多维数组在内存中实为一维连续空间模拟，行优先布局是主流语言默认规则，地址计算公式为addr = base + (i × cols × depth + j × depth + k) × r，java/python的“数组的数组”是非连续引用嵌套结构。
多维数组在内存中并非天然“多维”，它只是用一维连续空间模拟出来的逻辑结构。真正决定访问速度和编程方式的，是底层如何把 i, j, k 这样的多维下标，映射成一个线性地址。掌握这个映射规则，才能写出高效、可移植、不易出错的代码。
行优先布局是主流语言的默认约定
绝大多数语言（C/C++、Java、Python 的 NumPy、Go 等）采用“行优先”（row-major）存储：最右边的下标变化最快，也就是内层循环变量对应内存中相邻位置。
- 二维数组
int a[3][4]在内存中顺序是：a[0][0], a[0][1], a[0][2], a[0][3], a[1][0], ..., a[2][3] - 三维数组
int b[2][3][4]的物理顺序由k变最快 →j次之 →i最慢，即按b[i][j][k]展开为一维序列 - 地址计算公式（从 0 开始索引，元素大小为
r字节）：addr = base + (i × cols × depth + j × depth + k) × r
“数组的数组”不是内存连续，而是引用嵌套
Java 的 int[][]、Python 的 list[list[int]] 表面像二维，实际是“指针的数组”：外层数组存的是指向子数组的引用，每个子数组单独分配，彼此不连续。
- 优势：每行长度可不同（如
[[1,2], [3,4,5,6]]合法），动态灵活 - 代价：跨行访问时缓存命中率低，不适合高性能数值计算
- 传参简单（只传外层数组首地址），但无法像 C 那样靠列数推导偏移——因为列数不统一
不同语言/场景下的关键差异点
同一段逻辑，在不同环境里可能因内存模型不同而表现迥异：
- C 静态数组（
int a[2][3]）：栈上一块连续内存，编译期确定尺寸，寻址快且可做指针算术 - SystemVerilog 合并维度（如
bit [3:0][7:0][15:0] arr）：按“最内层维度连续”组织，地址计算方向与 C 相反，适合硬件比特级控制 - NumPy ndarray：回归连续模型，通过
strides属性定义各维度步长，支持视图切片而不拷贝，兼顾灵活性与性能 - 手动模拟（C 动态二维）：需
malloc(rows * cols * sizeof(int))分配一整块，再用指针数组指向每行起始，才能逼近静态数组效率
影响性能的关键细节不能忽略
是否连续、按什么顺序排布，直接决定 CPU 缓存友好程度和向量化潜力：
- 连续布局（C 数组、NumPy）：遍历推荐外层大步、内层小步（如
for i: for j:），缓存行利用率高 - 非连续布局（Java int[][]）：避免跨行随机跳转；若需频繁行列互换，应预转置或改用单维+公式寻址
- 函数传参时：C 要求已知除第一维外所有尺寸（如
void f(int a[][4])），否则无法算偏移；Java/Python 只需类型匹配，运行时查引用
