如何优化多维数组初始化的速度

多维数组初始化应优先选用匹配场景的结构：数值计算用NumPy（如np.zeros），动态结构用正确列表推导式，大地图考虑扁平化或结构化数组，并复用已有数组形状。

多维数组初始化速度慢，通常不是因为“写法太复杂”，而是选错了底层结构或忽略了内存与类型约束。关键在于匹配场景：纯数值计算优先用 NumPy，动态结构用列表推导式但要避坑，大地图或坐标系统考虑扁平化或结构化数组。

NumPy 是数值型多维数组的首选

纯数字矩阵（如图像、模型权重、坐标网格）直接用 np.zeros 或 np.empty，别用嵌套 list。

• 用 np.zeros((rows, cols), dtype=np.int32) 替代 [[0] * cols for _ in range(rows)]：前者一次分配连续内存，后者创建上亿个 Python 对象
• 明确指定 dtype：避免默认 float64 浪费内存和精度；坐标运算常用 int32，图像常用 uint8
• 大尺寸时加 order='C'（默认）确保行遍历缓存友好；列密集操作可试 order='F'

避免引用共享陷阱

Python 列表推导式看似灵活，但写错一行就全乱。

• 错误写法：[[0] * cols] * rows → 所有行指向同一子列表，改一个全变
• 正确写法：[[0 for _ in range(cols)] for _ in range(rows)] 或更简洁的 [[0] * cols for _ in range(rows)]
• 若元素是字典或列表等可变对象，必须每次新建：[[{} for _ in range(cols)] for _ in range(rows)]

超大坐标地图考虑扁平化或结构化存储

1000×1000 以上格子，嵌套 list 或二维 NumPy 都可能带来 GC 压力或内存碎片。

• 用一维数组模拟二维：data = bytearray(rows * cols)，访问时算索引 y * cols + x
• 需要带属性（如海拔、类型、状态）时，用结构化 NumPy 数组：np.empty(n, dtype=[('x', 'i4'), ('y', 'i4'), ('cost', 'f4')])
• JavaScript 类似场景可用 Array.from({length: r}, () => Array(c).fill(0))，禁用 Array(r).fill(Array(c))

复用已有数组形状，少写维度参数

已有数组结构时，别再手动数维度、猜类型。

• 用 np.zeros_like(original_array) 一键继承 shape、dtype、order 和 strides
• 尤其适合流水线中生成中间结果：预处理后图像尺寸变了？result = np.zeros_like(img) 立刻对齐
• 比 np.zeros(original_array.shape, dtype=original_array.dtype) 更安全，不漏掉自定义 dtype 或内存布局