多维数组是构建邻接矩阵最直接的工具，用n×n二维数组表示n个节点连接状态，需节点编号与索引对齐（0到n−1），区分图类型初始化，支持O(1)查边和O(n)度统计，但增删节点需重建矩阵。

多维数组是构建邻接矩阵最直接、最可控的工具，核心就是用一个 n × n 的二维数组刻画 n 个节点之间的连接状态。它不依赖复杂封装，逻辑透明，适合教学、调试和中等规模稠密图处理。

明确节点编号与数组索引对齐

邻接矩阵有效性始于编号约定。所有顶点必须映射为从 0 到 n−1（或 1 到 n）的连续整数，避免字符串或不规则ID直接参与下标计算。

• 若原始节点是字母（如 A、B、C），先建立映射表：map = {'A': 0, 'B': 1, 'C': 2}
• 若节点是用户ID（如 "u1001"），需预处理为紧凑整型索引，否则无法作为数组下标
• C/Python/Java 中数组索引从 0 开始，建议统一用 0-based 编号，减少越界风险

初始化矩阵并区分图类型

声明二维数组后，初始值决定后续逻辑简洁度：全 0 表示“无边”，∞ 或 -1 可表示“无权重边”，正数可存权重。

• 无向图：设置 matrix[u][v] = matrix[v][u] = 1（或权重值），保持对称性
• 有向图：仅设 matrix[u][v] = 1，matrix[v][u] 不变，体现方向性
• 带权图：用具体数值替代 1，如 matrix[0][2] = 4.5 表示 0→2 边权为 4.5；无边处保留 0 或 ∞（推荐 ∞ 避免与权 0 混淆）

快速查询与基础统计直接读取行/列

邻接矩阵的优势在于 O(1) 查询和 O(n) 行/列扫描，无需遍历链表。

• 查边是否存在？直接判断 if matrix[i][j] != 0（或 != INF）
• 求顶点 i 的度（无向图）：统计第 i 行中非零元素个数
• 求顶点 i 的出度（有向图）：累加第 i 行所有值（若存权重，则统计非零项数；若存 1/0，则直接求和）
• 求入度（有向图）：累加第 i 列所有值

动态更新需谨慎处理边界与语义

添加/删除边是 O(1)，但增删节点代价高——需重建整个矩阵。实践中应预先评估顶点数量稳定性。

• 添加边 (u, v)：检查 u、v ∈ [0, n) 后赋值，例如 matrix[u][v] = weight
• 删除边 (u, v)：设 matrix[u][v] = 0（或 INF）
• 删除顶点 v：不能只清空第 v 行/列；需收缩数组（复制到新 (n−1)×(n−1) 矩阵），并重映射其余索引
• 自环处理：允许 matrix[i][i] = 1，对应主对角线非零，需根据业务判断是否允许