如何高效同步打乱多组对应NumPy数组且避免不必要内存开销

你最开始写的循环不生效，本质是因为循环里的i只是临时遍历变量，给i做赋值操作只会改变这个临时变量的指向，根本不会改动外层原本绑定的d_bundle这类变量。

你担心的「把所有数组存入列表再处理会占用额外内存」完全是多余的：Python列表存储numpy数组时存的是数组的引用，不是把整个数组拷贝一份放进列表，额外占用的内存只有几个指针的大小，完全可以忽略，这也是最简洁好维护的写法：

rand_inds = np.arange(len(d_bundle))
np.random.shuffle(rand_inds)

bundle_list = [d_bundle, d2_bundle, d_location_bundle, output_bundle]
for idx in range(len(bundle_list)):
    bundle_list[idx] = bundle_list[idx][rand_inds]

# 解包回原变量名即可
d_bundle, d2_bundle, d_location_bundle, output_bundle = bundle_list

如果你追求极致的内存节省（实际场景下完全没必要），也可以用同种子同步原地打乱的方案，连随机索引数组的内存都能省掉：

shuffle_seed = 12345
for arr in [d_bundle, d2_bundle, d_location_bundle, output_bundle]:
    rng = np.random.default_rng(shuffle_seed)
    rng.shuffle(arr)

注意这个原地打乱的方案有两个注意点：

• 必须每次循环都用同一个固定种子初始化随机生成器，才能保证所有数组的打乱顺序完全对应
• 该方法会直接修改原始数组，如果后续流程还需要用到原始顺序的数据，不要用这个写法

别被不必要的内存焦虑误导，只要你用的是根据索引取新数组的写法，不管你怎么组织代码，都会生成和原数组等大的新数组，这部分内存开销是逻辑本身决定的，和你是不是把数组放进列表没有关系——列表本身只存引用，产生的额外开销小到可以忽略。

内容的提问来源于stack exchange，提问作者James Huang