Python中为何修改NumPy数组z会联动改变原数组x？如何避免？

NumPy数组是典型的Python可变对象，z = x这类赋值操作做的是引用绑定，不是值拷贝：

• 执行赋值时，程序不会把x存储的数组数值复制出来生成全新的数组，只是给x指向的内存块里的实际数组实体，额外加了一个叫z的变量标签。
• 此时x和z根本没有独立关系，完全是同一个对象的两个别名，不管用哪个变量名修改数组内部的元素，本质都是直接修改这块内存的内容，所以两个变量读取到的结果永远完全一致。

这和整数、字符串这类不可变对象的赋值逻辑完全不同——不可变对象做赋值时会生成独立的值副本，修改赋值后的新变量不会影响原变量。

核心操作是在给z赋值时，显式生成和x内存完全独立的数组副本，常用的可靠写法有两种：

• 最推荐的写法：调用数组自带的.copy()方法
  把原代码里的z = x替换为z = x.copy()即可。这个方法会把数组的所有元素完整复制到新的内存空间，后续对z的任何修改都完全不会干扰x。
  修正后的代码参考：

  x = np.arange(0, 5, 1)
  z = x.copy()  # 生成和x完全独立的副本
  for i in range(len(x)):
      z[i] = -z[i]
  print(z)  # 输出 [ 0 -1 -2 -3 -4]
  print(x)  # 输出 [0 1 2 3 4]，保留原始值不受影响
  

• 等价替代写法：通过NumPy的array构造函数显式指定拷贝
  可以写z = np.array(x, copy=True)，实现效果和.copy()完全一致，只是写法稍长。

很多从Python原生列表转用NumPy的开发者会习惯性用切片方式生成副本，也就是写z = x[:]，但在NumPy里这种写法返回的只是原数组的轻量视图，本质和x共享同一块内存，修改z的元素依然会同步改动x。遇到需要独立副本的场景，记得在切片操作后追加.copy()即可规避这类问题。

内容的提问来源于stack exchange，提问作者Python