变量、对象与引用(Names, Objects and References)

Python 的名字绑定到对象。赋值通常改变绑定而非复制对象;多个名字引用同一个可变对象时,一方的原地修改会被其他引用看到。

一句话定义

Python 的名字绑定到对象。赋值通常改变绑定而非复制对象;多个名字引用同一个可变对象时,一方的原地修改会被其他引用看到。

为什么重要

  • 一大类“灵异 bug”的根源:“我只改了 b,怎么 a 也变了?”——因为 a 和 b 是同一个对象。
  • 理解函数传参:Python 传的是“对象引用”,函数内能修改可变对象,但不能让调用方的变量改指别处。
  • 理解 NumPy 视图、Pandas Copy-on-Write、PyTorch 张量共享内存的前提(见 k1.lib.numpy、k1.lib.pandas)。

使用边界

浅拷贝创建新外壳但保留元素引用。deepcopy 按复制协议递归处理,还会保留内部共享关系;不可变对象、自定义复制行为或外部资源不保证都成为完全独立的副本。

原理 / 图解

Python 语言参考:“对象是 Python 对数据的抽象……每个对象都有标识(identity)、类型和值”;is 比较标识,id() 返回标识:https://docs.python.org/3/reference/datamodel.html#objects-values-and-types

图 1
操作 发生了什么 原对象受影响吗
b = a 新名字指向同一对象 是同一个对象
b.append(4) 原地修改对象 是(a 也看到)
b = b + [4] 创建新对象,b 改指新对象 否
c = list(a) / a.copy() / copy.copy(a) 浅拷贝:新容器,内部元素仍共享 外层不受影响,内层可能受影响
copy.deepcopy(a) 按复制协议递归处理 仍受不可变对象、内部共享和自定义复制行为影响

== 与 is:== 问“值相等吗”,is 问“是同一个对象吗”。判断 None 应使用 is None。PEP 8 建议与单例(如 None)比较时使用 is:https://peps.python.org/pep-0008/#programming-recommendations

可运行示例

# 文件:examples/18_object_reference.py
# 变量 = 名字(标签),对象 = 内存中的值。赋值是"贴标签",不是"复制"
a = [1, 2, 3]
b = a                     # b 与 a 指向同一个对象
b.append(4)
print("a =", a, "| a is b:", a is b, "| id 相同:", id(a) == id(b))

c = list(a)               # 新对象(浅拷贝)
print("c == a:", c == a, "| c is a:", c is a)   # == 比较值,is 比较身份

# 重新绑定 vs 原地修改
x = 10
y = x
x = x + 1                 # 创建新的 int 对象,x 改贴到新对象上
print("x, y =", x, y)

# 函数参数传的是"对象引用"
def add_item(lst):  lst.append("新")      # 原地修改:调用方可见
def rebind(lst):    lst = ["全新列表"]     # 重新绑定:调用方不可见
items = ["旧"]
add_item(items); rebind(items)
print("items =", items)

# 引用计数(CPython 实现细节)
import sys
obj = object()
print("引用计数(含 getrefcount 自身的临时引用):", sys.getrefcount(obj))
alias = obj
print("增加一个名字后:", sys.getrefcount(obj))

# 浅拷贝 vs 深拷贝
import copy
nested = [[1, 2], [3]]
shallow, deep = copy.copy(nested), copy.deepcopy(nested)
nested[0].append(99)
print("浅拷贝受影响:", shallow, "| 深拷贝不受影响:", deep)

一稿留存输出(Python 3.15.0):

a = [1, 2, 3, 4] | a is b: True | id 相同: True
c == a: True | c is a: False
x, y = 11 10
items = ['旧', '新']
引用计数(含 getrefcount 自身的临时引用): 2
增加一个名字后: 3
浅拷贝受影响: [[1, 2, 99], [3]] | 深拷贝不受影响: [[1, 2], [3]]

关键观察:

  • rebind 里 lst = [...] 只是让函数内的名字改指新列表,调用方的 items 不受影响;add_item 的 append 修改的是共享对象,所以调用方看得到。
  • 浅拷贝 shallow 的内层列表与原对象共享,所以 nested[0].append(99) 也影响了它。

常见误区

  • “Python 是传值还是传引用?”:都不准确。更准确的说法是“传对象引用”(call by object reference / call by sharing)。
  • 用 is 比较数字或字符串:a is b 对小整数和部分字符串可能为 True,这是 CPython 的缓存/驻留优化,不是语言保证。Python 3.8 起对字面量使用 is 会给出 SyntaxWarning。
  • 以为 copy() 是深拷贝:嵌套结构要用 copy.deepcopy。
  • 把引用计数当作语言规范:sys.getrefcount 是 CPython 的实现细节;官方文档明确提醒:返回值未必反映真实引用数(例如 3.12 起的“永生对象”引用计数极大),除 0 或 1 外不要依赖其准确性:https://docs.python.org/3/library/sys.html#sys.getrefcount

与 AI 开发的关系

  • NumPy 基本切片通常是视图,高级索引通常返回副本:修改切片会修改原数组(见 k1.lib.numpy 示例的最后一行)。
  • PyTorch 张量:b = a 共享同一张量;a.view(...) 共享存储;需要独立副本用 a.clone()。https://docs.pytorch.org/docs/stable/tensor_view.html
  • 配置对象被意外共享:多个实验共用同一个 config 字典,一个实验改了学习率,其他实验也跟着变——用 copy.deepcopy(config) 或不可变配置(frozen dataclass / frozendict)避免。
  • 对话历史列表:把同一个 messages 列表传给多个 Agent 并各自 append,会导致历史互相污染。

延伸阅读

理解检查

函数里执行 items = [] 与 items.clear() 有何区别?

参考答案:前者重新绑定局部名字,后者修改调用方可能共享的那个列表对象。

核验与复现

核验日期:2026-10-14。示例状态:运行通过。本轮日志:18_object_reference.py。

配套代码与核验资料

继续浏览基础 返回知识 →返回顶部 ↑
本篇目录
教程图解100%
教程图解