np.empty仅分配内存不初始化，np.zeros分配后逐字节写0；前者快两个数量级，但仅当立即全覆盖赋值且绝不读取未赋值位置时才安全使用。
np.empty 不初始化内存，np.zeros 要写零
根本区别在底层行为：np.empty 仅调用 mmap 或 malloc 分配虚拟内存页，不执行任何写操作；而 np.zeros 在分配后会逐字节写入 0，对 GB 级数组意味着要刷写数亿到数十亿字节。实测中，创建一个 (10000, 10000) 的 float64 数组，np.empty 耗时约 0.0002 秒，np.zeros 约 0.015 秒——差出两个数量级。
什么时候能安全用 np.empty？
只有满足全部以下条件时才建议替换：
- 你**立刻**会对整个数组做全覆盖赋值（如
a[:] = 42、a[...] = np.random.rand(*a.shape)） - 中间**绝不会**读取未赋值位置（
np.empty返回的值是内存残留垃圾，可能为 NaN、极值或负数） - 该数组生命周期短，不跨函数传递，或接收方明确知道它未初始化
常见误用：用 np.empty 初始化累加器（比如 sum_arr = np.empty(n); sum_arr[i] += x），第一次读取 sum_arr[i] 就得到随机值，结果完全不可控。
dtype 和 order 参数对两者的性能影响一致吗？
影响方式不同：
-
dtype改变的是内存分配总量，对np.empty和np.zeros都有线性影响，但np.zeros的清零耗时还与字节宽度强相关（float64比float32多一倍写操作） -
order（'C'或'F'）只影响内存布局，不改变初始化逻辑，所以对两者性能差异无放大或缩小作用
例如：np.zeros((10000, 10000), dtype=np.float32) 比同形状 float64 快近一倍；但 np.empty 版本无论 dtype 都几乎不花时间。
替代方案：np.zeros_like 和 np.full 的开销在哪？
它们不是“更高级”的零初始化，而是封装了额外逻辑：
-
np.zeros_like(arr)先检查arr的shape和dtype，再调用np.zeros—— 多一次属性访问和类型判断，微小开销，可忽略 -
np.full(shape, val)底层先调用np.empty，再用np.copyto或循环填充，比np.zeros略慢；若val == 0，它其实等价于np.zeros，但没做这个优化
真正要注意的是：别为了“语义清晰”在热循环里反复调用 np.zeros_like，尤其当 arr 是局部变量时，它的 .shape 访问本身就有缓存成本。
实际项目里最常被忽略的一点：即使你选了 np.empty，只要后续赋值不是全量覆盖（比如只填前 10% 行），那剩下的 90% 内存仍是垃圾——而这些区域一旦被传给 C 扩展（如 SciPy 函数），可能直接触发段错误或静默计算错误。安全永远比省几毫秒重要。
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！
