深层映射是深拷贝的自然结果，即递归复制嵌套结构中每一层可变对象（如列表、字典、类实例），不可变对象（str、int、tuple等）则共享引用；必须用于多层嵌套数据、函数参数隔离、多线程状态隔离及测试副本等场景。
直接用 copy.deepcopy() 就能完成对象拷贝 + 深层映射。所谓“深层映射”，本质就是对嵌套结构里的每一层可变对象（比如列表中的列表、字典里的字典、类实例里的属性等）都创建独立副本，而不是共享引用。
什么是深层映射？
它不是单独的 Python 操作，而是深拷贝行为的自然结果： - 原对象里有几层嵌套，`deepcopy` 就递归几层； - 每一层的可变对象（list、dict、set、自定义类实例等）都会被新建一份； - 不可变对象（str、int、tuple、frozenset 等）不复制，只共享——这既安全又高效。比如：
original = [1, {'name': 'Alice', 'scores': [85, 92]}, [3, 4]]
copied = copy.deepcopy(original)
修改 copied[1]['scores'].append(99)，不会影响 original 的 scores，因为整个字典和它里面的列表都被重新创建了。
哪些情况必须用 deep copy？
- 数据结构含多层嵌套（如 API 返回的 JSON-like 字典/列表）； - 函数内要修改参数但不能改动原始数据； - 多线程或多进程前需隔离状态； - 测试中需要干净副本反复操作。怎么确保深层映射生效？
- 显式导入并调用：import copy; result = copy.deepcopy(obj)； - 避免误用浅拷贝方法（如.copy()、[:]、dict(obj)），它们只处理第一层；
- 自定义类若需控制深层行为，可实现 __deepcopy__(self, memo) 方法；
- 注意性能开销：深层映射会遍历全部嵌套，大数据或循环引用时稍慢（但 `deepcopy` 内置 memo 缓存，已自动处理循环）。
有没有替代方案？
- 纯数据结构（如 JSON 兼容对象）可用 json.loads(json.dumps(obj))，但仅限基本类型，丢失函数、类实例、datetime 等； - 第三方库如 deepcopy（非标准库）或 copy.deepcopy 的封装，通常没必要； - 手动递归构建适合极特殊场景，但易出错且维护成本高。不复杂但容易忽略。
