Die kurze Antwort
Durch das Schneiden von Listen werden keine Kopien der Objekte in der Liste generiert. es kopiert nur die Verweise auf sie. Das ist die Antwort auf die gestellte Frage.
Die lange Antwort
Testen auf veränderliche und unveränderliche Werte
Lassen Sie uns zunächst den Grundanspruch testen. Wir können zeigen, dass selbst bei unveränderlichen Objekten wie ganzen Zahlen nur die Referenz kopiert wird. Hier sind drei verschiedene ganzzahlige Objekte mit jeweils demselben Wert:
>>> a = [1000 + 1, 1000 + 1, 1000 + 1]
Sie haben den gleichen Wert, aber Sie können sehen, dass es sich um drei verschiedene Objekte handelt, da sie unterschiedliche ids haben:
>>> map(id, a)
[140502922988976, 140502922988952, 140502922988928]
Wenn Sie sie in Scheiben schneiden, bleiben die Referenzen gleich. Es wurden keine neuen Objekte erstellt:
>>> b = a[1:3]
>>> map(id, b)
[140502922988952, 140502922988928]
Die Verwendung verschiedener Objekte mit demselben Wert zeigt, dass sich der Kopiervorgang nicht um das Internieren kümmert, sondern lediglich die Referenzen direkt kopiert.
Das Testen mit veränderlichen Werten ergibt das gleiche Ergebnis:
>>> a = [{0: 'zero', 1: 'one'}, ['foo', 'bar']]
>>> map(id, a)
[4380777000, 4380712040]
>>> map(id, a[1:]
... )
[4380712040]
Untersuchen des verbleibenden Speicheraufwands
Natürlich werden die Referenzen selbst kopiert. Jeder kostet 8 Bytes auf einem 64-Bit-Computer. Und jede Liste hat ihren eigenen Speicheraufwand von 72 Bytes:
>>> for i in range(len(a)):
... x = a[:i]
... print('len: {}'.format(len(x)))
... print('size: {}'.format(sys.getsizeof(x)))
...
len: 0
size: 72
len: 1
size: 80
len: 2
size: 88
Wie Joe Pinsonault uns erinnert , summiert sich dieser Overhead. Und ganzzahlige Objekte selbst sind nicht sehr groß - sie sind dreimal größer als Referenzen. Dies spart Ihnen im absoluten Sinne etwas Speicherplatz, aber asymptotisch kann es hilfreich sein, mehrere Listen, die "Ansichten" sind, in demselben Speicher zu haben.
Speichern von Speicher mithilfe von Ansichten
Leider bietet Python keine einfache Möglichkeit, Objekte, die "Ansichten" sind, in Listen zu erstellen. Oder vielleicht sollte ich "zum Glück" sagen! Sie müssen sich also keine Gedanken darüber machen, woher eine Scheibe kommt. Änderungen am Original wirken sich nicht auf das Slice aus. Insgesamt erleichtert dies das Nachdenken über das Verhalten eines Programms erheblich.
Wenn Sie wirklich Speicher sparen möchten, indem Sie mit Ansichten arbeiten, sollten Sie numpyArrays verwenden. Wenn Sie ein numpyArray in Scheiben schneiden , wird der Speicher zwischen dem Slice und dem Original geteilt:
>>> a = numpy.arange(3)
>>> a
array([0, 1, 2])
>>> b = a[1:3]
>>> b
array([1, 2])
Was passiert, wenn wir etwas ändern aund erneut betrachten b?
>>> a[2] = 1001
>>> b
array([ 1, 1001])
Dies bedeutet jedoch, dass Sie sicherstellen müssen, dass Sie beim Ändern eines Objekts nicht versehentlich ein anderes Objekt ändern. Das ist der Kompromiss, wenn Sie verwenden numpy: weniger Arbeit für den Computer und mehr Arbeit für den Programmierer!