时间复杂度为 o(m×n)，因必须访问原矩阵每个元素一次并映射到转置位置；空间复杂度通常为 o(m×n)（新建矩阵），方阵原地转置可优化至 o(1)。
二维数组行列互换（即矩阵转置）的时间复杂度是 O(m × n)，空间复杂度通常是 O(m × n)（生成新矩阵时），也可优化至 O(1)（原地转置，仅限方阵且允许修改原数组）。
时间复杂度为什么是 O(m×n)
必须访问原矩阵中每个元素恰好一次，将其放到转置后对应位置（matrix[i][j] → transposed[j][i]）。
无论用嵌套循环、列表推导式还是内置函数，都逃不开遍历全部 m×n 个元素：
- 对 3×3 矩阵：需处理 9 次赋值
- 对 100×200 矩阵：需处理 20,000 次赋值
- 无法跳过任意元素，下界就是 Ω(m×n)，所以时间复杂度紧确为 O(m×n)
空间复杂度取决于实现方式
常见三种情形：
- 新建矩阵（最常用）：分配一个 n×m 的新二维结构，空间复杂度为 O(m×n)
-
原地转置（仅适用于方阵）：只用常数个临时变量交换对称位置元素（如
(i,j)与(j,i)），空间复杂度为 O(1) - 流式/生成器方式（不存完整结果）：边计算边使用，额外空间可降至 O(min(m,n))，例如按行生成转置后的某一行时缓存一列数据
实际性能还受内存访问模式影响
虽然理论复杂度相同，但不同写法运行速度可能差几倍：
- 按行遍历原矩阵（推荐）：符合内存局部性，CPU 缓存友好
- 按列遍历原矩阵：频繁跨行跳转，缓存命中率低，尤其在大矩阵中明显变慢
- Python 中用
zip(*matrix)或列表推导式，底层仍逐元素访问，但由 C 实现，比纯 Python 循环快得多
非矩形数组需额外检查
若输入是“锯齿数组”（各行长度不等），直接按索引访问会报 IndexError。安全做法是先校验每行长度，或改用更鲁棒的构造逻辑（如基于最长行补 None），此时预处理带来常数级额外开销，不影响整体 O(m×n) 复杂度，但影响实际健壮性。
