Numpy数组与Python列表作为函数参数的可变性及传递机制咨询

我熟悉VBA这类可在函数定义中显式指定参数按值（byVal）或按引用（byRef）传递的语言，但Python的参数传递逻辑让我困惑：看似默认类似按值传递，可变对象却又类似按引用传递，我不清楚这在NumPy数组和Python列表中的具体表现。

我的理解——可变/不可变等价于按引用/按值传递——是否错误？是否需要在函数首行对数组参数使用.deepcopy()来避免意外修改原对象？

代码示例与运行现象 #

以下代码展示了NumPy数组的相关传递现象（Python列表通过推导式修改元素时也有类似表现）：

import numpy as np

def inc_elements(my_array):
    for i in range(len(my_array)):
        my_array[i] = my_array[i] + 1.0
        # same effect as: my_array[i] += 1.0
    return my_array

def inc_array(my_array):
    my_array = np.add(my_array, np.full_like(my_array, 1.0))
    # same effect as: my_array = my_array + np.full_like(my_array, 1.0)
    # and:            my_array = my_array + 1.0
    # but NOT:        my_array += 1.0
    return my_array

def del_element(my_array):
    my_array = np.delete(my_array, [0,])
    return my_array

functions = [inc_elements, inc_array, del_element]
for func in functions:
    old_array = np.array([0., 1., 2.])
    print(f'old_array = {old_array}, {type(old_array)}')
    new_array = func(old_array)
    print(f'after {func.__name__}:')
    print(f'new array = {new_array}, {type(new_array)}')
    print(f'old_array = {old_array}, {type(old_array)}\n')
    del old_array, new_array

运行结果： #

old_array = [0. 1. 2.], <class 'numpy.ndarray'>
after inc_elements:
new array = [1. 2. 3.], <class 'numpy.ndarray'>
old_array = [1. 2. 3.], <class 'numpy.ndarray'>

old_array = [0. 1. 2.], <class 'numpy.ndarray'>
after inc_array:
new array = [1. 2. 3.], <class 'numpy.ndarray'>
old_array = [0. 1. 2.], <class 'numpy.ndarray'>

old_array = [0. 1. 2.], <class 'numpy.ndarray'>
after del_element:
new array = [1. 2.], <class 'numpy.ndarray'>
old_array = [0. 1. 2.], <class 'numpy.ndarray'>

具体疑问点 #

从运行结果可以看到：

• 逐个修改数组元素时，原数组会被修改；但使用np.add、np.delete这类NumPy函数修改整个数组时，原数组不受影响。这一规律是否普遍适用？
• 传递子数组或单个数组元素时，会有怎样的表现？
• 所有NumPy函数（如np.sqrt）都遵循“不修改原数组，返回新数组”的规律吗？
• NumPy数组的增强赋值运算符a += b行为类似循环修改元素，与a = a + b不等价，这背后的原因是什么？

资料需求 #

恳请推荐能深入讲解数组和列表作为Python函数参数传递机制的教材或官方文档内容。

内容的提问来源于stack exchange，提问作者Murray Anderson