Python中二维数组用[[0]*n]*m初始化会因浅拷贝导致所有行共享同一内层列表，修改一个元素即同步影响全部；正确方式是嵌套列表推导式[[0 for _ in range(n)] for _ in range(m)]或NumPy的np.zeros((m,n))。
多维数组的并行初始化，核心在于避免浅拷贝陷阱、兼顾可读性与执行效率，并根据语言特性选择合适策略。Python 和 Java 的实现逻辑差异较大，不能套用同一套写法。
Python 中避免共享引用的并行初始化
常见错误是用 [[0] * m] * n 初始化二维数组——这会创建 n 个指向同一内层数组的引用，修改任一元素会影响整列。
- 正确方式：用嵌套列表推导式，每层都新建对象
arr = [[0 for _ in range(m)] for _ in range(n)] - 三维同理：
arr = [[[0 for _ in range(k)] for _ in range(m)] for _ in range(n)] - 若需高性能或数值计算，优先用 NumPy：
np.zeros((n, m))或np.full((n, m, k), 0)，底层 C 实现天然支持内存连续与向量化，比纯 Python 快得多
Java 中区分规则与不规则数组的初始化
Java 多维数组本质是“数组的数组”，外层数组存的是引用，因此初始化方式直接影响内存布局和灵活性。
- 规则二维数组（矩形）：
int[][] grid = new int[rows][cols];→ 所有元素自动初始化为 0 - 静态初始化（编译期确定）：
int[][] mat = {{1,2}, {3,4,5}};→ 支持不规则（锯齿状），但每行长度由大括号内元素数决定 - 动态不规则数组：
int[][] ragged = new int[3][];后续逐行分配：ragged[0] = new int[2]; ragged[1] = new int[4]; - 注意：访问前必须判空，
if (ragged[i] != null) {...}，否则容易触发 NullPointerException
NumPy 是 Python 并行初始化的事实标准
纯 Python 列表无法真正并行，但 NumPy 提供了底层优化的批量初始化能力，等效于“一次性并行填充”。
-
np.zeros(shape)：全 0，内存预分配，最快 -
np.ones(shape)、np.full(shape, val)：指定初值 -
np.empty(shape)+.fill(val)：先分配未初始化内存，再统一填值，适合超大数组节省初始化开销 - 高维如
np.zeros((2, 3, 4, 5))直接生成四维张量，无需嵌套循环
何时该用循环手动初始化
当初始值依赖复杂逻辑（如坐标函数、条件判断、外部数据映射）时，列表推导或 NumPy 的通用函数更合适。
- Python 示例（二维坐标索引初始化）：
arr = [[i * j for j in range(m)] for i in range(n)] - NumPy 等效：
i, j = np.mgrid[0:n, 0:m]; arr = i * j - Java 中类似场景建议用双层 for 循环赋值，清晰可控；避免在声明时硬编码大量字面量
