Numpy变量赋值是否为引用传递？赋值后变量同步更新的原理与规则

嘿，这个问题问到点子上了！没错，Numpy数组在直接赋值时默认采用引用传递，这就是你观察到的「修改A时B也随之更新」现象的根源。

先复现你遇到的场景 #

import numpy as np

# 创建原始Numpy数组
A = np.array([1, 2, 3])
# 将A赋值给B
B = A
# 修改A的第一个元素
A[0] = 99
# 打印B，结果和A同步变化
print(B)  # 输出: [99  2  3]

背后的机制是什么？ #

Numpy的数组是ndarray类型的对象，当你执行B = A时，并没有复制数组的实际数据——只是让变量B和A指向了内存中同一块存储数组数据的地址。换句话说，A和B其实是同一个数组的「别名」，不管通过哪个变量操作数组，都是直接修改底层的内存数据，所以另一个变量自然会看到变化。

通用规则要记牢 #

• 直接赋值（B = A）：100%是引用传递，共享同一块内存，操作任一变量都会影响对方。
• 想要真正复制数组？用这些方法：
  • B = A.copy()：创建深拷贝，完全复制所有数据到新的内存空间，修改A不会影响B。
  • B = np.copy(A)：和上面的方法效果一致，属于Numpy官方推荐的拷贝方式。
  • B = A[:]：切片操作会生成浅拷贝（对于一维数组来说和深拷贝效果相同，但多维数组若包含嵌套对象时需注意差异）。

这个特性的潜在风险 #

1. 意外修改原始数据：有时候你只是想修改一个临时数组，结果不小心改动了原始数据集，这种bug很难排查——因为看起来毫无关联的变量会突然「莫名其妙」地变化。
2. 内存浪费问题：如果多个变量引用同一个大数组，你以为某个变量不再使用可以释放内存，但由于其他引用存在，内存无法被回收，可能导致程序内存占用过高。
3. 函数传参陷阱：把Numpy数组传入函数时，默认也是引用传递。如果函数内部修改了数组，会直接影响外部的原始数组，要是没提前意识到这一点，很容易写出不符合预期的代码。

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