Shallow copy vs Deep copy en Python: la mutación inesperada

Imagina que tienes una lista con datos de un usuario:

usuario_original = {
    'nombre': 'Juan',
    'edad': 25,
    'direccion': {
        'calle': 'Gran Vía',
        'ciudad': 'Madrid'
    }
}

Ahora quieres hacer una copia para trabajar sin afectar el original:

usuario_copia = usuario_original.copy()

# Cambias la copia
usuario_copia['nombre'] = 'Carlos'

print(usuario_original['nombre'])  # Juan
print(usuario_copia['nombre'])     # Carlos

# Bien, la copia no afectó al original

Pero ahora cambias la ciudad en la copia:

usuario_copia['direccion']['ciudad'] = 'Barcelona'

print(usuario_original['direccion']['ciudad'])  # Barcelona
print(usuario_copia['direccion']['ciudad'])     # Barcelona

# ¡¿QUÉ?! El original también cambió!

Acabas de encontrar posiblemente el bug más silencioso de Python: el shallow copy. Tu código “parece” correcto. Hiciste una copia. Pero cambió el original de todas formas.

La razón: .copy() hace una copia superficial. Copia el contenedor, pero no lo que hay dentro. Si hay estructuras anidadas (listas dentro de listas, diccionarios dentro de diccionarios), seguirán apuntando a los MISMOS objetos. Cambias uno, cambias ambos.

En esta entrada vamos a ver:

• La diferencia entre shallow y deep copy.
• Por qué shallow copy te traiciona (con estructuras anidadas).
• Cuándo cada uno es suficiente.
• Cómo evitar este bug.
• Deep copy y sus costes (es más lento).

La diferencia visual

Imagina una estructura anidada como una caja dentro de otra caja:

En Analytics Lane

Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera

datos = {
    'nivel1': [1, 2, {'nivel2': 'valor'}]
}

Shallow copy

datos (original)
├── 'nivel1' → lista A
    ├── 1
    ├── 2
    └── dict B → {'nivel2': 'valor'}

datos_copia = datos.copy()
├── 'nivel1' → lista A (¡MISMA referencia!)
    ├── 1
    ├── 2
    └── dict B → {'nivel2': 'valor'} (¡MISMA referencia!)

Shallow copy copia las “cajas exteriores” pero los contenidos anidados siguen siendo los MISMOS objetos. Modificas el contenido anidado en la copia y afectas al original.

Deep copy

datos (original)
├── 'nivel1' → lista A
    ├── 1
    ├── 2
    └── dict B → {'nivel2': 'valor'}

datos_copia = deepcopy(datos)
├── 'nivel1' → lista A' (NUEVA copia)
    ├── 1
    ├── 2
    └── dict B' → {'nivel2': 'valor'} (NUEVA copia)

Deep copy recorre toda la estructura y copia TODO, incluso los objetos anidados. Ahora sí son completamente independientes.

El problema: shallow copy con estructuras anidadas

Ejemplo 1: Diccionarios anidados

usuario_original = {
    'nombre': 'Juan',
    'datos': {
        'edad': 25,
        'ciudad': 'Madrid'
    }
}

# Shallow copy
usuario_copia = usuario_original.copy()

# Modificas la copia
usuario_copia['datos']['ciudad'] = 'Barcelona'

# ¡El original cambió!
print(usuario_original['datos']['ciudad'])  # Barcelona
print(usuario_copia['datos']['ciudad'])     # Barcelona

¿Por qué? Porque copy() solo copia el diccionario exterior. La clave 'datos' sigue apuntando al MISMO diccionario anidado en ambos.

print(id(usuario_original['datos']))  # 140234567891648
print(id(usuario_copia['datos']))     # 140234567891648 (¡MISMA dirección!)

Ejemplo 2: Listas dentro de listas

matriz_original = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]

# Shallow copy
matriz_copia = matriz_original.copy()

# Modificas la copia
matriz_copia[0][0] = 999

# ¡La original también cambió!
print(matriz_original[0][0])  # 999
print(matriz_copia[0][0])     # 999

Las listas interiores son las MISMAS en ambas.

Ejemplo 3: Listas de diccionarios

tareas_original = [
    {'id': 1, 'titulo': 'Tarea 1', 'completada': False},
    {'id': 2, 'titulo': 'Tarea 2', 'completada': False},
]

# Shallow copy
tareas_copia = tareas_original.copy()

# Marcar como completada en la copia
tareas_copia[0]['completada'] = True

# ¡La original también se marcó!
print(tareas_original[0]['completada'])  # True
print(tareas_copia[0]['completada'])     # True

Cómo hacer una copia VERDADERA: deep copy

Necesitas importar deepcopy:

from copy import deepcopy

usuario_original = {
    'nombre': 'Juan',
    'datos': {
        'edad': 25,
        'ciudad': 'Madrid'
    }
}

# Deep copy: copia TODO recursivamente
usuario_copia = deepcopy(usuario_original)

# Ahora sí puedes modificar sin afectar el original
usuario_copia['datos']['ciudad'] = 'Barcelona'

print(usuario_original['datos']['ciudad'])  # Madrid
print(usuario_copia['datos']['ciudad'])     # Barcelona

Ahora sí son completamente independientes:

print(id(usuario_original['datos']))  # 140234567891648
print(id(usuario_copia['datos']))     # 140234567991712 (¡DIFERENTE!)

Diferencia con tuplas (sorpresa)

Las tuplas tienen un comportamiento raro:

tupla_original = (1, 2, [3, 4, 5])

# "Copiar" una tupla
tupla_copia = tupla_original

# Modificar la lista dentro
tupla_copia[2][0] = 999

print(tupla_original)  # (1, 2, [999, 4, 5]) cambió!

¿Por qué? Porque las tuplas son inmutables pero contienen referencias. No puedes cambiar la tupla, pero sí lo que hay dentro.

# Intentar cambiar la tupla misma
tupla_copia[0] = 10
# TypeError: 'tuple' object does not support item assignment

# Pero cambiar el contenido... funciona
tupla_copia[2][0] = 999  # Esto sí

Métodos de copia: cuál usar en cada caso

Shallow copy

# Diccionario
d = {'a': 1, 'b': [2, 3]}
d_copy = d.copy()
d_copy2 = dict(d)  # También funciona

# Lista
l = [1, 2, [3, 4]]
l_copy = l.copy()
l_copy2 = l[:]     # Slicing también copia
l_copy3 = list(l)  # Constructor también

# Set
s = {1, 2, 3}
s_copy = s.copy()

# Tupla (no se copia, son immutables)
t = (1, 2, 3)
t_copy = t  # No necesitas copiar

Deep copy

from copy import deepcopy

# Cualquier estructura
d = {'a': 1, 'b': [2, {'c': 3}]}
d_deep = deepcopy(d)

l = [1, [2, [3, 4]]]
l_deep = deepcopy(l)

t = (1, [2, 3], {'a': 4})
t_deep = deepcopy(t)

Cuándo cada uno es suficiente

Usa shallow copy cuando:

• Los datos son simples y sin nesting: solo strings, números, booleanos.
• NO hay listas, diccionarios o objetos dentro.
• Solo quieres una “copia de seguridad” del nivel superior.

# Shallow copy es suficiente
datos = {
    'nombre': 'Juan',
    'edad': 25,
    'activo': True
}

copia = datos.copy()
copia['nombre'] = 'Carlos'  # Solo cambias valores simples
# No afecta al original

Usa deep copy cuando:

• Hay estructuras anidadas: listas dentro de listas, diccionarios dentro de diccionarios.
• Vas a modificar el contenido anidado en la copia.
• Necesitas verdadera independencia entre original y copia.

# Deep copy es necesario
datos = {
    'usuario': 'Juan',
    'perfil': {
        'edad': 25,
        'hobbies': ['lectura', 'deportes']
    }
}

copia = deepcopy(datos)
copia['perfil']['hobbies'].append('música')  # No afecta al original

El coste: deep copy es más lento

Deep copy recorre toda la estructura recursivamente, por lo que es necesariamente más lento que una copia normal.

import timeit
from copy import deepcopy

datos = {'nivel1': {'nivel2': {'nivel3': {'nivel4': list(range(1000))}}}}

# Shallow copy
tiempo_shallow = timeit.timeit(
    lambda: datos.copy(),
    number=100000
)

# Deep copy
tiempo_deep = timeit.timeit(
    lambda: deepcopy(datos),
    number=100000
)

print(f"Shallow: {tiempo_shallow:.4f}s")  # ~0.01s
print(f"Deep:    {tiempo_deep:.4f}s")     # ~0.5s (50 veces más lento!)

Para estructuras profundas, deep copy puede ser notablemente más lento. Úsalo solo cuando lo necesites.

Ejemplos prácticos

Ejemplo 1: Configuración de usuario

# Template de configuración
config_template = {
    'tema': 'oscuro',
    'lenguaje': 'es',
    'notificaciones': {
        'email': True,
        'push': False,
        'sms': False
    }
}

# Crear configuración para cada usuario
def crear_config_usuario(user_id):
    from copy import deepcopy

    # Necesita deep copy porque modificaremos notificaciones
    config = deepcopy(config_template)

    # Personalizar sin afectar el template
    config['notificaciones']['email'] = False

    return config

config1 = crear_config_usuario(1)
config2 = crear_config_usuario(2)

# Cada una es independiente
config1['notificaciones']['email'] = False
print(config2['notificaciones']['email'])  # True (no cambió)

Si usases copy() en lugar de deepcopy(), cambiar notificaciones en config1 afectaría a config2.

Ejemplo 2: Pipeline de transformación de datos

from copy import deepcopy

def procesar_datos(datos_originales):
    # Necesitas deep copy para no afectar los originales
    datos = deepcopy(datos_originales)

    # Transformación 1
    for item in datos:
        item['procesado'] = True
        item['timestamp'] = "2024-01-15"

    # Transformación 2
    datos_filtrados = [d for d in datos if d.get('activo')]

    return datos_filtrados, datos

originales = [
    {'id': 1, 'activo': True, 'datos': {'valor': 100}},
    {'id': 2, 'activo': False, 'datos': {'valor': 200}},
]

procesados, transformados = procesar_datos(originales)

print(originales[0])  # Sin 'procesado' ni 'timestamp'
print(procesados[0])  # Con 'procesado' y 'timestamp'

Con shallow copy, los cambios en item['datos']['valor'] afectarían a los originales.

Ejemplo 3: Clonación de objeto complejos

from copy import deepcopy

class Proyecto:
    def __init__(self, nombre, tareas):
        self.nombre = nombre
        self.tareas = tareas  # lista de diccionarios

proyecto1 = Proyecto("App", [
    {'titulo': 'Diseño', 'completada': False},
    {'titulo': 'Backend', 'completada': False},
])

# Crear una copia sin afectar el original
proyecto2 = deepcopy(proyecto1)
proyecto2.nombre = "Web"
proyecto2.tareas[0]['completada'] = True

print(proyecto1.tareas[0]['completada'])  # False
print(proyecto2.tareas[0]['completada'])  # True

Ejemplo 4: Shallow copy es suficiente aquí

# Datos simples sin nesting
coordenadas_originales = {
    'x': 10,
    'y': 20,
    'nombre': 'punto_a'
}

# Shallow copy está bien
coordenadas_copia = coordenadas_originales.copy()

coordenadas_copia['x'] = 15
coordenadas_copia['nombre'] = 'punto_b'

# El original no cambió
print(coordenadas_originales['x'])  # 10
print(coordenadas_originales['nombre'])  # punto_a

Debugging: cómo encontrar este bug

Síntoma: cambias algo en la “copia” y el original también cambia. Sin razón aparente.

Solución: busca .copy() en el código. Pregúntate: “¿hay estructuras anidadas?” Si sí, cámbialo a deepcopy().

# Probablemente un bug
lista_copia = lista_original.copy()

# Cambias algo anidado
lista_copia[0]['campo'] = "nuevo valor"

# Y el original cambió
print(lista_original[0]['campo'])  # "nuevo valor"

# Arreglado
from copy import deepcopy
lista_copia = deepcopy(lista_original)

# Ahora el original no cambia

Operaciones que usan shallow copy

Ten cuidado: muchas operaciones hacen shallow copy “silenciosamente”:

from copy import deepcopy

datos = {'a': [1, 2, 3]}

# Todas estas son shallow copies
copia1 = datos.copy()
copia2 = dict(datos)
copia3 = {**datos}  # Unpacking
copia4 = datos[:]  # Slicing (solo para listas)

# Todas comparten la lista interna
copia1['a'].append(999)
print(datos)  # {'a': [1, 2, 3, 999]} ← cambió!

Si hay nesting, todas fallan de la misma forma. Usa deepcopy().

La verdad incómoda: = tampoco copia

Una trampa extra:

datos_original = {'a': [1, 2, 3]}
datos_copia = datos_original  # Esto NO es una copia

datos_copia['a'].append(999)

print(datos_original)  # {'a': [1, 2, 3, 999]} ← ¡cambió!

= no copia nada. Solo crea un alias. Ambas variables apuntan al MISMO objeto.

Tabla resumen

Conclusiones

Shallow copy y deep copy parecen lo mismo (“copiar una estructura”), pero son fundamentalmente distintos:

• Shallow copy (copy(), [:], unpacking): copia el contenedor, no lo que hay dentro. Las estructuras anidadas siguen siendo REFERENCIAS al original.
• Deep copy (deepcopy()): recorre toda la estructura y copia TODO, incluso lo anidado. Verdadera independencia.

El bug ocurre silenciosamente: tu código “funciona” hasta que modificas algo anidado. Ahí descubres que ambas estructuras comparten ese contenido.

Regla simple:

• ¿Hay listas, diccionarios u objetos DENTRO? → usa deepcopy().
• ¿Solo datos simples (strings, números)? → copy() está bien.
• ¿No estás seguro? → usa deepcopy() (es más lento, pero correcto siempre).

Imagen de Jill Wellington en Pixabay