深入解析 NumPy 中 array 与 asarray 的核心差异

核心区别：内存拷贝机制

虽然 np.array 和 np.asarray 都能将结构数据转化为 ndarray，但它们在处理数据源时的行为存在显著差异，主要体现在内存分配和数据共享上：

• 数据源非 ndarray 时：两者行为一致，均会复制元数据并创建新的数组对象。
• 数据源已是 ndarray 时：np.array 会强制 copy 出副本，占用新的内存空间；而 np.asarray 不会 copy，直接返回原数组的引用（除非指定了 dtype 或 order 等参数导致必须转换）。

场景一：从普通列表转换

当输入数据为普通列表（List）时，由于列表本身不是 ndarray，array 和 asarray 都会执行复制操作，生成独立的数组对象。修改原始列表不会影响生成的数组。

import numpy as np 

# example 1: 数据源为普通列表
data1 = [[1,1,1],[1,1,1],[1,1,1]] 
arr2 = np.array(data1) 
arr3 = np.asarray(data1) 

# 修改原始列表
data1[1][1] = 2 

print('data1:\n', data1) 
print('arr2:\n', arr2) 
print('arr3:\n', arr3)

运行结果如下：

data1: 
[[1, 1, 1], [1, 2, 1], [1, 1, 1]] 
arr2: 
[[1 1 1] 
 [1 1 1] 
 [1 1 1]] 
arr3: 
[[1 1 1] 
 [1 1 1] 
 [1 1 1]]

可以看到，修改 data1 后，arr2 和 arr3 均保持不变，因为它们都获得了原始数据的副本。

场景二：从 ndarray 转换

这是两者差异最关键的场景。当输入数据已经是 ndarray 时，np.array 会强制创建副本，而 np.asarray 则返回原数组的视图（View）或引用。

import numpy as np 

# example 2: 数据源为 ndarray
arr1 = np.ones((3,3)) 
arr2 = np.array(arr1) 
arr3 = np.asarray(arr1) 

# 修改原始数组
arr1[1] = 2 

print('arr1:\n', arr1) 
print('arr2:\n', arr2) 
print('arr3:\n', arr3)

运行结果如下：

arr1: 
[[ 1. 1. 1.] 
 [ 2. 2. 2.] 
 [ 1. 1. 1.]] 
arr2: 
[[ 1. 1. 1.] 
 [ 1. 1. 1.] 
 [ 1. 1. 1.]] 
arr3: 
[[ 1. 1. 1.] 
 [ 2. 2. 2.] 
 [ 1. 1. 1.]]

分析结果：

• arr2 由 np.array(arr1) 生成，它是 arr1 的副本。因此，修改 arr1 的第二行后，arr2 保持初始的全 1 状态，未受 arr1 变化的影响。
• arr3 由 np.asarray(arr1) 生成，它直接引用 arr1。因此，arr3 反映了 arr1 修改后的状态（第二行变为 2）。

总结与使用建议

选择 array 还是 asarray，主要取决于你对内存和数据共享的需求：

• 使用 np.array：当你需要确保数据独立性，防止后续修改影响原始数据，或者需要强制转换数据类型/顺序时，应使用 array。它更安全，但会消耗更多内存。
• 使用 np.asarray：当你处理大型数组且希望避免不必要的内存拷贝以提升性能时，应使用 asarray。但需注意，修改原数组会同步影响转换后的数组。

以上就是对 numpy 中 array 和 asarray 的区别详解，更多关于 Python 数据处理优化的资料请关注本站其它相关文章！