Python多维数组传参本质是传对象引用：嵌套列表修改子元素或整行会改变原数组，NumPy数组原地操作也影响原数据；避免意外修改需用copy.deepcopy()或ndarray.copy()。
Python 中多维数组作为方法参数传递时，本质仍是传对象引用——不是复制整个嵌套结构，而是把最外层数组（如 list 或 numpy.ndarray）的引用传入函数。关键在于：可变对象的内部结构能否被修改，取决于你如何操作它。
多维列表（嵌套 list）的传递行为
多维列表在 Python 中通常用嵌套列表表示，例如 [[1, 2], [3, 4]]。它本身是可变对象（list 类型），其每个子列表也是独立的 list 对象。
- 函数内直接修改子列表元素（如
arr[i][j] = ...）会反映到原数组 - 函数内替换某一行（如
arr[0] = [...]）也会改变原数组（因为修改了外层 list 的索引项） - 但若仅重新赋值参数名（如
arr = [...]），不会影响外部变量（只是让形参指向新对象）
def modify_nested(arr):
arr[0][0] = 99 # ✅ 修改生效：原列表第一行第一个元素变为 99
arr[1] = [7, 8] # ✅ 替换整行，原列表第二行被替换成新列表
arr = [[0]] # ❌ 无效：仅改变形参 arr 的指向，不影响调用方
data = [[1, 2], [3, 4]]
modify_nested(data)
print(data) # 输出 [[99, 2], [7, 8]]NumPy 多维数组的传递行为
numpy.ndarray 是一个统一的、连续内存块的对象。传入函数后：
- 所有原地操作（如
arr *= 2、arr[...] = ...、np.multiply(arr, 2, out=arr)）都会直接修改原始数组 - 切片（如
arr[1:3, :]）默认返回视图（view），修改视图也会影响原数组（除非显式.copy()） - 函数内重新赋值
arr = ...不影响外部；但arr[:] = ...或arr.fill(...)会修改原数据
import numpy as np
def scale_inplace(mat):
mat *= 10 # ✅ 原地缩放，原始数组被修改
# mat = mat * 10 # ❌ 创建新数组，原数组不变
a = np.array([[1, 2], [3, 4]])
scale_inplace(a)
print(a) # 输出 [[10 20], [30 40]]如何避免意外修改原始数据
若不希望函数改动原多维数组，应主动创建副本：
- 列表嵌套：用
copy.deepcopy()（浅拷贝copy.copy()或[:]对嵌套列表无效） - NumPy 数组：用
.copy()方法（如arr.copy()）
import copy import numpy as np # 对嵌套列表深拷贝 original = [[1, 2], [3, 4]] safe = copy.deepcopy(original) modify_nested(safe) # 不影响 original # 对 NumPy 数组显式拷贝 arr = np.array([[1, 2], [3, 4]]) func(arr.copy()) # 原 arr 不变
不复杂但容易忽略
