np.zeros()和np.ones()是首选，因其底层调用c实现的内存分配，比python循环快几个数量级；需注意形状用元组、显式指定dtype（如float32）、避免引用重复错误，并优先于np.empty()+赋值或列表推导式。
为什么 np.zeros() 和 np.ones() 是首选？
直接用 np.zeros(shape) 或 np.ones(shape) 初始化，比用 Python 列表推导式或循环填充快几个数量级。NumPy 底层调用 C 实现的内存分配，不经过 Python 解释器逐元素赋值。
常见错误是误用 np.array([[0]*n]*m) 构造二维全零数组——这会产生引用重复，修改某一行会影响所有行。
- 始终用
np.zeros((10000, 10000), dtype=np.float32)显式指定dtype，避免默认float64浪费内存 - 形状参数用元组，不是列表：
np.zeros([1000, 1000])虽能运行，但会触发警告；应写成np.zeros((1000, 1000)) - 超大数组（如 >10GB）需确认系统是否有足够连续虚拟内存，否则可能触发
MemoryError
np.full() 适合非 0/1 的常量初始化
如果要初始化为 5、-1 或 np.nan，别硬套 np.zeros() + 5，直接用 np.full() 更清晰且略快。
它和 zeros/ones 共享底层内存分配逻辑，只是填充值不同。
-
np.full((100000,), 3.14, dtype=np.float32)比np.ones(100000) * 3.14少一次乘法运算 - 支持
order参数控制内存布局：np.full((1000, 1000), 7, order='F')生成列优先数组，对某些 Fortran 接口更友好 - 注意：用
np.nan初始化时，dtype必须是浮点型，否则会被静默转为float64
避免用 np.empty() 后手动清零
np.empty() 确实最快（只分配内存不初始化），但返回的是未定义值。想得到全零数组却用它，再加一层 arr[:] = 0，实际比直接 np.zeros() 更慢且易出错。
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
原因：现代 NumPy 对 zeros 做了专门优化（如用 memset 批量置零），而 empty + 赋值要多一次 Python 层面的索引操作。
- 除非你明确需要“分配后立刻写入”，且能保证后续代码不依赖初始值，否则不要用
np.empty()替代np.zeros() -
np.empty()返回的“垃圾值”在不同平台/版本下表现不一致，调试时可能掩盖逻辑错误 - 若真要省时间，可复用已有数组：
arr.fill(0)比新建zeros快，但前提是该数组已存在且尺寸匹配
超大数组初始化失败时先查什么？
报 MemoryError 不一定真是内存不够——更可能是地址空间碎片化或系统限制。
先验证是否是 NumPy 自身限制：
- 检查
shape是否含非法值（如负数、过大整数溢出）：np.zeros((2**31,))在 32 位环境会崩 - 用
np.prod(shape) * arr.itemsize手动算字节数，对比psutil.virtual_memory().available - Linux 下检查
ulimit -v（虚拟内存限制）和/proc/sys/vm/max_map_area - 考虑改用
np.memmap()：例如np.memmap('tmp.dat', dtype='float32', mode='w+', shape=(100000, 100000))，数据落磁盘而非内存
真正卡住的地方往往不是函数选错，而是没意识到：全零数组本身不占磁盘，但初始化瞬间需要等量 RAM —— 这个前提容易被忽略。
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！
