Python Numpy变量赋值是通过引用进行的？

以下是最基本的代码：

A = np.zeros((2,2))
B = A
A[0,0] = 2
print A
print B

哪些产出：

[[ 2.  0.]
 [ 0.  0.]]
[[ 2.  0.]
 [ 0.  0.]]

---

我希望

B

保持不变，但是它被更新为

A

的新值？这背后的机制是什么？知道为什么/何时会发生这种情况的一般规则是什么？这似乎有点危险…

这是一般的python行为，而不是特定于numpy。如果您有一个对象，例如

list

，您将看到类似的行为

a = [1]
b = a
b[0] = 7
print a
print b

将输出

[7]
[7]

这是因为变量a指向数组[1]所在的内存位置，然后使b指向同一位置。因此，如果该位置的值发生变化，则两个变量仍指向该位置。如果要避免这种行为，需要像这样使用.copy（）函数

A = np.zeros((2,2))
B = A.copy()
A[0,0] = 2
print A
print B

哪个输出

[[2. 0.]
[0. 0.]]
[[0. 0.]
[0. 0.]]

使用copy（）函数将生成一个全新的对象，而不是指向旧对象。 注意：这可能不是一种理想的方法，因为复制一个巨大的numpy数组在计算上可能会很昂贵

---

编辑：删除了单词mutable，因为该行为也适用于不可变

Python赋值的工作方式可能与此重复

A=B

仅表示“名称A所指的对象现在也被名称B所指”。同样，这很容易记住，它总是这样工作的。参见

A

和

B

参考相同的支持数据。实际上，在这种情况下，它更强大：它们指的是同一个对象@Thierrylahuille稍作阐述，这是一个关于评估策略的问题。在这个问题上，问题是任务是如何工作的。然而，在Python中，参数传递在语义上等同于赋值！对于numpy数组，添加了一层“查看”与“复制”：。注意，使用不可变对象也可以看到这种行为

a=（1,2,3）

然后

a=b

然后

打印（id（a），id（b））

是的，这也适用于不可变项。