Python非Numpy环境下二维数组列替换失效原因探究

一、原生Python二维列表的列替换失效原因 #

先拆解你提到的两个操作逻辑：

• 行替换生效的本质：
  执行x[1][:] = [9 if x[1][k] == 1 else 0 for k in range(3)]时，x[1]直接指向原列表中的第二行子列表，[:]是对这个子列表的所有元素进行原地赋值，修改的是原列表中实际存在的子列表内容，因此原数组会被更新。
• 列替换失效的本质：
  执行x[:][1] = ...时，x[:]会生成原二维列表的浅拷贝——也就是一个新列表，里面的元素是原列表子列表的引用。之后你对这个临时拷贝的第1个元素（拷贝里的第二行）赋值，本质上只修改了这个临时拷贝，原列表x完全没被触动，所以看起来列替换“失效”了。

简单来说，原生Python的列表切片[:]返回的是新列表，多维索引是“逐层”解析的，不存在直接的“列索引”语法，你误以为的列操作，其实只是在临时拷贝上修改了某一行。

对应代码示例：

x = [[1,1,1],[1,1,1],[1,1,1]]
# 行替换：直接修改原列表的第二行
x[1][:] = [9 if x[1][k] == 1 else 0 for k in range(3)]
print(x)  # 输出 [[1, 1, 1], [9, 9, 9], [1, 1, 1]]

# 列替换：实际修改的是临时拷贝，原列表无变化
x[:][1] = [9,9,9]
print(x)  # 输出依旧是 [[1,1,1],[1,1,1],[1,1,1]]

二、Numpy数组能正常执行列替换的原因 #

Numpy的多维数组是面向多轴操作设计的，和原生列表的“嵌套子列表”结构完全不同：

• Numpy的切片x[:,1]是直接针对数组的第1轴（列轴）进行索引，返回的是原数组的视图（而非拷贝），对这个视图赋值会直接修改原数组的对应列数据。
• 另外，Numpy的多维索引语法是统一解析的，[:,1]明确表示“所有行的第1列”，而非像原生列表那样先做行拷贝再选行，因此列赋值操作能直接作用到原数组上。

对应代码示例：

import numpy as np
x = np.array([[1,1,1],[1,1,1],[1,1,1]])
x[:,1] = 9
print(x)
# 输出：
# [[1 9 1]
#  [1 9 1]
#  [1 9 1]]

内容的提问来源于stack exchange，提问作者Johan