[Python]深拷贝效率

      最近使用 Python 一个项目，发现 Python 的深拷贝 copy.deepcopy 实在是太慢了。

相关背景

      在 Python 中, 我们有两种拷贝对象的方式：浅拷贝和深拷贝。浅拷贝和深拷贝都可以在 copy 模块中找到, 其中 copy.copy() 进行浅拷贝操作, copy.deepcopy() 进行深拷贝操作。浅拷贝是在另一块地址中创建一个新的对象，但是新对象内的子对象引用指向源对象的子对象。如果这时候我们修改源对象的子对象的属性, 新对象中子对象的属性也会改变。为了获取一个和源对象没有任何关系的全新对象，我们需要深拷贝。深拷贝是在另一块地址中创建一个新的对象，同时对象内的子对象也是新开辟的，和源对象对比仅仅是值相同。

      下面用一个例子说明浅拷贝和深拷贝的区别。下面的代码将输出 "b [2,2,3]" 和 "c [1,2,3]"。

import copy
class A:
def __init__(self):
       array = [1,2,3]
a = A()
b = copy.copy(a)
c = copy.deepcopy(a)
a.array[0] = 2
print "b",b.array
print "c",c.array

b 是由 a 浅拷贝而来，c 是由 a 深拷贝而来。修改 a.array 之后， b.array 也随之发生变化。其实 a.array 和 b.array 指向同一个对象。而 c.array 则保持原样。

      深拷贝比浅拷贝符合人类的直觉，代价就是深拷贝实在是太慢了。下面代码中，case1 和 case2 是等价的。在我的机器上测试，case1 不到一秒，而 case2 则达到了 十秒。那么深拷贝为什么那么慢呢？

import copy
class A:
def __init__(self):
       array = [1,2,3]
a = [A() for i in xrange(100000)]
a[10].array[0] = 100
### case1
b = [A() for i in xrange(100000)]
for i in xrange(100000):
for j in xrange(3):
       b[i].array[j] = a[i].array[j]
### case2
c = copy.deepcopy(a)

深拷贝分析

      为了搞清楚为什么 Python 深拷贝这么慢，我阅读了下 Python 2.7 版本的 copy.deepcopy 的实现: https://github.com/python/cpython/blob/2.7/Lib/copy.py。其大体结构为:

def deepcopy(x, memo=None, _nil=[]):

if memo is None:
        memo = {}

    d = id(x)
    y = memo.get(d, _nil)
if y is not _nil:
return y

    cls = type(x)

    copier = _deepcopy_dispatch.get(cls)
if copier:
        y = copier(x, memo)
else:
... ## 其他特殊的拷贝方式

    memo[d] = y
return y

其中 memo 保存着所有拷贝过的对象。为什么要设置 memo 呢？在某些特殊情况下，一个对象的相关对象可以指向它自己，比如双向链表。如果不将拷贝过的对象存着，那程序将陷入死循环。另外一个值得注意的点是 copier = _deepcopy_dispatch.get(cls)，这行代码根据待拷贝对象的类型，选择相应的拷贝函数。可选的拷贝函数有：用于拷贝基本数据类型的 _deepcopy_atomic, 用于拷贝列表的 _deepcopy_list，用于拷贝元组 _deepcopy_tuple，用于拷贝字典 的 _deepcopy_dict，用于拷贝自定义对象的 _deepcopy_inst 等等。其中比较重要的拷贝函数 __deepcopy_inst 代码如下所示：如果对象有 _ _ deepcopy _ _ 函数，则使用该函数进行拷贝；如果没有，那么先拷贝初始构造参数，然后构造一个对象，再拷贝对象状态。

def _deepcopy_inst(x, memo):
if hasattr(x, '__deepcopy__'):
return x.__deepcopy__(memo)
if hasattr(x, '__getinitargs__'):
        args = x.__getinitargs__()
        args = deepcopy(args, memo)
        y = x.__class__(*args)
else:
        y = _EmptyClass()
        y.__class__ = x.__class__
    memo[id(x)] = y
if hasattr(x, '__getstate__'):
        state = x.__getstate__()
else:
        state = x.__dict__
    state = deepcopy(state, memo)
if hasattr(y, '__setstate__'):
        y.__setstate__(state)
else:
        y.__dict__.update(state)
return y

      深拷贝需要维护一个 memo 用于记录已经拷贝的对象，这是它比较慢的原因。在绝大多数情况下，程序里都不存在相互引用。但作为通用模块，Python 深拷贝必须为了这 1% 情形，牺牲 99% 情形下的性能。

一个场景

      上面给出了深拷贝效率对比的结果，已经可以看出深拷贝很慢了，但没有办法直观感受深拷贝拖累整个程序的运行速度。下面给一个实际项目的例子，最近在写的一些游戏环境。玩家程序获得游戏环境给出的信息，当前玩家程序选择合适的动作，游戏环境根据该动作推进游戏逻辑；重复上述过程，直到分出胜负；整个过程如下所示。给玩家程序的信息必须从游戏环境深拷贝出来。如果给玩家的信息是从游戏环境浅拷贝出来的，那么玩家程序有可能通过信息获取游戏秘密或者操纵游戏。

      我们已经知道默认的深拷贝很慢。为了改进深拷贝的效率，我们在信息类以及相关类都添加了 _ _ deepcopy _ _ 函数，下面是信息类示例。

class FiveCardStudInfo(roomai.abstract.AbstractInfo):
    public_state  = None
    person_state  = None

def __deepcopy__(self, memodict={}):
        info = FiveCardStudInfo()
        info.public_state = self.public_state.__deepcopy__()
        info.public_state = self.person_state.__deepcopy__()
return info

简单做了一个效率对比实验：让随机玩法玩家打一千局梭哈，统计耗时。实验结果如下所示。

      使用原始深拷贝，程序运行时间为 143 秒，其中深拷贝时间 134 秒，深拷贝时间占整个程序时间的 94%。使用了改进深拷贝，程序运行时间是 23 秒，其中深拷贝时间 16 秒，占比为 69 %。虽然深拷贝依然占到了 69%，相比之间 94 % 已经下降很多。整个程序运行时间也从 134 秒减少到 23 秒了。

总结

      Python 的深拷贝很慢，原因在于深拷贝需要维护一个 memo 用于记录已经拷贝的对象。而维护这个 memo 的原因是为了避免相互引用造成的死循环。绝大多数情况下，程序中不存在相互引用。但作为通用模块，Python 深拷贝必须为了这 1% 情形，牺牲 99% 情形下的性能。真是无奈呀。我们可以通过自己实现 _ _ deepcopy _ _ 函数来改进其效率。