概要（二次元リストは「表形式（行×列）」を素直に表す入れ子構造）
二次元リストは「リストの中にリスト」を入れる構造で、表や行列のようなデータを自然に扱えます。行は外側リストの要素、列は内側リストの要素として表現します。作成・アクセス・反復・転置・平坦化・追加更新まで、基本と落とし穴（特に初期化時の誤ったコピー）を押さえると、実務の表操作が短く安全に書けます。
# 3行×3列の例
matrix = [
[1, 2, 3], # 行0
[4, 5, 6], # 行1
[7, 8, 9], # 行2
]
基本の使い方（ここが重要）
要素アクセスと更新（行→列の順でインデックスを指定）
print(matrix[0]) # 行0 → [1, 2, 3]
print(matrix[1][2]) # 行1・列2 → 6
matrix[2][0] = 10 # 行2・列0を更新
行ごとの処理は「外側ループが行、内側ループが列」という順序が基本形です。
for r, row in enumerate(matrix):
for c, val in enumerate(row):
print(r, c, val)
正しい初期化（内包表記で“独立した行”を作る）
「同じ行オブジェクトの再利用」は罠です。必ず内包表記で各行を新規作成します。
rows, cols = 3, 4
# 正しい：各行が独立
grid = [[0 for _ in range(cols)] for _ in range(rows)]
# 誤り：全行が同じリストを参照（変更が全行へ波及）
bad = [[0] * cols] * rows
bad[0][0] = 99
print(bad) # 全行の先頭が 99 に変わる
行や列の抽出・転置・平坦化（定番操作を一行で）
# 列の抽出（列cを取り出す）
c = 1
col = [row[c] for row in matrix] # [2, 5, 8]
# 転置（行⇔列の入れ替え）
T = list(map(list, zip(*matrix))) # [[1,4,7],[2,5,8],[3,6,9]]
# 平坦化（一次元へ）
flat = [val for row in matrix for val in row] # [1,2,3,4,5,6,7,8,9]
重要ポイントの深掘り（サイズ安全性・コピー・追加更新の作法）
サイズの整合性（“長さが揃っているか”を前提にする）
転置・列抽出・列追加は「全行の列数が同じ」前提で動きます。整合チェックを簡潔に入れて事故を防ぎます。
def is_rectangular(M) -> bool:
return len(set(len(row) for row in M)) <= 1
assert is_rectangular(matrix), "行ごとに列数を揃えてください"
シャローコピーと防御的コピー（入れ子なら“行単位”で独立させる）
外側だけのコピーでは行が共有されます。編集対象の階層だけ手動コピーして副作用を避けます。
# 外側のコピーだけだと行の共有が残る
shallow = matrix.copy()
# 行単位でコピー（一次入れ子の独立）
safe = [row[:] for row in matrix]
safe[0][0] = 999
print(matrix[0][0]) # 変わらない
完全独立が必要なら deepcopy。ただし重いので必要最小限が原則です。
行・列の追加更新（列追加は“全行へ”一貫して行う）
M = [[1, 2], [3, 4]]
# 行の追加（1行分の長さを揃える）
M.append([5, 6])
# 列の追加（全行へ同じ位置で追加）
new_col = [10, 20, 30] # 行数と一致させる
for row, v in zip(M, new_col):
row.append(v)
列削除・挿入も「全行へ同じ操作」を行います。位置ずれが最も壊れやすいバグです。
高コスト処理の前取り（高速化の基本）
内側ループで何度も呼ぶ関数や属性参照はループ外で束縛し、キー計算・検証は先に済ませます。行列サイズが大きいと差が出ます。
# 例：小文字化して比較する前処理
lower = str.lower
targets = [[lower(x) for x in row] for row in matrix_of_strings]
実務での使いどころ（表操作・グリッド・検証・交換）
表形式データの加工（列の並べ替え・選択）
rows = [
["name", "score", "age"],
["alice", 85, 25],
["bob", 92, 30],
]
# 列順を並べ替え（name, age を選択）
order = [0, 2]
reduced = [[row[i] for i in order] for row in rows]
ヘッダ行がある場合はヘッダに基づいて order を作ると壊れにくくなります。
グリッド演算（近傍・境界チェック）
grid = [
[1, 0, 1],
[0, 1, 0],
[1, 0, 1],
]
H, W = len(grid), len(grid[0])
def neighbors(r, c):
for dr, dc in ((-1,0),(1,0),(0,-1),(0,1)):
nr, nc = r + dr, c + dc
if 0 <= nr < H and 0 <= nc < W:
yield grid[nr][nc]
print(list(neighbors(1, 1))) # 十字近傍
境界条件のガードを先に入れると例外を防げます。
行や列の入れ替え（スワップ）
# 行の入れ替え
r1, r2 = 0, 2
matrix[r1], matrix[r2] = matrix[r2], matrix[r1]
# 列の入れ替え（全行へ適用）
c1, c2 = 0, 2
for row in matrix:
row[c1], row[c2] = row[c2], row[c1]
例題で身につける（定番から一歩先まで）
例題1：安全な 0 初期化とインデックスで更新
rows, cols = 3, 3
M = [[0 for _ in range(cols)] for _ in range(rows)]
M[1][2] = 7
print(M) # [[0,0,0],[0,0,7],[0,0,0]]
例題2：列抽出・転置・平坦化の一連操作
M = [[1,2,3],[4,5,6],[7,8,9]]
col1 = [row[1] for row in M] # [2,5,8]
T = list(map(list, zip(*M))) # 転置
flat = [v for row in M for v in row] # 平坦化
例題3：列追加の整合チェックつき
def add_column(M, values):
assert len(M) == len(values), "行数と追加列の長さが一致していません"
for row, v in zip(M, values):
row.append(v)
return M
M = [[1,2],[3,4],[5,6]]
add_column(M, [10,20,30])
print(M) # [[1,2,10],[3,4,20],[5,6,30]]
例題4：行フィルタと列選択（条件付き抽出）
rows = [
["name","score","age"],
["alice",85,25],
["bob",92,30],
["cara",70,28],
]
# ヘッダを分離
header, data = rows[0], rows[1:]
# score >= 80 の行だけ、name と age を抽出
score_idx = header.index("score")
name_idx = header.index("name")
age_idx = header.index("age")
result = [[row[name_idx], row[age_idx]] for row in data if row[score_idx] >= 80]
print(result) # [['alice',25], ['bob',30]]
まとめ
二次元リストは「表形式」を素直に表す入れ子構造です。最重要ポイントは、初期化で各行を独立に作る（内包表記を使う）、転置や列操作は“列数の整合性”が前提、編集時はコピーの階層を意識して副作用を避けること。列抽出・転置・平坦化は一行で書け、列追加・入れ替えは「全行へ同じ操作」を適用します。性能は前処理と参照の前取りで十分に改善できます。大規模・数値中心なら NumPy の行列も検討しつつ、まずは標準の二次元リストを安全に扱えるようにしておくと、現場の表操作が短く、読みやすく、堅牢になります。