You need to enable JavaScript to run this app. np.random.shuffle打乱列表时为何直接赋值的列表会同步受影响
优惠活动
大模型
产品
解决方案
定价
更多

np.random.shuffle打乱列表时为何直接赋值的列表会同步受影响

现象产生的根本原因
  • 首先要明确:你代码里的data = examples完全不是列表拷贝操作。Python的变量赋值核心是引用绑定,不存在默认的值复制行为:
    执行这行代码时,系统不会为data开辟独立的列表内存空间,只是给examples原本指向的那个列表对象,新增了一个叫data的引用标签。两个变量名最终指向内存中同一个列表实体。
  • 其次,np.random.shuffle()的执行特性是原地修改输入对象:
    调用这个函数时,不会生成一个新的打乱后的列表副本,而是直接在传入的examples指向的内存块上修改元素排列顺序。因为data和examples本来就绑定到同一个实体,通过data访问到的内容自然会同步跟着变化。

很多从C、Java等采用值传递逻辑的语言转Python的开发者,会本能地把赋值操作理解成“把值复制一份给新变量”,但Python的赋值逻辑从来都是绑定引用,不会主动触发拷贝动作,这也是这类同步修改问题最常见的认知来源。

避免互相影响的正确写法

如果需要让data和examples指向完全独立的列表,隔离后续的操作影响,可以替换原来的赋值逻辑:

  • 普通列表的浅拷贝:使用data = examples.copy()或者切片写法data = examples[:],这时候data会指向全新的列表内存空间,后续对examples的原地修改(包括shuffle操作)不会影响data的内容。
  • 如果列表内部嵌套了其他可变结构(比如嵌套子列表、自定义对象),需要完全隔离修改影响的话,可以使用标准库copy模块的deepcopy方法创建深拷贝。

内容的提问来源于stack exchange,提问作者user13898475

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.05 00:54:07