建立正确的 Python 心智模型

memory_graph 通过memory_to_nodes（memory_graph/memory_to_nodes.py）把内存中的对象按id()去重建图，正是"共享"与"拷贝"最可靠的判据。遇到拿不准的数据流，画一张图，胜过十次print。