力扣Hot 100这个题单，刷过的人都懂，它基本就是算法面试的"主战场"。矩阵题在里面的地位有点特别：占比不算最高，但几乎每次大厂面试都会撞上那么一两道——旋转图像、螺旋矩阵、矩阵置零、搜索二维矩阵II、岛屿数量，全是Hot 100的常客。我二刷这一块的时候感触特别深，因为第一次刷多半是"照着题解AC了就完事"，可一旦换道题、换个输入矩阵，马上露馅，不是索引越界就是忘了原地修改，再不然就是DFS写成了死循环。这篇内容我会把Hot 100里跟矩阵强相关的题重新过一遍，不是简单列代码，而是把每一类题的坐标模型、边界控制、状态标记方法拆开讲透，再把我踩过的坑和排查思路一并整理出来。适合正在按Hot 100系统性刷题、想从"会做"进阶到"会讲"的读者，也适合面试前临时抱佛脚做快速回顾。
1. 先看看Hot 100里到底藏着多少矩阵题
1.1 把矩阵题一张表拎出来
Hot 100清单在不同版本里会有些微调，但经典的矩阵题基本是固定的。以我常看的版本为基础，把跟矩阵强相关的题列出来，大概是这么个阵容：
| 题号 | 题目 | 核心考点 | 难度 |
|---|---|---|---|
| 73 | 矩阵置零 | 原地标记、状态压缩 | 中等 |
| 54 | 螺旋矩阵 | 模拟遍历、边界收缩 | 中等 |
| 48 | 旋转图像 | 数学变换、原地修改 | 中等 |
| 240 | 搜索二维矩阵II | 规律搜索、折线决策 | 中等 |
| 200 | 岛屿数量 | DFS/BFS、连通域计数 | 中等 |
| 79 | 单词搜索 | 回溯、visited标记 | 中等 |
| 221 | 最大正方形 | 动态规划、递推状态 | 中等 |
除了这七道"真矩阵题"，还有像36有效的数独这样的题也带矩阵外壳，以及若干以矩阵作为数据载体的动态规划题。我的分法是：只要核心解法里"二维坐标的移动、标记、变换"占了主要篇幅，就值得归入矩阵专项来复盘。这样一来，Hot 100里矩阵题的实际覆盖面其实比你印象中的要大。
1.2 为什么矩阵题值得单独拎出来复盘
有人可能会说，矩阵不就是二维数组吗，跟一维数组能差多少？这句话第一次刷的时候我也信了，后来发现矩阵题的难点根本不在"数组"上，而在三件事上：坐标建模、边界控制、原地修改。
先说坐标建模。题干里给的是"矩阵"，但具体操作时你要把行列、上下左右、顺时针逆时针这些语义全部翻译成坐标变换。比如旋转90度，本质是坐标映射(i,j)到(j,n-1-i)，如果你的坐标系没建立清楚，代码写起来就是一团乱麻。
再说边界控制。螺旋矩阵、DFS、BFS全都要跟边界打交道，而边界bug的特点是：跑测试用例大概率能过，一到特殊输入（单行、单列、空矩阵）就崩。这种问题刷题时暴露得晚，面试时暴露得极其致命。
最后是原地修改。矩阵题像是旋转图像、矩阵置零都明确要求"原地"，这就逼你不能随便开新数组，必须在原矩阵上做文章。设计一个不覆盖、不污染后续判断的标记方案，是这类题真正想考的东西。
把这三点单独拎出来练，比零散地混在数组题里刷效率高得多，这也是我决定重走这一块的根本原因。
2. 所有矩阵题的地基：坐标操作和边界感
2.1 坐标系和行列心智模型是第一步
在硬刚任何一道矩阵题之前，先把坐标系在心里焊死：代码里的matrix[i][j]，i永远代表行号，对应的是从上到下的第几行；j永远代表列号，对应从左到右的第几列。不要被"x轴、y轴"的惯性带偏，更不要一会儿用row一会儿用rowIndex来代指行，变量名不统一很容易把自己绕晕。
我见过不少初学者（包括当年的我）在旋转图像里栽跟头，根本原因就是把i和j的语义搞混，写交换的时候matrix[i][j]和matrix[j][i]凭空多写一次，又或是在DFS里把"上下左右"的dx、dy对调，结果路径走到飞起。建议拿到题目之后，第一件事就是在草稿纸上画一个3乘4的矩阵，把几个关键坐标标出来，再想想你要做的操作会把这些坐标映射到哪里。坐标模型一旦清晰，后面所有代码都是水到渠成。
2.2 方向数组和边界收缩，两套工具要分清楚
矩阵题里有两套移动工具，用途完全不同。第一套是方向数组，适合那种"小步快跑"的搜索类题目，比如岛屿数量、单词搜索。标准写法是：
DIRS = [(1, 0), (-1, 0), (0, 1), (0, -1)]每次移动就是ni = i + dx、nj = j + dy，配合越界判断和访问标记使用。方向数组的好处是代码统一，加一个方向只改一行，不用写四段几乎一模一样的递归。
第二套是边界收缩指针，适合螺旋矩阵这种"按圈走"的模拟题。核心思路是维护top/bottom/left/right四个变量，代表当前还没遍历到的矩形边界，每走完一条边就收缩对应的边界：
def spiralOrder(matrix): res = [] if not matrix or not matrix[0]: return res top, bottom = 0, len(matrix) - 1 left, right = 0, len(matrix[0]) - 1 while top <= bottom and left <= right: for j in range(left, right + 1): res.append(matrix[top][j]) top += 1 for i in range(top, bottom + 1): res.append(matrix[i][right]) right -= 1 if top <= bottom: for j in range(right, left - 1, -1): res.append(matrix[bottom][j]) bottom -= 1 if left <= right: for i in range(bottom, top - 1, -1): res.append(matrix[i][left]) left += 1 return res这两套工具对应两类完全不同的思维模式，搜索类强调"每步判断"，模拟类强调"整体收缩"。我在复盘时发现，一旦把题目按这个维度分类，解题思路就清晰了一大半。
2.3 原地修改的三条原则
Hot 100里的矩阵题非常喜欢考原地修改。所谓原地，不是要求你绝对不能用额外变量，而是说额外空间的量级必须是常数级O(1)，不能随着矩阵大小增长。
在这个约束下，我总结出三条贯穿所有矩阵题的原则：第一，标记信息必须无损地保存下来，要么用不会影响后续判断的特殊值，要么用原矩阵本身的空间偷标记；第二，遍历和修改必须分离，不能在遍历的过程中立刻修改那些后续还会被读到的格子；第三，分阶段执行，先通过两三轮独立扫描把信息记录完整，再统一做修改。后面矩阵置零和旋转图像的具体做法，本质都是对这三条原则的落地。
3. 四大核心题型复盘：从思维到代码一次打通
3.1 原地变换类：旋转图像与矩阵置零
旋转图像这题，题目要求顺时针旋转90度且原地完成。最朴素的想法是开一个新矩阵，把matrix[i][j]填到新位置(j, n-1-i)，但这不满足原地要求。
于是要换个思路：把顺时针90度拆成两个连续操作——先转置，再左右翻转。为什么这样拆？因为转置是原地好操作的对称交换，左右翻转也只需要逐行reverse，两步合起来正好等价于旋转。代码如下：
def rotate(matrix): n = len(matrix) for i in range(n): for j in range(i, n): matrix[i][j], matrix[j][i] = matrix[j][i], matrix[i][j] for i in range(n): matrix[i].reverse()内层循环里的range(i, n)是我刻意提醒自己的点：转置交换只需要遍历对角线一侧，写range(n)会导致每个元素被交换两次，等于白做。这套"拆解变换"的思维比死记代码更重要，逆时针90度就是先转置再上下翻转，180度就是上下翻转加左右翻转，举一反三靠的就是这个坐标映射模型。
矩阵置零是另一个典型。题目要求：如果某个格子是0，把它所在行和列的所有格子都置为0。最简单的做法是开两个集合分别记录需要清零的行和列，空间O(m+n)；再进阶一步，利用第一行和第一列本身作为标记区，把空间压到O(1)：
def setZeroes(matrix): m, n = len(matrix), len(matrix[0]) first_row_zero = any(matrix[0][j] == 0 for j in range(n)) first_col_zero = any(matrix[i][0] == 0 for i in range(m)) for i in range(1, m): for j in range(1, n): if matrix[i][j] == 0: matrix[i][0] = 0 matrix[0][j] = 0 for i in range(1, m): for j in range(1, n): if matrix[i][0] == 0 or matrix[0][j] == 0: matrix[i][j] = 0 if first_row_zero: for j in range(n): matrix[0][j] = 0 if first_col_zero: for i in range(m): matrix[i][0] = 0这里最关键的坑是matrix[0][0]的位置。它同时属于第一行和第一列，如果直接拿它当标记，你无法区分是第一行需要清零、第一列需要清零还是两者都需要。所以必须先把"第一行本身是否有0"和"第一列本身是否有0"分别记录到布尔变量里，最后单独处理。这个细节我第一次刷的时候漏掉了，导致一个全零矩阵的用例直接翻车。
3.2 模拟遍历类：螺旋矩阵与它的表亲
螺旋矩阵的核心理解点在于：它不是一个固定方向的周期性移动，而是一个"撞墙就转"的边界收缩过程。所以用方向数组配合方向切换也能做，但维护状态量大；最干净的方式还是我上面写的四边界收缩法。
这题常见的失误是漏掉两个if判断。当一个矩阵只剩一行或一列时，向右走完、向下走完，此时top已经大于bottom或right已经小于left，如果再继续执行"从右到左"或"从下到上"，就会把已经遍历过的元素重复加进结果。所以每次横向或纵向移动之后都要检查收缩后的边界是否仍然有效。
螺旋矩阵有个亲兄弟叫生成螺旋矩阵（力扣59题），要求反过来填充一个n乘n的矩阵。思维完全一致，只不过把"读取"换成"写入"。我建议刷完54题之后立刻做一遍59题，同一套边界收缩模型双向使用，能帮你把这个模型焊死在脑子里。
还有一个值得练的表亲是"对角线遍历"类题目，比如按对角线顺序输出矩阵元素。这类题的坐标规律是同一条对角线上i+j为常数，掌握了这个恒定关系，问题就变成了对常数的枚举和边界控制，本质上仍然是坐标建模能力的考察。
3.3 搜索类：搜索二维矩阵II的折线决策
搜索二维矩阵II的题干是每行从左到右升序、每列从上到下升序，目标是在这个矩阵里找target。这题最优雅的解法是利用右上角（或左下角）作为"决策点"，做折线搜索：
def searchMatrix(matrix, target): m, n = len(matrix), len(matrix[0]) i, j = 0, n - 1 while i < m and j >= 0: if matrix[i][j] == target: return True elif matrix[i][j] > target: j -= 1 else: i += 1 return False为什么偏偏选右上角？因为matrix[0][n-1]有一个非常好的性质：它这一行的最大值、这一列的最小值。拿它跟target比较，如果它大于target，说明target不可能在这一列里，整列排除；如果它小于target，说明target不可能在这一行里，整行排除。这样一来每走一步就排除一整行或一整列，最坏情况走到左下角，复杂度是稳定的O(m+n)，且不需要额外空间。
我复盘时的一个心得是：这题的思维方式跟二分查找有共通之处，都是"利用有序性快速缩小搜索区域"，但它的区域缩小是二维的、行列两个方向交替进行，这种"折线决策"模型在后续很多二维搜索题里都能复用。如果题目改成"每行升序且每行第一个数大于前一行最后一个数"的严格递增矩阵，那就是另一道题——74题搜索二维矩阵，可以直接把二维映射成一维做二分，那个模型和这道题的适用场景不要搞混。
3.4 连通域类：岛屿数量与单词搜索
岛屿数量是非常经典的DFS连通域计数题。核心思想很简单：遍历矩阵，碰到'1'就把计数器加一，然后从这个格子出发，把所有相邻的'1'全部"沉掉"（改成'0'），避免后续重复计数：
def numIslands(grid): m, n = len(grid), len(grid[0]) def dfs(i, j): if i < 0 or i >= m or j < 0 or j >= n or grid[i][j] != '1': return grid[i][j] = '0' dfs(i + 1, j) dfs(i - 1, j) dfs(i, j + 1) dfs(i, j - 1) count = 0 for i in range(m): for j in range(n): if grid[i][j] == '1': count += 1 dfs(i, j) return count这里我用了"沉岛"策略而不是单独的visited数组。两者的区别在于：沉岛直接修改原矩阵，空间O(1)；visited数组需要一个同样大小的布尔矩阵，空间O(mn)。面试时优先沉岛，但要注意题目允不允许修改原数组，如果不允许就只能用visited。
岛屿数量的坑主要在递归深度上。力扣的测试用例里可能会出现几百乘几百的大网格，Python默认递归深度是1000，DFS一旦深入超过这个阈值就会报RecursionError。保险做法是开头写上sys.setrecursionlimit(10**6)，或者干脆用栈模拟递归、改用BFS。我自己的习惯是：能改迭代就改迭代，面试时当面写递归加setrecursionlimit，大多数面试官是接受的。
单词搜索这题可以看作是DFS的进阶版，多了回溯。区别在于：走到死路时需要撤销刚才的标记，让其他路径还能经过该格子。所以要么额外维护visited并在递归返回时重置为False，要么原地把格子改成特殊字符'#'、递归返回时再改回来。很多人在"回溯撤销"这一步丢分，记住一句话：凡是"找一条可行路径"的DFS，几乎都要回溯；凡是"淹没式连通域"的DFS，几乎都不需要回溯。分清这两类，你就不会被visited的管理方式绕晕。
4. 从Hot矩阵题延伸出去的变体和进阶方向
4.1 换皮变体：改条件、改方向、改目标
矩阵题最大的价值在于变体极其丰富，面试官随便改一个条件就能造出"新题"。我按Hot 100里的原题整理了一些典型的变体方向，平时可以用来做自我检测。
旋转相关的变体有逆时针旋转、旋转90度后再平移、根据中心点旋转带小数坐标（这种一般不会在面试里出纯模拟，太繁琐）。螺旋类的变体有从任意位置开始螺旋、蛇形遍历、按圈从外到内填充。搜索类的变体有"每行升序但列不升序"的近似有序矩阵、"查找第k小的数"（有序矩阵中第K小的元素，力扣378题）。连通域类的变体有"岛屿的最大面积"、"被围绕的区域"（力扣130题）、"不同岛屿的数量"。
我建议的练习方式是：每做完一道Hot原题，就主动给自己加两个变体条件，比如把顺时针改成逆时针、把找是否存在改成找数量、把单一入口改成多入口。这样做不是为了压中题，而是为了验证你是否真的掌握了模型，而不是背住了一篇题解。变体题通常能在原题基础上改五行代码就通过，一旦发现改不动，说明坐标系或边界控制还有漏洞。
4.2 矩阵论的数学延伸：快速幂、特征值和转置优化
Hot 100里没有矩阵快速幂，但这个知识点在"矩阵"这个大的技术关键词下被高频提及，我觉得值得花一点篇幅聊聊它的定位。
矩阵快速幂的核心用途是解决线性递推问题，最经典的场景是斐波那契数列。把递推关系写成矩阵乘法的形式，然后用快速幂在O(logn)时间内求出第n项，比动态规划O(n)快一个量级。这个能力的门槛不高，但需要你先把矩阵乘法写熟，再理解"状态转移矩阵"的概念。刷完Hot 100的矩阵题后，有余力的话这个方向是很好的进阶选择。
至于特征值分解、正规矩阵、分块矩阵求逆这些，属于比较"硬核"的数学内容，在算法面试里出现概率很低，更常见于数据科学、计算机图形学或者强化学习的场景中。我的建议是了解概念即可，不需要投入大量时间去啃，性价比真的不高。抛开数学概念，工程里更实用的是矩阵转置和矩阵乘法的优化——比如C/C++里优化矩阵转置可以用分块策略来提升缓存命中率，Python里则要尽量避免频繁按列访问二维列表，因为list of list按行存储，列访问会产生较大的内存跳跃，性能远低于行访问。这些细节在刷题时体现不出来，但做现实工程项目时就是几倍到几十倍的性能差距。
4.3 一个容易被忽略的视角：矩阵里的状态机
如果把矩阵的每个格子看作一个状态，把"移动"看作是状态转移，那么很多题目都可以统一到一个框架下：你在一个二维状态空间里做搜索或递推。岛屿数量是状态转移图上的连通域计数，搜索二维矩阵II是在有向图上的贪心游走，螺旋矩阵是对状态空间的确定性遍历，动态规划类矩阵题则是按照某种拓扑序做状态转移。
这个视角有什么用？它能帮你把看似不同的题归到同一套分析流程里：先定义状态（格子是什么含义），再定义转移（移动规则是什么），再定义终态（答案在哪里）。我复盘Hot 100时感受最深的一点就是，一旦把矩阵题当状态机来理解，解题就不再是背套路，而是在"设计状态转移过程"，这是完全不同的境界。
5. 二刷排雷实录：这些坑我替你踩过了
5.1 索引与边界：最阴损的一类错误
矩阵题的边界bug非常阴损，因为常规用例根本触发不了，只有单行、单列、两行的矩形才会暴露。我整理了三类最常踩的坑，全部真实发生过。
第一类是m和n混用。二维矩阵的行数是len(matrix)，列数是len(matrix[0])，写循环时一会儿用m一会儿用n，某个矩阵不是正方形就直接IndexError。我的习惯是把m、n在函数开头显式定义出来，所有循环都用命名变量，不直接写len。
第二类是循环边界符号的问题。搜索方向数组时，常见错误是把i >= 0写成i > 0，导致最后一行或最后一列永远扫不到；螺旋矩阵里则容易把range(right, left - 1, -1)写成range(right, left, -1)，多走一格直接越界。这类问题靠调试很难看出来，最好的办法是专门准备三个极小用例：1乘1、1乘n、m乘1，写完后先用它们跑一遍再提交。
第三类是死循环。DFS里忘记标记已访问，或者回溯时撤销了不该撤销的标记，都会导致无限递归或无限循环。调试这种问题，我一般会在递归入口打印(i,j)，一旦发现同一个坐标反复出现，立刻检查visited的更新时机。
5.2 原地修改：数据覆盖是一场灾难
原地修改的坑比边界更隐蔽。矩阵置零里，如果在第一遍扫描时就立刻把整个行和列置成0，后续扫描读到这些被改出来的0，就会把根本没出现过0的行列也置成0，结果整个矩阵全变成0。正确做法是先扫描、后统一执行置零，这也是"两阶段法"的意义所在。
旋转图像的坑在交换上。matrix[i][j], matrix[j][i] = matrix[j][i], matrix[i][j]看起来很简单，但如果你手写三步交换，中间少存了一个临时变量，某个值就会被覆盖掉。而且因为是在同一个矩阵里操作，覆盖痕迹非常隐蔽，打印一百遍也不容易定位。我的建议是：凡是这种对称交换，尽量用Python的多变量交换语法，或者明确写出tmp变量，不要省。
单词搜索的回溯坑则是"忘记恢复"。DFS递归前把grid[i][j]改成'#'，递归返回后如果没改回原字符，那么这条路径走过的地方就被永久封锁了，后面无论怎么尝试都会错过正确路径。排查这类问题，盯住"每次递归返回后的状态是否与进入前一致"。
5.3 复杂度分析：别写出伪O(1)
矩阵题面试必问复杂度，最容易翻车的有两个地方。一是声称原地但实际用了新数组，比如有些人嘴上说O(1)空间，代码里却new了一个m乘n的visited矩阵，这是面试官一眼就能看穿的。二是时间复杂度的表达，搜索二维矩阵II把每个格子都扫一遍的话是O(mn)，但用右上角折线法可以达到O(m+n)，这两者在面试评价里完全是两个档次，如果你跟面试官说"我这道题是O(n)的优化版"，要能说清楚优化点在哪、为什么成立。
我复盘时给自己定了一个底线：每道题AC之后，必须把时间复杂度和空间复杂度写下来，并且写成注释放在代码头部。这个动作看似形式主义，但在面试高压环境下能保证你随时讲得清，不会卡壳。
6. 重走之后的刷题路线建议
6.1 按难度分三轮，把Hot矩阵题吃透
我的建议是把矩阵题分成三轮来刷。第一轮只求AC，可以看题解，但每道题看完之后必须关掉题解手写一遍，防止"眼睛会了手不会"。第二轮卡时间限时，给自己30分钟，不管做得出做不出都要独立写完全套代码，做不出来可以事后补，但过程中不许翻题解。第三轮做变体训练，把矩阵置零改成一遇到0就把对角线也置零，把螺旋矩阵改成蛇形走位，把岛屿数量改成计算周长，逼自己在原代码上做增量调整。
这个三轮法的核心逻辑是：第一轮解决"没思路"，第二轮解决"写不对"，第三轮解决"不会变通"。如果你时间紧张，二刷时可以直接从第二轮开始，因为第一轮的记忆还没完全消退，反而是最容易被错觉欺骗的阶段。
6.2 用输出倒逼理解：给每道题写"一分钟讲稿"
我二刷Hot 100时做了一件非常有价值的事：为每道矩阵题写一段一分钟讲稿，内容是"题目里给了什么条件、我选择什么模型、如何建模、复杂度是多少、最容易错在哪"。写完不一定给别人看，但每写一遍，那道题的框架就会在脑子里更清晰一截。
这个方法特别适合面试前的模拟。你可以找一个同样在刷题的朋友互考，也可以自己对着录音讲一遍再回放，相信我，你会发现自己讲得乱七八糟的地方，恰恰就是你理解最薄弱的地方。矩阵题尤其适合这种方式，因为它的逻辑链路长：从坐标到模型到实现到边界，任何一环含糊，一开口就露馅。
6.3 整理一张"套路卡"随身带
最后分享一个小习惯。把矩阵题的核心套路压缩成一张卡片，内容大概是一页纸的三列清单：题目类型、核心模型、易错点。比如原变换类对应"坐标映射+拆解操作"，模拟类对应"四边界收缩+收缩后检查"，搜索类对应"决策点+行列排除"，连通域类对应"沉岛/回溯+深度控制"。面试前几分钟翻一遍这张卡，比临时刷题管用得多。它不会给你答案，但能在最短时间内唤醒你的坐标系和边界感，而这两个东西一旦醒了，矩阵题基本就稳了。
我个人在重走这一轮之后最大的体会是：矩阵题练的压根不是"二维数组语法"，而是把真实世界里的旋转、移动、搜索、覆盖这些动作抽象成坐标和状态变化的能力。Hot 100给的是一套很好的训练样例，但真正的收获是你脑子里那套"坐标-状态-边界"的三元思维模型。带着这套模型去面哪怕完全没见过的矩阵新题，你也会有底气说出"这题本质上是XX模型，我这样建模、这样转移、这样处理边界"。等到那一刻，你就不需要再重走任何一份题单了。
