复数数组的 .real 和 .imag 是返回视图的浮点型数组属性，类型与原复数精度一致（如 complex128 → float64，complex64 → float32），修改其元素会直接影响原数组，除非原数组不可写；而 np.real() 和 np.imag() 函数总是返回独立副本且支持标量等非数组输入。
直接用 .real 和 .imag 即可，无需转换、无需循环，NumPy 数组原生支持，但要注意返回视图还是副本。
复数数组的 .real 和 .imag 是什么类型？
它们不是方法，而是 NumPy 数组的属性，返回的是与原数组形状一致的浮点型数组（float64 或 float32，取决于原复数精度）。
例如：np.array([1+2j, 3-4j], dtype=complex) 的 .real 返回 array([1., 3.])，类型为 float64；.imag 返回 array([2., -4.])。
- 如果原数组是
complex64，则.real/.imag返回float32 - 它们返回的是**视图（view）**，修改会影响原数组 —— 除非原数组不可写（
arr.flags.writeable = False），此时会抛出ValueError - 若需独立副本，显式调用
.real.copy()或np.real(arr)（后者总是返回副本）
为什么有时 .real 修改不了，却能读？
这是 NumPy 的写保护机制在起作用。常见于从文件加载、切片后未显式复制、或设置了 writeable=False 的场景。
立即学习“Python免费学习笔记（深入）”；
- 检查：
arr.real.flags.writeable，若为False，则无法赋值 - 错误示例：
arr.real[0] = 5→ValueError: assignment destination is read-only - 解决办法：先确保底层内存可写，或改用
arr = arr.copy()再操作 - 注意：
np.real(arr)和np.imag(arr)函数版本**总是返回副本**，不共享内存，适合只读提取
np.real() / np.imag() 函数和属性的区别在哪？
函数版更“保守”，属性版更“高效”，但行为边界稍不同。
-
arr.real：返回视图（零拷贝），性能好，但受原数组写保护影响 -
np.real(arr)：强制返回副本，安全但有内存开销；且它还能接受标量、列表等非数组输入（如np.real(3+4j)→3.0） - 对纯 Python 复数列表，必须用函数：
np.real([1+2j, 3+4j])可行；而[1+2j].real会报错（列表没有.real属性） - 多维数组中二者行为完全一致，都保持原始 shape
真正容易被忽略的是内存共享问题：你以为在改副本，其实正在改原数组的实部——尤其在做 in-place 预处理时，可能意外污染上游数据。
