用 [[0]*3]*4 初始化二维列表出错，是因为内层列表被重复引用而非独立创建；正确写法是列表推导式 [[0 for _ in range(4)] for _ in range(3)]，确保每行都是新对象。
用 [...]*n 初始化二维列表为什么总出错
因为 [0] * 3 确实生成三个 0，但 [[0, 0]] * 2 实际只创建一个内层列表对象，再复制它的引用两次。修改 arr[0][0] 会同时影响 arr[1][0]——这不是“初始化失败”，而是你根本没初始化出独立对象。
常见错误现象：[[0]*3]*4 创建后，执行 arr[0][0] = 1，结果整列都变成 1；调试时 id(arr[0]) == id(arr[1]) 返回 True 就是铁证。
- 只适用于内层是不可变对象（如
int、str）且不嵌套的场景 - 一旦内层是
list、dict等可变对象，就必然共享引用 - Python 解释器不会报错，但逻辑崩得悄无声息
推荐写法：用列表推导式逐层构造独立对象
列表推导式每次迭代都会执行右侧表达式，自然产生新对象。这是最直观、最不易出错的方式。
# 正确：3 行 4 列，每个元素初始为 0 arr = [[0 for _ in range(4)] for _ in range(3)] <h1>正确：生成 2 个独立的 [None, None] 子列表</h1><p>nested = [[None] * 2 for _ in range(2)]</p><div class="aritcle_card flexRow artxards"> <div class="artcardd flexRow"> <a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill11526" title="Python Hardener"><img src="https://img.php.cn/upload/skill/001/246/273/6adaf20dbae7c507.jpg" alt="Python Hardener" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a> <div class="aritcle_card_info flexColumn"> <a rel="nofollow" href="/xiazai/skill11526" title="Python Hardener" class="overflowclass">Python Hardener</a> <p class="overflowclass">通过完整的安全审查、代码整洁重构、健壮的错误处理、正确的日志记录以及完整的文档字符串覆盖，强化 Python 脚本。</p> </div> <a rel="nofollow" href="/xiazai/skill11526" title="Python Hardener" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a> </div> </div><h1>错误示范（仍有人这么写）：</h1><h1>nested = [[None] <em> 2] </em> 2 ← 共享引用，坚决不用</h1>
- 外层推导式控制行数，内层控制列数，顺序不能反（否则维度颠倒）
- 下划线
_是惯用占位符，不参与逻辑；用i、j也行，但没必要 - 如果需要依赖行列索引初始化值，直接在表达式里用
i和j：
arr = [[i * j for j in range(4)] for i in range(3)]
需要动态尺寸或复杂逻辑时，显式循环更可控
当行列数来自变量、需条件判断、或要复用已有对象（如预分配空列表再填充），推导式反而绕弯。此时老老实实用 for 循环，语义清晰，调试方便。
rows, cols = 5, 3
arr = []
for i in range(rows):
row = []
for j in range(cols):
# 这里可以加任意逻辑：读配置、调函数、查数据库...
row.append(i + j if i % 2 == 0 else 0)
arr.append(row)
- 每次
row = []都新建一个空列表，彻底避免共享 - 适合与外部数据源交互的场景（比如从 CSV 每行生成一个子列表）
- 性能上比推导式略低，但对几千行以内的数据完全无感
用 numpy 的前提是你真需要它
如果只是初始化、偶尔访问、不做数值计算，引入 numpy 是杀鸡用牛刀。它的 np.zeros((3, 4)) 确实安全高效，但代价是额外依赖、数据类型强制、以及返回的是 ndarray 而非原生 list。
- 只有当你后续要批量运算（如矩阵乘、广播、统计）、或处理超大数组（百万级元素）时，才值得切到
numpy -
np.array([[1,2],[3,4]])本身不解决引用问题——如果传入的列表含共享子列表，结果仍是错的 - 混合使用
list和ndarray容易引发隐式类型转换，尤其在 JSON 序列化或传给某些框架时
真正容易被忽略的点是：哪怕你只改了一行代码，比如把 [[0]*cols]*rows 换成推导式，也要检查所有后续对 arr[i] 的赋值是否仍假设它是可变对象——比如 arr[i] = new_row 没问题，但 arr[i].append(x) 前必须确认 arr[i] 真是独立列表，而不是被其他地方悄悄复用了。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
