Python二维列表索引赋值与numpy数组表现不一致原因问询

核心原因是Python列表创建方式导致的引用复用问题，与NumPy数组的底层实现逻辑完全不同，具体说明如下：

1. Python列表的引用复用逻辑 #

代码中使用A = [[0] * 5] * 5生成二维列表时，外层列表存储的是5个指向同一个子列表的引用，并非5个独立的子列表：

• 执行[0] * 5时，会生成1个独立的子列表[0,0,0,0,0]
• 后续执行*5时，Python不会重新生成5个新的子列表，仅将上述子列表的内存地址复制5次存入外层列表。也就是说A[0]到A[4]本质是完全相同的对象，修改任意一个子列表的元素，所有行的对应位置都会同步变化。

可以通过id()函数验证该结论：

A = [[0] * 5] * 5
print(id(A[0]) == id(A[1])) # 输出为True，说明两个子列表指向同一个内存地址

2. NumPy数组的实现逻辑差异 #

np.zeros((5,5))会在内存中开辟一块连续的空间存储二维数组的所有元素，每一行对应独立的内存区域，不存在引用复用的情况，修改B[0][0]只会修改对应内存地址的数值，不会影响其他位置的元素。

3. 独立二维Python列表的正确创建方式 #

如果要生成所有行独立的5x5列表，需使用列表推导式实现：

A = [[0]*5 for _ in range(5)]
A[0][0] = 1
print(A)
# 输出：[[1, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0]]

列表推导式每次循环都会生成新的子列表，不存在引用复用的问题，赋值行为与预期一致。

内容的提问来源于stack exchange，提问作者Nakkhatra