Numpy函数中A *= B与A = A*B的行为差异及原因咨询

以下两段NumPy代码会产生不同的行为：

代码1：使用A = A * B #

import numpy as np

def func1(A, B):
    A = A * B
    return A

A = np.arange(3, dtype=float)
B = np.full(3, 2.0)

C1 = func1(A, B)

print(" func 1", C1)
print(" A after function 1 = ", A)
print()

运行结果：

• C1 = [0.0, 2.0, 4.0]（符合预期）
• 原数组A未改变，仍为[0.0, 1.0, 2.0]

代码2：使用A *= B #

def func2(A, B):
    A *= B
    return A

A = np.arange(3, dtype=float)
B = np.full(3, 2.0)

C2 = func2(A, B)

print(" func 2", C2)
print(" A after function 2 = ", A)

运行结果：

• C2 = [0.0, 2.0, 4.0]（符合预期）
• 原数组A被修改为[0.0, 2.0, 4.0]

疑问 #

原本以为func2内的数组A在运算时会自动复制，这种行为差异十分危险，想咨询为何会出现这种情况？两者的行为难道不应该一致吗？

解答 #

这两种操作的本质完全不同：

• A = A * B：创建新数组
  A * B会计算两个数组的元素乘积，生成一个全新的NumPy数组，之后函数内部的变量A会被重新赋值为这个新数组的引用。此时函数内的A和外部的原数组A已经指向不同的内存空间，所以外部数组不会被修改。

• A *= B：原地修改操作
  这个复合赋值运算符对应NumPy数组的__imul__方法，它不会创建新数组，而是直接在原数组的内存空间上完成计算并修改数据。因为函数内部的A是外部数组的引用，所以原地修改会直接影响到外部的原数组。

NumPy设计原地操作的初衷是节省内存（尤其是处理超大数组时），但如果忽略这个特性确实会意外修改原数据。如果需要避免修改原数组，要么使用A = A * B这种生成新数组的方式，要么先手动复制数组再操作，比如：

def func2_safe(A, B):
    A_copy = A.copy()
    A_copy *= B
    return A_copy

内容的提问来源于stack exchange，提问作者Ong Beng Seong