多维数组在内存中按行优先顺序连续存储，即最右下标变化最快；访问时应按外层左下标、内层右下标顺序遍历以提升缓存命中率，否则性能可能下降3–10倍。
多维数组在内存中实际以一维方式连续存储，主流语言（如 C、C++、Java、Python 的 NumPy）默认采用行优先（Row-major）顺序。理解这一机制，是写出高效数组访问代码的关键——不当的遍历顺序可能导致缓存命中率骤降，性能差出数倍。
行优先存储：内存里没有“行”和“列”，只有线性排列
以一个 3×4 的二维数组 a[3][4] 为例：
- 逻辑上是 3 行、每行 4 个元素；
- 内存中实际布局为：a[0][0], a[0][1], a[0][2], a[0][3], a[1][0], a[1][1], ..., a[2][3]；
- 即：最右边的下标（列索引）变化最快，左边下标（行索引）变化最慢。
通用公式：对于 a[i][j]（尺寸为 R×C），其内存偏移 = i × C + j（从 0 开始计数）。
为什么行优先访问更快？缓存行（Cache Line）是关键
CPU 从内存读数据不是按单个元素，而是按固定大小的块（通常 64 字节）加载到缓存中。一次加载可覆盖多个相邻元素。
- 按行遍历（for i: for j:）：每次访问的元素在内存中连续，大概率落在同一缓存行内，后续访问直接命中缓存；
- 按列遍历（for j: for i:）：a[0][0], a[1][0], a[2][0], ... 在内存中相隔 C 个元素（比如 4 个 int，即 16 字节），极易跨缓存行，造成频繁的缓存缺失（cache miss）。
实测常见场景下，列优先遍历可能比行优先慢 3–10 倍，尤其在大数组或高维数组中更明显。
高维数组也遵循相同规律：最右下标变化最快
三维数组 b[2][3][4] 的行优先布局顺序为：
- b[0][0][0], b[0][0][1], b[0][0][2], b[0][0][3], b[0][1][0], ..., b[1][2][3]；
- 对应内存偏移 = i×(3×4) + j×4 + k；
- 最优遍历顺序：外层循环最左下标（i），内层最右下标（k）——即 for i: for j: for k:。
违背该顺序（如 for k: for j: for i:）会严重打乱内存局部性，性能急剧下降。
特殊情况注意：Fortran 和部分科学计算库用列优先
Fortran、MATLAB 默认使用列优先（Column-major），即最左边下标变化最快。NumPy 中可通过 order='F' 创建列优先数组。
- 若混用 C 风格遍历与 Fortran 布局数组，反而会得到最佳局部性；
- 但实践中建议统一风格：明确数组存储顺序，并匹配对应遍历习惯；
- 用 np.isfortran() 或 arr.flags.c_contiguous / arr.flags.f_contiguous 可检查 NumPy 数组的实际内存布局。
