Numpy数组整体赋值与切片赋值的区别解析

落日邮差

发布时间：2026-10-13 | 5人浏览过

原创

本文深入解析Numpy中数组整体赋值与切片赋值的差异。通过对比二维数组行赋值与一维数组直接赋值的行为，阐明变量引用与内存存储的关系，并展示如何利用全切片索引实现一维数组的统一赋值操作。

Numpy库中数组的整体处理与赋值机制常常令人困惑，以往的理解往往不够透彻。本文旨在梳理相关核心知识点，进行系统性总结。

首先通过两个简短的代码示例来观察具体现象：

示例1：

In [2]: arr =np.empty((8,4))
 
In [3]: arr
Out[3]:
array([[ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.]])
 
In [4]: arr[1] = 1
 
In [5]: arr
Out[5]:
array([[ 0., 0., 0., 0.],
    [ 1., 1., 1., 1.],
    [ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.],
    [ 0., 0., 0., 0.]])

示例2：

In [6]: arr1 =np.empty(2)
In [8]: arr1
Out[8]:array([ 7.74860419e-304,  7.74860419e-304])
 
In [9]: arr1 = 0
 
In [10]: arr1
Out[10]: 0

上述两段代码看似表现出行为不一致，但若基于面向对象编程中的引用模型进行分析，其实是可以理解的。

在示例1中，使用索引后得到的标签实际上指向了具体的内存存储区域；而在示例2中，直接赋值操作仅涉及变量标签的重新绑定。那么，如何实现对一维数组所有元素的统一赋值呢？关键在于使用全部元素的索引切片。

具体的实现方法如下所示：

In [11]: arr1 =np.empty(2)
 
In [12]: arr1
Out[12]: array([0., 0.])
 
In [13]: arr1[:]
Out[13]: array([0., 0.])
 
In [14]: arr1[:] =0
 
In [15]: arr1
Out[15]: array([0., 0.])

虽然操作看似简单，但若缺乏深入的分析，理解起来仍具有一定难度。

以上关于Numpy数组元素统一赋值的实例分享完毕，希望能为读者提供参考，并欢迎大家继续支持本站。