你写了一个小函数，传进去一个 list。函数里只是 append 了一个值，结果调用方的数据也变了。然后你又试了一次：在函数里写 lst = [...]，调用方却完全没受影响。如果你把这两件事都看成「我在改变量」，就会越写越不踏实。更稳的方式是：把 Python 里的变量理解成「标签」，把对象理解成「数据」。这篇文章我们用一个贯穿全文的锚点来讲：标签贴在数据上。一旦你能分清「改数据」和「换标签」，大多数引用相关的问题都会自动消失。

2先把世界拆成两件东西：数据和标签

在 Python 里，你可以把运行时发生的事拆成两类角色：

• 数据：真正存放内容、可能被修改的对象（比如 list、dict）
• 标签：一个名字，用来指向某份数据（比如变量名、函数参数名）

例如：

nums = [1, 2, 3]

更接近真实的描述是：

• 内存里出现了一份数据 [1, 2, 3]
• 一个叫 nums 的标签，贴在了这份数据上

标签本身不保存数据，它只是「指向」数据。

这句话先记住，后面所有推导都会变得简单。

3赋值 =：不是改数据，而是换标签贴的位置

再看一行很普通的代码：

nums = [7, 8, 9]

如果你用「标签」模型理解，它做的事情是：

• 创建了一份新的数据 [7, 8, 9]
• 把 nums 这个标签，从旧数据上撕下来
• 贴到新数据上

旧的 [1, 2, 3] 并没有被修改，它只是暂时没有标签指向了（之后可能被回收）。

结论可以更干脆一点：= 永远只影响标签，不会直接修改数据。

这在写 Skills 或工具脚本时非常关键，因为很多「我以为我改了」其实只是「我换了指向」。

4函数参数：只是多贴了一张标签（并没有自动复制数据）

来看一个函数调用：

defdemo(lst):
    ...

demo(nums)

这里最容易被误会的点是：以为传参会复制一份数据。

但按「标签」模型，发生的是：

• nums 标签贴在某份数据上
• 调用函数时，lst 也贴到了同一份数据上

所以你会看到两个现象同时成立：

• lst 和 nums 是两张不同的标签
• 但它们指向的是同一份数据

于是，当你在函数里做「原地修改」时，外面当然也会看到变化。

函数参数不是「拷贝品」，它更像是「临时别名」。

5什么时候是在「改数据本身」：看你用的是否是原地操作

下面这些操作的共同点是：它们直接修改了那份数据本身。

lst.append(4)
lst[0] = 100
lst.sort()
meta['title'] = '新标题'

因此只要有多个标签同时指向那份数据，大家看到的都会是同一个最新结果。

判断标准也可以很简单：这行代码到底是在「动对象」，还是在「换指向」。

如果你正在写 Skills，这会直接影响你的函数设计：你写的是「会改入参」的函数，还是「生成新数据」的函数。

6为什么 lst = [...] 不会影响外部：你只是把函数内部的标签换贴了

defdemo(lst):
    lst = [7, 8, 9]

结合前面的模型，这段代码发生的事很直白：

• 创建了一份新数据 [7, 8, 9]
• 把 lst 这个标签，换贴到新数据上

而调用方的 nums 还贴在原来的那份数据上，所以当然不受影响。

在函数里对参数使用 =，影响的是函数内部的标签指向，不是调用方的数据。

7.copy() 复制了什么：只复制外壳，不递归复制里面的东西

在 Skills 开发里，.copy() 很常见，也很容易被「想当然」。

copy_nums = nums.copy()

它做的事情可以概括成一句话：

.copy() 会创建一份新的外层容器，但里面的元素仍可能指向同一份数据。

所以它为什么「有时安全，有时不安全」？

如果元素本身不可变（例如字符串），你即便共享也改不了它，感觉就很安全：

nums = ['a', 'b', 'c']
copy_nums = nums.copy()

但如果元素本身是可变对象，浅拷贝就会把「共享」带到下一层：

data = [
    ['title', 'Vite'],
    ['author', 'Iris'],
]
copy_data = data.copy()

这里复制的是外层 list。

内层两个小 list 仍然是同一份数据，所以你在 copy_data 里改内层，原来的 data 也会一起变。

到这里你不需要急着背 deepcopy、也不需要把每种情况都记住。

你只要记住边界：浅拷贝只到这一层，下一层仍可能共享。

8写 Skills 时，一个很实用的函数划分：修改型 vs 生成型

把函数分成两类，会让你更容易控制副作用。

第一类是修改型函数：它直接改入参，不返回新数据。

def normalize(lines):
    lines.append('')

第二类是生成型函数：它基于输入生成新数据，不修改原始数据，并且一定 return。

def normalize(lines):
    new_lines = lines.copy()
    new_lines.append('')
return new_lines

两种风格都能用，关键是要一致。

最容易让人踩坑的不是「用修改型」，而是「同一个函数里混着来」。

9最后留一个可以长期使用的自检问题

每次你写 Python 脚本、Skills 或自动化工具时，都可以问自己一句：

我现在这行代码，是在改数据，还是在换标签？

能立刻回答出来，你就会发现很多问题其实不需要「调试」才知道原因。

到这里，这套「标签贴在数据上」的模型已经够你在大多数工程场景里写得很稳了。你后面遇到更复杂的结构（嵌套 dict、对象引用链）也可以继续用同样的问法往下推。

更多相关技术内容咨询欢迎前往并持续关注好学星城论坛了解详情。

想高效系统的学习Python编程语言，推荐大家关注一个微信公众号：Python编程学习圈。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Python入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。