按引用赋值而不是拷贝副本
在python中，无论是直接的变量赋值，还是参数传递，都是按照引用进行赋值的。
在计算机语言中，有两种赋值方式：按引用赋值、按值赋值。其中按引用赋值也常称为按指针传值(当然，它们还是有点区别的)，后者常称为拷贝副本传值。它们的区别，详细内容参见：按值传递 vs. 按指针传递。
下面仅解释python中按引用赋值的相关内容，先分析下按引用赋值的特别之处，然后分析按引用赋值是什么样的过程。
按引用赋值的特性
例如：
a = 10000
b = a
>>> a,b
(10000, 10000)这样赋值后，b和a不仅在值上相等，而且是同一个对象，也就是说在堆内存中只有一个数据对象10000，这两个变量都指向这一个数据对象。从数据对象的角度上看，这个数据对象有两个引用，只有这两个引用都没了的时候，堆内存中的数据对象10000才会等待垃圾回收器回收。
它和下面的赋值过程是不等价的：
a = 10000
b = 10000虽然a和b的值相等，但他们不是同一个对象，这时候在堆内存中有两个数据对象，只不过这两个数据对象的值相等。
对于不可变对象，修改变量的值意味着在内存中要新创建一个数据对象。例如：
a = 10000
b = a
a = 20000
>>> a,b
(20000, 10000)在a重新赋值之前，b和a都指向堆内存中的同一个数据对象，但a重新赋值后，因为数值类型10000是不可变对象，不能在原始内存块中直接修改数据，所以会新创建一个数据对象保存20000，最后a将指向这个20000对象。这时候b仍然指向10000，而a则指向20000。
结论是：对于不可变对象，变量之间不会相互影响。正如上面重新赋值了a=20000，但变量b却没有任何影响，仍然指向原始数据10000。
对于可变对象，比如列表，它是在"原处修改"数据对象的(注意加了双引号)。比如修改列表中的某个元素，列表的地址不会变，还是原来的那个内存对象，所以称之为"原处修改"。例如：
L1 = [111,222,333]
L2 = L1
L1[1] = 2222
>>> L1,L2
([111, 2222, 333], [111, 2222, 333])在L1[1]赋值的前后，数据对象[111,222,333]的地址一直都没有改变，但是这个列表的第二个元素的值已经改变了。因为L1和L2都指向这个列表，所以L1修改第二个元素后，L2的值也相应地到影响。也就是说，L1和L2仍然是同一个列表对象[111,2222,333]。
结论是：对于可变对象，变量之间是相互影响的。
按引用赋值的过程分析
当将段数据赋值给一个变量时，首先在堆内存中构建这个数据对象，然后将这个数据对象在内存中的地址保存到栈空间的变量中，这样变量就指向了堆内存中的这个数据对象。
例如，a = 10赋值后的图示：
如果将变量a再赋值给变量b，即b = a，那么赋值后的图示：
因为a和b都指向对内存中的同一个数据对象，所以它们是完全等价的。这里的等价不仅仅是值的比较相等，而是更深层次的表示同一个对象。就像a=20000和c=20000，虽然值相等，但却是两个数据对象。这些内容具体的下一节解释。
在python中有可变数据对象和不可变数据对象的区分。可变的意思是可以在堆内存原始数据结构内修改数据，不可变的意思是，要修改数据，必须在堆内存中创建另一个数据对象(因为原始的数据对象不允许修改)，并将这个新数据对象的地址保存到变量中。例如，数值、字符串、元组是不可变对象，列表是可变对象。
可变对象和不可变对象的赋值形式虽然一样，但是修改数据时的过程不一样。
对于不可变对象，修改数据是直接在堆内存中新创建一个数据对象。如图：
对于可变对象，修改这个可变对象中的元素时，这个可变对象的地址不会改变，所以是"原处修改"的。但需要注意的是，这个被修改的元素可能是不可变对象，可能是可变对象，如果被修改的元素是不可变对象，就会创建一个新数据对象，并引用这个新数据对象，而原始的那个元素将等待垃圾回收器回收。
>>> L=[333,444,555]
>>> id(L),id(L[1])
(56583832, 55771984)
>>> L[1]=4444
>>> id(L),id(L[1])
(56583832, 55771952)如图所示：
早就存在的小整数
数值对象是不可变对象，理论上每个数值都会创建新对象。
但实际上并不总是如此，对于[-5,256]这个区间内的小整数，因为Python内部引用过多，这些整数在python运行的时候就事先创建好并编译好对象了。所以，a=2, b=2, c=2根本不会在内存中新创建数据对象2，而是引用早已创建好的初始化数值2。
所以：
>>> a=2
>>> b=2
>>> a is b
True其实可以通过sys.getrefcount()函数查看数据对象的引用计数。例如:
>>> sys.getrefcount(2)
78
>>> a=2
>>> sys.getrefcount(2)
79对于小整数范围内的数的引用计数都至少是几十次的，而超出小整数范围的数都是2或者3(不同执行方式得到的计数值不一样，比如交互式、文件执行)。
对于超出小整数范围的数值，每一次使用数值对象都创建一个新数据对象。例如:
>>> a=20000
>>> b=20000
>>> a is b
False因为这里的20000是两个对象，这很合理论。但是看下面的：
>>> a=20000;b=20000
>>> a is b
True
>>> a,b=20000,20000
>>> a is b
True为什么它们会返回True？原因是python解析代码的方式是按行解释的，读一行解释一行，创建了第一个20000时发现本行后面还要使用一个20000，于是b也会使用这个20000，所以它返回True。而前面的换行赋值的方式，在解释完一行后就会立即忘记之前已经创建过20000的数据对象，于是会为b创建另一个20000，所以它返回False。
如果是在python文件中执行，则在同意作用域内的a is b一直都会是True，而不管它们的赋值方式如何。这和代码块作用域有关：整个py文件是一个模块作用域。此处只给测试结果，不展开解释，否则篇幅太大了，如不理解下面的结果，可看我的另一篇Python作用域详述。
a = 25700
b = 25700
print(a is b) # True
def f():
c = 25700
d = 25700
print(c is d) # True
print(a is c) # False
f()深拷贝和浅拷贝
对于下面的赋值过程：
L1 = [1,2,3]
L2 = L1前面分析过修改L1或L2的元素时都会影响另一个的原因：按引用赋值。实际上，按引用是指直接将L1中保存的列表内存地址拷贝给L2。
再看一个嵌套的数据结构：
L1 = [1,[2,22,222],3]
L2 = L1这里从L1拷贝给L2的也是外层列表的地址，所以L2可以找到这个外层列表包括其内元素。
下面是深、浅拷贝的概念：
- 浅拷贝：shallow copy，只拷贝第一层的数据。python中赋值操作或copy模块的copy()就是浅拷贝
- 深拷贝：deep copy，递归拷贝所有层次的数据，python中copy模块的deepcopy()是深拷贝
所谓第一层次，指的是出现嵌套的复杂数据结构时，那些引用指向的数据对象属于深一层次的数据。例如：
L = [2,22,222]
L1 = [1,2,3]
L2 = [1,L,3]L1和L2都只有一层深度，L3有两层深度。浅拷贝时只拷贝第一层的数据作为副本，深拷贝递归拷贝所有层次的数据作为副本。
例如：
>>> L=[2,22,222]
>>> L1=[1,L,3]
>>> L11 = copy.copy(L1)
>>> L11,L1
([1, [2, 22, 222], 3], [1, [2, 22, 222], 3])
>>> L11 is L1
False
>>> id(L1),id(L11) # 不想等
(17788040, 17786760)
>>> id(L1[1]),id(L11[1]) # 相等
(17787880, 17787880)注意上面的L1和L11是不同的列表对象，但它们中的第二个元素是同一个对象，因为copy.copy是浅拷贝，只拷贝了这个内嵌列表的地址。
而深拷贝则完全创建新的副本对象：
>>> L111 = copy.deepcopy(L1)
>>> L1[1],L111[1]
([2, 22, 222], [2, 22, 222])
>>> id(L1[1]),id(L111[1])
(17787880, 17787800)因为是浅拷贝，对于内嵌了可变对象的数据时，修改内嵌的可变数据，会影响其它变量。因为它们都指向同一个数据对象，这和按引用赋值是同一个道理。例如：
>>> s = [1,2,[3,33,333,3333]]
>>> s1 = copy.copy(s)
>>> s1[2][3] = 333333333
>>> s[2], s1[2]
([3, 33, 333, 333333333], [3, 33, 333, 333333333])一般来说，浅拷贝或按引用赋值就是我们所期待的操作。只有少数时候(比如数据序列化、要传输、要持久化等)，才需要深拷贝操作，但这些操作一般都内置在对应的函数中，无需我们手动去深拷贝。
0