В чем разница между = и оператором Is в Python?

В чем разница между = и оператором Is в Python?

Это важный вопрос, потому что эта разница часто приводит к ошибкам в коде Data Scientists. Хотя операторы выглядят похоже, они решают совершенно разные задачи.

Оператор =: присваивание значения

Оператор = используется для присваивания значения переменной.

x = 5
y = "hello"
a = [1, 2, 3]

Это просто присваивание. После этого переменная содержит это значение.

Оператор is: сравнение идентичности объектов

Оператор is проверяет, указывают ли две переменные на ОДИН И ТОТ ЖЕ объект в памяти. Это не проверка равенства значений, а проверка идентичности объектов.

a = [1, 2, 3]
b = [1, 2, 3]
c = a

a == b  # True — значения одинаковые
a is b  # False — разные объекты в памяти

a is c  # True — оба указывают на один объект

Практический пример, который поясняет разницу

# Создаём два списка с одинаковыми значениями
list1 = [1, 2, 3]
list2 = [1, 2, 3]

# Проверим с помощью ==
print(list1 == list2)  # True (значения равны)

# Проверим с помощью is
print(list1 is list2)  # False (разные объекты)

# id() показывает адрес объекта в памяти
print(id(list1))       # например: 140234567890
print(id(list2))       # например: 140234567891

Важное правило: is для None

В Python существует соглашение использовать is для проверки специальных значений:

# Правильно:
x = None
if x is None:
    print("x равен None")

# Неправильно:
if x == None:  # Это работает, но не считается Pythonic
    print("x равен None")

# То же самое для True и False (хотя чаще просто проверяют значение):
if flag is True:   # Работает, но редко используется
    pass

if flag:           # Более Pythonic
    pass

Интерпретирование с малыми числами (кеширование в Python)

Python кеширует малые числа для оптимизации:

a = 5
b = 5
a is b  # True! (малые целые кешируются)

a = 256
b = 256
a is b  # True

a = 257
b = 257
a is b  # False! (большие числа не кешируются)

Где это критично в Data Science

В обработке данных:

import pandas as pd
import numpy as np

# Неправильное сравнение
df_original = pd.DataFrame({'a': [1, 2, 3]})
df_copy = df_original  # Это не копия, а ссылка!

df_copy.loc[0, 'a'] = 999
print(df_original)  # Изменится и оригинал!

# Правильно — делаем копию
df_copy = df_original.copy()

Оператор ==: сравнение значений

В отличие от is, оператор == сравнивает ЗНАЧЕНИЯ:

a = [1, 2, 3]
b = [1, 2, 3]

a == b  # True
a is b  # False

# С NumPy:
arr1 = np.array([1, 2, 3])
arr2 = np.array([1, 2, 3])

arr1 == arr2  # array([True, True, True])
arr1 is arr2  # False

Итоговое правило

• = — присваивание переменной
• == — сравнение значений
• is — сравнение идентичности (ссылаются ли на один объект)

Используй is только для None, True, False и когда явно нужна проверка идентичности объектов.