来自以下文档
numpy.copy：
这等效于：
>>> np.array(a, copy=True)
另外，如果您查看源代码：
def copy(a, order='K'): return array(a, order=order, copy=True)
一些时间：
In [1]: import numpy as npIn [2]: a = np.ascontiguousarray(np.random.randint(0, 20000, 1000))In [3]: %timeit b = np.array(a)562 ns ± 10.1 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)In [4]: %timeit b = np.array(a, order='K', copy=True)1.1 µs ± 10.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)In [5]: %timeit b = np.copy(a)1.21 µs ± 9.28 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)In [6]: a = np.ascontiguousarray(np.random.randint(0, 20000, 1000000))In [7]: %timeit b = np.array(a)310 µs ± 6.31 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)In [8]: %timeit b = np.array(a, order='K', copy=True)311 µs ± 2.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)In [9]: %timeit b = np.copy(a)313 µs ± 4.33 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)In [10]: print(np.__version__)1.13.3
出乎意料的是，简单地将参数显式设置为其默认值会改变的执行速度
np.array()。另一方面，也许仅处理这些显式参数会增加足够的执行时间，以使小型数组有所作为。确实，从的源代码
numpy.array()可以看到，当提供关键字参数时，还有更多的检查和更多的处理正在执行，例如see
gotofull_path。如果未设置关键字参数，则执行会一直跳到
gotofinish。这种开销（对关键字参数的额外处理）是您在小型阵列的计时中检测到的。对于较大的阵列，与复制阵列的实际时间相比，此开销微不足道。
