在 Python 中，**创建一个大小由变量 `x` 决定的二维列表（即 `x × x` 的矩阵）**，需要特别注意：**不能直接用 `[[0] * x] * x`** —— 这会导致**所有行引用同一列表对象**，修改一行会影响所有行（浅拷贝陷阱）。下面我将给出**安全、正确、常用**的声明方式，并逐条解释原理和适用场景。 --- ### ✅ 正确方式 1：使用列表推导式（推荐 ✅） ```python x = 4 matrix = [[0 for _ in range(x)] for _ in range(x)] ``` - ✅ **结果**：`[[0,0,0,0], [0,0,0,0], [0,0,0,0], [0,0,0,0]]`（4 行 4 列，每个元素独立） - ✅ **原理**：外层 `for` 创建 `x` 个**独立的内层列表**（每次 `for _ in range(x)` 都执行一次 `[0 for ...]`，生成新列表） - ✅ **优点**：简洁、可读性强、无副作用、支持初始化任意值（如 `None`、`'.'`、`i*j` 等） > 🔍 示例：初始化为行号 × 列号 > ```python > matrix = [[i * j for j in range(x)] for i in range(x)] > # x=3 → [[0,0,0], [0,1,2], [0,2,4]] > ``` --- ### ✅ 正确方式 2：使用嵌套 `for` 循环（显式、易理解） ```python x = 4 matrix = [] for i in range(x): row = [] for j in range(x): row.append(0) matrix.append(row) ``` - ✅ 效果同上，逻辑清晰，适合初学者或需动态计算元素值的场景。 --- ### ❌ 错误方式（常见陷阱！⚠️） ```python x = 4 matrix = [[0] * x] * x # ❌ 危险！所有行指向同一列表！ matrix[0][0] = 999 print(matrix) # 输出：[[999,0,0,0], [999,0,0,0], [999,0,0,0], [999,0,0,0]] ``` - ❌ 原因：`[0]*x` 创建一个列表，`[...]*x` 是对该**同一列表对象的重复引用**（浅拷贝），不是深拷贝。 - 🚫 后果：修改任一 `matrix[i][j]`，所有 `matrix[k][j]`（k=0..x-1）同步改变。 --- ### ✅ 其他实用变体（按需选用） #### ▪ 初始化为不同值（如单位矩阵） ```python x = 4 identity = [[1 if i == j else 0 for j in range(x)] for i in range(x)] # [[1,0,0,0], [0,1,0,0], [0,0,1,0], [0,0,0,1]] ``` #### ▪ 初始化为空列表（每行可变长） ```python x = 4 jagged = [[] for _ in range(x)] # 4 个空列表：[[], [], [], []] jagged[0].append("hello") ``` #### ▪ 使用 NumPy（大数据/科学计算场景，更高效） ```python import numpy as np x = 4 matrix = np.zeros((x, x), dtype=int) # 返回 numpy.ndarray，非 list # 或 np.full((x,x), 7) → 全 7 矩阵 ``` > ⚠️ 注意：`numpy` 需额外安装（`pip install numpy`），且返回的是 `ndarray`，不是 Python 原生 `list`，语法和行为不同（如不支持 `.append()`）。 --- ### 📌 总结对比表 | 方式 | 是否安全 | 是否推荐 | 适用场景 | |------|----------|-----------|-----------| | `[[0]*x for _ in range(x)]` | ✅ 是 | ✅ 强烈推荐 | 通用、简洁、高效 | | `[[0 for _ in range(x)] for _ in range(x)]` | ✅ 是 | ✅ 推荐（更清晰） | 同上，语义更明确 | | `[[0]*x]*x` | ❌ 否 | ❌ 绝对避免 | 初学者易踩坑 | | `numpy.zeros((x,x))` | ✅ 是 | ✅ 大规模数值计算 | 需科学计算，非纯 Python list | ---