二维前缀和构造需开(m+1)×(n+1)数组，dp0和dp*初始化为0，mati存入dpi+1，递推式为dpi=dpi-1+dpi-dpi-1+mati-1。
二维前缀和的构造函数怎么写才不越界
下标从 0 开始时，dp[i][j] 应该表示以 (0,0) 为左上、(i,j) 为右下的子矩阵和。常见错误是直接套用一维逻辑，把 i-1 或 j-1 当成合法下标，结果访问 dp[-1][j] —— 这在 C++ 里是未定义行为，但编译器通常不报错，运行时崩或算错。
正确做法是让 dp 多开一行一列（尺寸为 (m+1) × (n+1)），所有有效数据从 (1,1) 开始存，这样 i-1 和 j-1 永远 ≥ 0。
-
dp[0][*]和dp[*][0]全初始化为 0，作为边界哨兵 - 原矩阵
mat[i][j]对应填入dp[i+1][j+1] - 递推式固定为：
dp[i][j] = dp[i-1][j] + dp[i][j-1] - dp[i-1][j-1] + mat[i-1][j-1]
查询矩形区域和时坐标怎么映射
给定查询区域左上 (r1, c1)、右下 (r2, c2)（含端点），必须先确认输入坐标是否基于 0 索引 —— 绝大多数题目是，但有些平台（如 LeetCode 的 matrixBlockSum）会明确要求“包含边界”，此时直接代入公式即可；若题目说“左上角为 (r1,c1)，宽高为 h,w”，就得手动转成 r2 = r1+h-1、c2 = c1+w-1。
核心公式是：sum = dp[r2+1][c2+1] - dp[r1][c2+1] - dp[r2+1][c1] + dp[r1][c1]。注意这里全部用了 +1 偏移，因为 dp 是多开一行一列的。
立即学习“C++免费学习笔记（深入）”；
- 漏加
+1是最常见错误，比如写成dp[r2][c2]，会导致少算最后一行/列 - 如果输入坐标本身已是 1-indexed（极少见），反而要减 1 再代入
- 务必检查
r1 且 <code>c1 ，否则公式结果无意义
初始化 dp 数组用 vector 还是 raw array
小规模（比如 ≤ 300×300）用 vector<vector>></vector> 完全没问题；但一旦到 1000×1000 以上，频繁 push_back 或默认构造会拖慢初始化速度，甚至触发多次内存重分配。
更稳的做法是预分配：用 vector<vector>>(m+1, vector<int>(n+1, 0))</int></vector> —— 这样只分配一次，所有元素初始化为 0，后续直接赋值，没有构造开销。
- 不要用
int dp[N][N]（N 是宏常量），它限制了最大尺寸，且栈空间可能溢出 - 避免
vector<vector>> dp(m+1); for (auto& row : dp) row.resize(n+1);</vector>，这比预分配多一次遍历 - 如果矩阵元素是
long long，记得把dp类型也同步改掉，否则中间加法可能溢出
区域和查询有修改操作还能用前缀和吗
不能。二维前缀和本质是静态预处理结构，任意单点修改都会导致 O(mn) 个 dp 值失效。这时候得换方案：二维树状数组（BIT）或二维线段树。
如果只是偶尔修改、大量查询，可以接受每次修改后重建整个 dp（O(mn) 时间），但必须意识到这是权衡 —— 题目若要求单点更新 + 区间查询，前缀和就不是正解。
- LeetCode 上带 update 的题（如
NumMatrix）明确提示要用树状数组或线段树 - 有人试图用差分数组配合前缀和支持修改，但二维差分只能高效支持“子矩阵加法”，不支持单点赋值
- 别为了省几行代码硬套前缀和，先看操作类型：只有纯查询才放心用
边界偏移、坐标映射、内存分配这三处，一个没对齐，结果就离谱——而且往往还跑得通，只是答案错。
