np.copy() 是数据缓冲区级深拷贝，修改不影响原数组；但对 object 类型数组仅复制引用，非递归深拷贝，需用 copy.deepcopy() 隔离嵌套对象。
np.copy() 是深度拷贝 —— 但仅限于数组的**数据缓冲区（data buffer）层面**，不递归处理元素内部的对象引用。它不是 Python 标准库中 copy.deepcopy() 那种全递归深拷贝。
为什么 np.copy() 修改后不影响原数组？
因为 np.copy() 在内存中分配了全新的数据缓冲区，并把原始数组的全部字节逐位复制过去。这意味着：
- 新数组和原数组的
.data指向不同内存地址（id(arr.data)不同） - 修改新数组的数值（如
copy_arr[0] = 999）只改写自己的缓冲区，原数组缓冲区不受影响 - 这满足“数据隔离”的核心需求，所以被 NumPy 文档定义为“deep copy”
np.copy() 对 object 类型数组只是浅拷贝
当数组的 dtype=object 时，np.copy() 只复制对象的**引用地址**，不复制引用所指的对象本身：
- 假设
arr = np.array([{'a': 1}], dtype=object) -
copy_arr = np.copy(arr)后，copy_arr[0] is arr[0]返回True - 修改
copy_arr[0]['a'] = 2，原数组arr[0]['a']也会变成 2 - 此时必须用
import copy; copy.deepcopy(arr)才能真正隔离
np.copy() 和 arr.copy()、np.array(arr, copy=True) 的区别
三者在行为上完全等价，都是创建数据缓冲区级的深拷贝：
-
np.copy(arr)：函数式调用，最显式，推荐用于强调“我要深拷贝” -
arr.copy()：方法调用，等价，但容易和 Pandas 的.copy()（默认 shallow）混淆 -
np.array(arr, copy=True)：构造式写法，copy=False时可能返回视图，务必显式写copy=True - 性能上无实质差异；但
np.copy()更明确，且不依赖arr是否有.copy()方法（比如某些子类）
真正容易被忽略的是 object 数组场景 —— 看似用了 np.copy()，却还在共享嵌套字典/列表，导致静默副作用。这种“伪深拷贝”陷阱，在调试时往往要靠 is 判断或 id() 对比才能暴露。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
