Краткий ответ
Список списков не создает копии объектов в списке;он просто копирует ссылки на них.Это ответ на заданный вопрос.
Длинный ответ
Тестирование на изменяемые и неизменяемые значения
Сначала давайте проверим основное утверждение.Мы можем показать, что даже в случае неизменяемых объектов, таких как целые числа, копируется только ссылка.Вот три разных целочисленных объекта, каждый из которых имеет одно и то же значение:
>>> a = [1000 + 1, 1000 + 1, 1000 + 1]
Они имеют одинаковое значение, но вы можете видеть, что это три разных объекта, потому что они имеют разные id s:
>>> map(id, a)
[140502922988976, 140502922988952, 140502922988928]
Когда вы их нарезаете, ссылки остаются прежними.Новые объекты не созданы:
>>> b = a[1:3]
>>> map(id, b)
[140502922988952, 140502922988928]
Использование разных объектов с одинаковым значением показывает, что процесс копирования не беспокоит interning - он просто напрямую копирует ссылки.
Тестирование с изменяемыми значениями дает тот же результат:
>>> a = [{0: 'zero', 1: 'one'}, ['foo', 'bar']]
>>> map(id, a)
[4380777000, 4380712040]
>>> map(id, a[1:]
... )
[4380712040]
Изучение оставшихся накладных расходов памяти
Конечно, ссылки сами копируются.Каждый из них стоит 8 байтов на 64-битной машине.И каждый список имеет свою собственную служебную память 72 байта:
>>> 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
Поскольку Джо Пинсоно напоминает нам , эта дополнительная нагрузка складывается.А сами целочисленные объекты не очень большие - они в три раза больше, чем ссылки.Так что это экономит память в абсолютном смысле, но асимптотически было бы неплохо иметь возможность иметь несколько списков, которые являются «представлениями» в одной и той же памяти.
Экономия памяти с использованием представлений
К сожалению, в Python нет простого способа создания объектов, которые являются «представлениями» в списках.Или, может быть, я должен сказать «к счастью»!Это означает, что вам не нужно беспокоиться о том, откуда взялся ломтик;изменения оригинала не повлияют на срез.В целом, это значительно упрощает рассуждения о поведении программы.
Если вы действительно хотите сэкономить память, работая с представлениями, рассмотрите возможность использования numpy массивов.Когда вы срезаете массив numpy, память распределяется между срезом и оригиналом:
>>> a = numpy.arange(3)
>>> a
array([0, 1, 2])
>>> b = a[1:3]
>>> b
array([1, 2])
Что происходит, когда мы изменяем a и снова смотрим на b?
>>> a[2] = 1001
>>> b
array([ 1, 1001])
Но это означает, что вы должны быть уверены, что когда вы изменяете один объект, вы случайно не модифицируете другой.Это компромисс при использовании numpy: меньше работы для компьютера и больше работы для программиста!