10种 Python数据结构,从入门到精通

简介: 10种 Python数据结构,从入门到精通

今天我们将深入探讨 Python 中常用的数据结构,帮助你从基础到精通。每种数据结构都有其独特的特点和适用场景,通过实际代码示例和生活中的比喻,让你更容易理解这些概念。

学习数据结构的三个阶段

1、掌握基本用法:使用这些数据结构解决一些基本问题。

2、应用场景选择:知道在何种场景下选用哪种数据结构。

3、深入理解实现:了解内置数据结构的源码实现,并将其与相关算法知识联系起来,提升编程能力。

下面逐一介绍这 10 种常用的数据结构。


1. List (列表)

基本用法

list 是 Python 中最基本的数据结构,允许存储多个值且支持动态大小。

# 创建一个列表
fruits = ['apple', 'banana', 'cherry']
print(fruits[0])  # 输出:apple
 
# 添加元素
fruits.append('orange')
print(fruits)  # 输出:['apple', 'banana', 'cherry', 'orange']
 
# 修改元素
fruits[1] = 'kiwi'
print(fruits)  # 输出:['apple', 'kiwi', 'cherry', 'orange']
 
# 删除元素
fruits.remove('cherry')
print(fruits)  # 输出:['apple', 'kiwi', 'orange']
使用场景
  • 适合频繁查询和修改:例如,在需要按索引访问元素时,list 的性能优越。
  • 不适合频繁插入和删除:特别是在开头插入或删除时,因为这样会导致后面的元素都要移动。
实现原理

list 底层是动态数组,初始状态下无需指定长度。当插入元素超过初始容量时,会进行扩容,通常是以两倍的方式增加大小。删除操作尤其在列表开头执行时,由于涉及大量元素的位移,因此时间复杂度为 O(n)。


2. Tuple (元组)

基本用法

tuple 是一种不可变的序列,一旦创建便无法修改。

# 创建一个元组
coordinates = (10, 20)
print(coordinates[0])  # 输出:10
 
# 元组解包
x, y = coordinates
print(x, y)  # 输出:10 20
使用场景
  • 确保数据不被修改:如果确定对象不会被修改(比如坐标),可以使用元组。
  • 节省内存:由于元组的不可变性,Python 在内存管理上更高效。
from sys import getsizeof
print(getsizeof(list()))  # 输出:72
print(getsizeof(tuple()))  # 输出:56
实现原理

tuple 是一种静态数组,不支持动态扩展,其存储方式相较于 list 更加紧凑,因此在同等条件下占用的内存更少。


3. Set (集合)

基本用法

set 是一种无序且不重复的集合,主要用于去重和集合运算。

# 创建一个集合
a = [3, 2, 5, 2, 5, 3]
unique_values = set(a)
print(unique_values)  # 输出:{2, 3, 5}
 
# 集合操作
b = {3, 4, 6, 2}
intersection = unique_values.intersection(b)  # 求交集
print(intersection)  # 输出:{2, 3}
使用场景
  • 去除重复元素:例如,统计购物车中的唯一商品。
  • 快速查找:适合快速判断某个元素是否存在。
实现原理

set 通过哈希表实现,采用哈希函数将元素映射到固定的索引,增删查操作平均时间复杂度为 O(1),因此效率极高。


4. Dict (字典)

基本用法

dict 是基于键-值对数据结构,广泛用于数据存储和检索。

# 创建字典
d = {'a': 1, 'b': 2}
print(d['a'])  # 输出:1
 
# 添加元素
d['c'] = 3
print(d)  # 输出:{'a': 1, 'b': 2, 'c': 3}
 
# 修改元素
d['b'] = 5
print(d)  # 输出:{'a': 1, 'b': 5, 'c': 3}
 
# 删除元素
del d['a']
print(d)  # 输出:{'b': 5, 'c': 3}
使用场景
  • 高效查询:适合需要快速查找的场景,如用户信息存储。
  • 统计数据:比如计算字符串中字符出现次数的场景。
text = "hello world"
count_dict = {}
for char in text:
    count_dict[char] = count_dict.get(char, 0) + 1
print(count_dict)  # 输出:{'h': 1, 'e': 1, 'l': 3, 'o': 2, ' ': 1, 'w': 1, 'r': 1, 'd': 1}
实现原理

dict 实际上是哈希表实现,基于键值对存储数据,查找、插入和删除操作的平均时间复杂度是 O(1)。不过,由于哈希表的设计,字典在内存上相对消耗较大。


5. Deque (双端队列)

基本用法

deque 是双端队列,支持从左右两边高效地添加和删除元素。

from collections import deque
 
# 创建一个双端队列
d = deque([3, 2, 4])
d.appendleft(1)  # 从左侧添加元素
print(d)  # 输出:deque([1, 3, 2, 4])
 
# 从右侧添加元素
d.append(5)
print(d)  # 输出:deque([1, 3, 2, 4, 5])
 
# 从左侧删除元素
d.popleft()
print(d)  # 输出:deque([3, 2, 4, 5])
使用场景
  • 需要频繁在两端进行操作的场景:如任务调度、回溯算法等。
实现原理

deque 是一个双向链表,因此在两端进行操作时,时间复杂度都是 O(1)。它内部维护了一个数组和链表的数据结构,使得存取操作灵活且高效。


6. Counter (计数器)

基本用法

Counter 是用于计数的容器,可以轻松统计元素出现的频率。

from collections import Counter
 
# 创建 Counter
c = Counter(['apple', 'orange', 'apple', 'banana'])
print(c)  # 输出:Counter({'apple': 2, 'orange': 1, 'banana': 1})
 
# 获取最常见的元素
most_common = c.most_common(2)  # 前两个常见元素
print(most_common)  # 输出:[('apple', 2), ('orange', 1)]
使用场景
  • 统计频次:分析文本数据、用户行为等,找出最常见的项。
实现原理

Counter 继承自 dict,其实现简单明了,将元素作为键,出现的次数作为值,方便快速统计和查询。


7. OrderedDict (有序字典)

基本用法

OrderedDict 是一个保持插入顺序的字典。

from collections import OrderedDict
 
od = OrderedDict()
od['a'] = 1
od['b'] = 2
od['c'] = 3
 
for k, v in od.items():
    print(k, v)  # 输出:a 1, b 2, c 3
使用场景
  • 需要保持元素插入顺序的场景:如任务调度、配置文件解析等。
实现原理

OrderedDict 内部维护了一个双向链表来记录元素的插入顺序,同时还能保证 O(1) 的插入、删除和查找效率。


8. Heapq (堆队列)

基本用法

heapq 提供了堆队列算法,支持高效的优先级队列实现。

import heapq
 
a = [3, 1, 4, 2]
heapq.heapify(a)  # 建堆
print(a[0])  # 输出:1,最小元素
 
# 获取前 3 个最大元素
largest = heapq.nlargest(3, a)
print(largest)  # 输出:[4, 3, 2]
 
# 获取前 3 个最小元素
smallest = heapq.nsmallest(3, a)
print(smallest)  # 输出:[1, 2, 3]
使用场景
  • 需要经常获取最小或最大值的场景:如实时数据处理、任务调度等。
实现原理

堆是一种特殊的完全二叉树,其中父节点的值小于子节点(最小堆)。heapq 模块使用数组实现堆,能够很方便地维持堆的性质。


9. Defaultdict (默认字典)

基本用法

defaultdict 是一种带默认值的字典,避免了键不存在时的 KeyError。

from collections import defaultdict
 
d = defaultdict(int)  # 默认值为 0
d['apple'] += 1
d['banana'] += 2
print(d)  # 输出:defaultdict(<class 'int'>, {'apple': 1, 'banana': 2})
 
# 添加列表作为默认值
dd = defaultdict(list)
words = ['book', 'nice', 'great', 'book']
for i, word in enumerate(words):
    dd[word].append(i)
print(dd)  # 输出:defaultdict(<class 'list'>, {'book': [0, 3], 'nice': [1], 'great': [2]})
使用场景
  • 适合需要自动初始化的字典:如频率统计、分组归类等场景。
实现原理

defaultdict 是对 dict 的扩展,当访问一个未定义的键时,会调用默认工厂函数生成一个默认值,避免了显式的检查。


10. ChainMap (链式映射)

基本用法

ChainMap 用于将多个字典组合为一个字典视图,支持同时查找。

from collections import ChainMap
 
d1 = {'a': 1, 'b': 2}
d2 = {'b': 3, 'c': 4}
cm = ChainMap(d1, d2)
 
print(cm['b'])  # 输出:2,取自 d1
print(cm['c'])  # 输出:4,取自 d2
 
# 修改键值对
cm['b'] = 5
print(d1)  # 输出:{'a': 1, 'b': 5}, d1 被修改
使用场景
  • 合并多个字典并希望同步更改的场景:如配置文件管理、环境变量设置等。
实现原理

ChainMap 将多个字典视为一个单一的映射,每次查找首先会检查第一个字典,如果没有找到,再查找下一个,这使得多个字典的合并变得简单而高效。

总结

本文详细介绍了 Python 中的 10 种常用数据结构,并结合了代码示例和实际场景解析,希望能帮助读者加深对这些数据结构的理解。在实际开发中,合理选择数据结构能够显著提升代码的效率和可读性。如果觉得这篇文章对你有帮助,请转发、点赞或收藏,以支持我们继续原创!

python教程22

python教程 · 目录

上一篇十个常见的 Python 脚本 (详细介绍 + 代码举例)下一篇反爬虫?不存在的!教你几招轻松绕过网站限制

相关文章
|
1月前
|
开发者 Python
Python 常用的数据结构
Python 常用的数据结构
|
3月前
|
存储 算法 调度
10种 Python数据结构,从入门到精通
10种 Python数据结构,从入门到精通
57 0
|
5月前
|
存储 索引 Python
Python的内置数据结构
Python的内置数据结构
|
6月前
|
存储 索引 Python
python数据结构知识学习
【5月更文挑战第6天】Python提供四种核心数据结构:列表(List)——可变有序集合,支持索引和切片;元组(Tuple)——不可变有序集合;字典(Dictionary)——键值对结构,通过键访问值;集合(Set)——无序不重复元素集合,支持数学运算。此外,Python允许自定义数据结构,如链表、树、图,以适应不同问题需求。
39 0
|
6月前
|
存储 Python
Python中的数据结构
【5月更文挑战第6天】Python的数据结构主要包括数字(整数、浮点数、布尔值、复数)、字符串、列表、元组、字典和集合。字符串是字符序列,列表是可变的一维对象集合,元组是不可变的有序集合,字典是键值对的集合,集合是无序且不重复的元素集。此外,Python允许通过定义类创建自定义数据结构,如链表、树、图等,以适应各种问题需求。
33 0
|
6月前
|
存储 数据处理 开发者
从入门到精通:Python中的常用数据结构
Python是一种广泛使用的高级编程语言,其简洁明了的语法和强大的数据处理能力使得它成为了众多开发者的首选。本文将深入探讨Python中的常用数据结构,包括列表、元组、字典和集合,并介绍它们的应用场景,帮助读者更好地理解并掌握这些基础的数据结构。
|
Python
Python-练脑系列-03数据结构
Python-练脑系列-03数据结构
74 0
|
6月前
|
存储 安全 索引
Python数据结构讲解
Python数据结构讲解
28 0
|
存储 算法 索引
Python带你了解数据结构【一】
Python带你了解数据结构【一】
63 0
Python带你了解数据结构【一】
|
索引 Python
python数据结构基础总结
python数据结构基础总结
171 0