• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Crear una copia profunda en JavaScript

noviembre 22, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Cuando se necesita hacer una copia de un objeto o array en JavaScript se puede recurrir a los métodos assign() o slice(). El problema de estos métodos es que solamente realizar copias superficiales. Así cuando el objeto que se está copiando contiene objetos realzan una asignación de estos objetos a los nuevos, por lo que se obtiene una copia, sino que una referencia. En esta entrada vamos a ver métodos para una copia profunda en JavaScript, copiando también los objetos dentro de otros objetos.

Copiar un vector con slice()

Al utilizar el operador asignación en JavaScript para copiar un objeto lo que realmente se hace es asignar el objeto a la nueva variable. Nunca se hace una copia. Es decir, se para a tener dos referencias de un mismo objeto en memoria. De este modo, si se modifica el contenido del objeto en una de las variables el mismo cambio también se va a observar en la copia.

En el caso de los vectores posiblemente uno de los métodos más utilizados para realizar una copia del contenido es slice(). Con lo que se obtiene dos objetos diferentes en memoria. En el siguiente ejemplo se muestra como funciona la copia de un vector mediante el operador asignación y el método slice().

const vector = [1, 2, 3];

const vectorAssignment = vector;
const vectorSlice = vector.slice();

vector[0] = 0;

console.log(vector)
console.log(vectorAssignment)
console.log(vectorSlice)
[ 0, 2, 3 ]
[ 0, 2, 3 ]
[ 1, 2, 3 ]

Aquí se puede ver cómo al utilizar el operador asignación no se obtiene una copia, sino que un acceso al mismo objeto. Por otro lado el método slice() sí que devuelve un nuevo objeto.

Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
En Analytics Lane
Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane

Copiar un vector con assing()

Otra alternativa para obtener una copia de un vector es utilizar el método assing(). Este requiere crear primero un objeto para asignar posteriormente el contenido del objeto original. Al igual que slice() este método crear un objeto nuevo, lo que se puede ver en el siguiente ejemplo.

const vector = [1, 2, 3];

const vectorAssignment = vector;
const vectorAssign = [];
Object.assign(vectorAssign, vector);

vector[0] = 0;

console.log(vector)
console.log(vectorAssignment)
console.log(vectorAssign)
[ 0, 2, 3 ]
[ 0, 2, 3 ]
[ 1, 2, 3 ]

Obteniéndose el mismo resultado que se ha visto con el método slice().

Publicidad


Copia de vectores con objetos en su interior

Los vectores de JavaScript pueden contener no solamente tipos de datos primitivos, sino que otro tipo de objetos. Por ejemplo, se pueden contener vectores para cuando lo que se desea es representar una matriz. En este caso los métodos assign() o slice() solamente realizan una copia superficial de los datos, como se puede ver en el siguiente ejemplo.

const nestedVectors = [[1], [2], [3]];

const nestedVectorsAssignment = nestedVectors;
const nestedVectorsSlice = nestedVectors.slice();
const nestedVectorsAssign = [];
Object.assign(nestedVectorsAssign, nestedVectors);

nestedVectors[0][0] = 0;
nestedVectors[1] = [-1];

console.log(nestedVectors)
console.log(nestedVectorsAssignment)
console.log(nestedVectorsSlice)
console.log(nestedVectorsAssign)
[ [ 0 ], [ -1 ], [ 3 ] ]
[ [ 0 ], [ -1 ], [ 3 ] ]
[ [ 0 ], [ 2 ], [ 3 ] ]
[ [ 0 ], [ 2 ], [ 3 ] ]

Un ejemplo en el que se puede observar que los objetos dentro del vector no son copiados, sino que asignados al nuevo objeto. Para modificar el contenido de un objeto interno sin modificar las copias es necesario modificar estos. Algo que no se desea realizar en la mayoría de las situaciones.

Copia profunda en JavaScript de vectores

En JavaScript un método para realizar una copia profunda de los vectores, es decir, hacer una copia exacta del vector y su contenido, es convirtiendo el vector en una cadena de texto y volviéndola a transformar en objeto. Algo que se muestra en el siguiente ejemplo.

const nestedVectors = [[1], [2], [3]];

const nestedVectorsAssignment = nestedVectors;
const nestedVectorsDeep= JSON.parse(JSON.stringify(nestedVectors));

nestedVectors[0][0] = 0;
nestedVectors[1] = [-1];

console.log(nestedVectors)
console.log(nestedVectorsAssignment)
console.log(nestedVectorsDeep)
[ [ 0 ], [ -1 ], [ 3 ] ]
[ [ 0 ], [ -1 ], [ 3 ] ]
[ [ 1 ], [ 2 ], [ 3 ] ]

En este caso se puede ver cómo al modificar el contenido del vector original no se ve afectado el contenido de la copia. Lo que se busca al hacer una profunda en JavaScript de los objetos.

Copia profunda en JavaScript de diccionarios

A la hora de trabajar con diccionarios las copias que se realizan utilizando el método assign() (en los diccionarios no existe el método slice()) tienen el mismo problema. La copia que se obtiene es superficial y no profunda. Para obtener una copia profunda del diccionario se puede utilizar el mismo truco que con los vectores.

const dict = {a:[1], b:[2], c:[3]};

const dictAssignment = dict;
const dictAssign = {};
Object.assign(dictAssign, dict);
const dictDeep = JSON.parse(JSON.stringify(dict));

dict.a[0] = 0;
dict.b = [-1];

console.log(dict)
console.log(dictAssignment)
console.log(dictAssign)
console.log(dictDeep)
{ a: [ 0 ], b: [ -1 ], c: [ 3 ] }
{ a: [ 0 ], b: [ -1 ], c: [ 3 ] }
{ a: [ 0 ], b: [ 2 ], c: [ 3 ] }
{ a: [ 1 ], b: [ 2 ], c: [ 3 ] }

Publicidad


Conclusiones

En esta entrada se ha visto que los métodos assign() o slice() realiza copias superficiales de los objetos. Si estos contienen solamente datos primitivos no es un problema, pero si cuando estos contienen a su vez otros objetos. Lo que es un problema cuando se desea obtener una autentica copia de los objetos. Para solucionar este problema se ha visto cómo realizar copias profundas en JavaScript.

Imágenes: Pixabay (Martin Pyško)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
  • Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane
  • Calculadora de Contrastes de Hipótesis: interpreta correctamente el p-valor y toma decisiones estadísticas con confianza
  • Calculadora de Tamaño del Efecto: la herramienta clave para entender cuánto importa realmente una diferencia
  • Simulador de DBSCAN: descubre cómo encontrar clusters reales (y ruido) sin fijar K
  • Conversor de Colores: convierte, compara y valida cualquier color en tiempo real
  • Analytics Lane lanza su Generador de UUIDs: identificadores únicos, seguros y listos para producción en segundos
  • 1200 publicaciones en Analytics Lane
  • Analytics Lane lanza su Conversor TIN ↔ TAE: la herramienta definitiva para entender el coste real de depósitos, préstamos e hipotecas

Publicado en: JavaScript

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

De la Regresión Logística al Scorecard: La Transformación Matemática

mayo 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring

mayo 18, 2026 Por Daniel Rodríguez

Interés compuesto: la fuerza que multiplica tu dinero (y los errores que la anulan)

mayo 14, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Qué es la estadística y por qué todos deberíamos comprenderla? publicado el noviembre 22, 2024 | en Opinión
  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python) publicado el octubre 7, 2025 | en Herramientas, Productividad
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto