为何deepcopy()处理pandas.DataFrame时速度极快？

这背后的核心原因是pandas对象实现了自定义的__deepcopy__方法，完全绕开了Python标准库deepcopy默认的低效逻辑。

先说说普通列表的deepcopy为什么慢 #

Python自带的deepcopy默认会对对象做递归式逐元素复制。比如你测试的大列表，deepcopy(a)会遍历10^7个元素，逐个完成复制操作——Python层面的循环开销在数据量极大时会被无限放大，这就是它比a.copy()慢几十倍的原因。而a.copy()是列表的浅拷贝，对于存储不可变元素的列表，它直接批量复制底层内存块，效率自然高很多。

DataFrame的deepcopy走了“捷径” #

pandas的DataFrame（包括Series等核心结构）自己实现了__deepcopy__方法，当你对DataFrame调用deepcopy时，它根本不会用默认的递归逻辑，而是直接调用DataFrame.copy(deep=True)——这个方法的底层是基于numpy数组的批量内存复制，完全在C/numpy层面完成，避开了Python循环的开销，速度自然快得飞起。

你的两种复制方式本质是一回事 #

你写的手动深拷贝：

manual_deep_copy = {k: v.copy() for k, v in dict_of_dfs.items()}

和deepcopy(dict_of_dfs)几乎没有区别：

1. 字典层面：deepcopy会创建新字典，和字典推导式的效果一致；
2. DataFrame层面：deepcopy调用自定义的__deepcopy__，也就是执行v.copy(deep=True)——而DataFrame.copy()默认参数就是deep=True，所以和你手动调用v.copy()完全等价。

这就是两者速度差不多的原因，都是吃了pandas底层高效复制的红利。

内容的提问来源于stack exchange，提问作者julpw