为什么将一个变量的值赋值给另一个变量保存在python中的内存中？

Question

我对python很陌生，以前使用过Matlab，对于python中的变量有一些混淆。

我正在尝试用python重写Matlab代码，这里是混乱的地方。让我们说，我有以下情况：

>>> A = np.array([[1,2,3],[4,5,6]])
>>> out = np.array([[True, False, True],[False, True, False]])
>>> 
>>> B = A
>>> 
>>> B[out] = A[out]+1
>>> 
>>> B
array([[2, 2, 4],
       [4, 6, 6]])
>>> A    
array([[2, 2, 4],
       [4, 6, 6]])

在Matlab中，A不随同一段代码而改变，但在python中却是如此。任何人都可以解释为什么和什么是最好的方法来避免变化的A？

代码-图像：为什么分配A到B在流程中？

Answer 1

通过做

B = A

您正在创建对同一个对象A的另一个引用，因此A产生的所有更改都将自动反映在B中。在本例中复制列表/数组的适当(少数)方法

B = A[::]

或

B = A.copy()

通过这种方式，您可以将元素复制到列表变量中，而无需创建指向原始变量A的指针，从而使它们在内存地址项中解耦。

正如乔恩·克莱门茨指出的，

[::]的意思是开始，以1的步长结束，这意味着[0:len(obj):1]，而[:]意味着[:len(obj)]，obj是您的对象。

正如下面@Patrick所指出的，如果您的A是一个numpy矩阵，您也可以这样做

 B = np.copy(A)