纯数字NumPy数组用.copy()足够；嵌套列表等含可变对象的结构必须用copy.deepcopy()，因.copy()仅浅拷贝外层，内层仍共享引用。
Python多维数组用copy()还是deepcopy()？
直接说结论：对纯数字的numpy.ndarray，用.copy()足够；但对嵌套了列表、字典或自定义对象的“伪多维数组”（比如list[list[int]]），必须用copy.deepcopy()，否则改副本会连带改原数组。
很多人以为copy.copy()能搞定二维列表，结果在循环里修改某一行时，所有行都变了——这是因为copy.copy()只复制外层列表，内层子列表仍是同一对象引用。
-
numpy.ndarray.copy()是真正的内存隔离，生成新buffer，安全 -
copy.copy()对[[1,2],[3,4]]只拷贝最外层list，两个子list仍共享引用 -
copy.deepcopy()递归复制每一层，代价高但彻底，适合含可变嵌套结构的场景
NumPy数组用copy()后修改仍影响原数组？
这种现象基本只发生在你误用了view()或切片赋值，而不是.copy()本身失效。NumPy的.copy()默认创建的是“深拷贝级”的独立数组，但有三个典型例外：
- 用
a[:] = ...或a[...] = ...写入时，如果目标是视图（view），哪怕原数组是.copy()来的，也可能触发广播写入到原始内存（极少见，多见于np.broadcast_to后误操作） - 调用
np.array(..., copy=False)且输入已是ndarray时，不会复制——这是显式放弃拷贝 - 用
np.frombuffer()或np.memmap构造的数组，.copy()虽生成新对象，但若底层buffer被外部修改，仍可能“看起来”同步变化（本质是共享内存映射）
验证是否真正独立：打印a.data.ptr和b.data.ptr（b = a.copy()），地址不同才真隔离。
立即学习“Python免费学习笔记（深入）”；
嵌套列表模拟二维数组时deepcopy()太慢怎么办？
当数据量大（比如10k×10k的list[list[float]]），copy.deepcopy()会递归遍历每个元素，比NumPy慢1~2个数量级，且吃内存。这不是Python的问题，而是数据结构选错了。
- 优先转成
numpy.ndarray：用np.array(nested_list)，再调.copy()，速度提升明显 - 如果必须用嵌套列表（例如每行长度不一），可用列表推导式替代
deepcopy：[row[:] for row in nested_list]——仅适用于纯不可变元素（int/float/str）的一层嵌套 - 避免在热循环里反复
deepcopy；考虑复用结构，只拷贝需变的数据部分
注意：[row[:] for row in nested_list]对[[1, [2, 3]], [4, [5, 6]]]无效，第二层列表仍被共享——这时候没得省，只能deepcopy。
为什么json.loads(json.dumps(x))不能当深拷贝用？
它看似能“序列化再反序列化”，但只适用于JSON可表示的类型（dict、list、str、int、float、bool、None）。一旦数组里有numpy.int64、datetime、set或自定义类，就会报TypeError: Object of type ... is not JSON serializable。
- 即使成功，也会丢失类型信息：
numpy.float64变成Pythonfloat，tuple变成list - 性能差：两次序列化开销远大于
deepcopy，更别说NumPy数组根本过不了第一关 - 不是所有对象都有稳定JSON表示，比如含NaN或无穷值的数组，
json.dumps()会直接失败
别把它当备选方案，这是典型的“能跑但不该跑”的路子。
