当a、b均为ndarray时，a=b与a=np.array(b)的差异解析

案例1 #

import numpy as np

a = np.array([1,2])

def add(x, num):
    x[0] += num
    x[1] += num

    return x

b = np.array(a)
c = a

b = add(b, 1)

c = np.vstack((c,b))

print(c)

运行结果为：[[1 2] [2 3]]

案例2 #

import numpy as np

a = np.array([1,2])

def add(x, num):
    x[0] += num
    x[1] += num

    return x

b = a
c = a

b = add(b, 1)

c = np.vstack((c,b))

print(c)

运行结果为：[[2 3] [2 3]]

两者仅在数组赋值行的写法上有区别：分别使用b = np.array(a)和b = a，核心差异如下：

• b = np.array(a)：创建独立的新数组
  这种写法会在内存中生成一个全新的NumPy数组对象，新数组的初始数据和a完全一致，但两者拥有独立的内存空间。后续对b的任何修改（比如add函数中修改数组元素）都只会作用于这个新数组，不会影响原数组a。所以案例1中，c指向的原数组a保持初始值[1,2]，修改后的b为[2,3]，最终拼接结果是两个不同的数组。

• b = a：引用赋值，共享同一个数组
  这种写法并没有创建新数组，只是让变量b和a指向内存中同一个数组对象。此时a、b、c三个变量都对应同一个数组，调用add(b,1)修改数组元素时，本质是修改了这个共享的数组内容，a和c的值也会同步变化。所以案例2中，c和b最终指向的都是修改后的数组[2,3]，拼接后得到两个相同的数组。

内容的提问来源于stack exchange，提问作者IRobo