python 一个点运算符操作的字典库:DottedDict

简介: python 一个点运算符操作的字典库:DottedDict

DottedDict 是一种特殊的数据结构,它结合了字典(Dictionary)和点符号(Dot Notation)访问的优点,为用户提供了一种更加直观和方便的方式来处理和访问嵌套的数据。在这篇文章中,我们将深入探讨 DottedDict 的概念、实现方式、使用场景以及它在数据处理中的优势。

什么是 DottedDict?

DottedDict 是一种允许用户通过点符号来访问嵌套键值对的数据结构。在传统的字典中,如果需要访问一个嵌套的值,用户通常需要通过键来逐层访问,例如 data['outer_key']['inner_key']。而使用 DottedDict,用户可以直接通过点符号来访问,如 data.outer_key.inner_key,这种方式更加直观和易于理解。

DottedDict 的安装

C:\Users>pip install dotteddict
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Collecting dotteddict
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/e5/80/2b0f5c84f4f56f96f4cb03470379b0f5827b68e75ec9df47b7d6497f6fad/dotteddict-2016.3.11.tar.gz (3.1 kB)
  Preparing metadata (setup.py) ... done
Building wheels for collected packages: dotteddict
  Building wheel for dotteddict (setup.py) ... done
  Created wheel for dotteddict: filename=dotteddict-2016.3.11-py2.py3-none-any.whl size=3275 sha256=8905f8c47622a8c1149c24871afc1b77899d6bd19fc486807f90773a2ac688b6
  Stored in directory: c:\users\boyso\appdata\local\pip\cache\wheels\94\04\da\3e3aa22786fbbe407327f8d3da5580592217bdf16e4d2d9070
Successfully built dotteddict
Installing collected packages: dotteddict
Successfully installed dotteddict-2016.3.11
 

DottedDict 的实现方式

DottedDict 的实现通常依赖于面向对象编程中的属性访问机制。在 Python 中,可以通过定义一个类,并重载 _getattr__ 方法来实现 DottedDict 的行为。当用户尝试访问一个属性时,__getattr__ 方法会被调用,并在其中查找相应的键值对。如果找到了,就返回对应的值;如果没有找到,就抛出一个属性不存在的错误。

例如,以下是一个简单的 DottedDict 实现:

class DottedDict:
    def __init__(self, data):
        self._data = data
 
    def __getattr__(self, item):
        # 如果项是字典类型,则返回 DottedDict 对象以便继续使用点符号
        if isinstance(self._data.get(item), dict):
            return DottedDict(self._data.get(item))
        else:
            return self._data.get(item)
 
# 使用示例
data = DottedDict({'outer_key': {'inner_key': 'value'}})
print(data.outer_key.inner_key)  # 输出: value

DottedDict 的使用场景

DottedDict 在处理配置文件、解析 JSON 数据或者在任何需要处理嵌套数据的场景中都非常有用。例如,在配置文件中,经常会有多层的设置,使用 DottedDict 可以方便地读取和修改这些设置,而不需要编写复杂的访问函数。

DottedDict 的优势

  1. 直观性:通过点符号访问嵌套数据,使得代码更加易读和易于维护。
  2. 简洁性:减少了访问嵌套数据时所需的代码量,使得代码更加简洁。
  1. 灵活性:DottedDict 可以轻松地与其他数据结构结合使用,如列表和元组,提供了更多的数据处理可能性。
  2. 错误友好:当尝试访问不存在的键时,DottedDict 会抛出错误,这有助于及时发现和修复问题。

DottedDict 的基本用法

 |  For example:
 |
 |      data = {"people": {"bob": {"status": True}, "john": {"status": False}}}
 |      dotted = dotteddict(data)
 |      dotted.people.bob.status
 |      dotted["people.john.status"]
 |
 |  This is in contrast to using defaults:
 |
 |      dotted["people"]["john"]["status"]
 
创建对象

使用普通字典创建 DottedDict 对象:

from dotteddict import dotteddict
 
# 使用字典创建
data = dotteddict({"name": "Alice", "age": 30})
访问元素

使用点号访问 DottedDict 元素:

print(data.name) # 输出:Alice
print(data.age)  # 输出:30
修改元素

同样使用点号修改元素:

data.age = 31
print(data.age) # 输出:31
嵌套字典

DottedDict 支持嵌套字典,我们可以像访问对象属性一样访问嵌套元素:

data = DottedDict({"user": {"name": "Charlie", "age": 28}})
print(data.user.name)  # 输出:Charlie
print(data.user.age)   # 输出:28
其他操作

DottedDict 支持大部分字典操作,例如:

 |  clear(...)
 |      D.clear() -> None.  Remove all items from D.
 |
 |  copy(...)
 |      D.copy() -> a shallow copy of D
 |
 |  items(...)
 |      D.items() -> a set-like object providing a view on D's items
 |
 |  keys(...)
 |      D.keys() -> a set-like object providing a view on D's keys
 |
 |  pop(...)
 |      D.pop(k[,d]) -> v, remove specified key and return the corresponding value.
 |
 |      If the key is not found, return the default if given; otherwise,
 |      raise a KeyError.
 |
 |  popitem(self, /)
 |      Remove and return a (key, value) pair as a 2-tuple.
 |
 |      Pairs are returned in LIFO (last-in, first-out) order.
 |      Raises KeyError if the dict is empty.
 |
 |  setdefault(self, key, default=None, /)
 |      Insert key with a value of default if key is not in the dictionary.
 |
 |      Return the value for key if key is in the dictionary, else default.
 |
 |  update(...)
 |      D.update([E, ]**F) -> None.  Update D from dict/iterable E and F.
 |      If E is present and has a .keys() method, then does:  for k in E: D[k] = E[k]
 |      If E is present and lacks a .keys() method, then does:  for k, v in E: D[k] = v
 |      In either case, this is followed by: for k in F:  D[k] = F[k]
 |
 |  values(...)
 |      D.values() -> an object providing a view on D's values

使用实例

from dotteddict import dotteddict
 
# 假设我们有一个用户的嵌套信息字典
user_info = {
    "personal": {
        "name": "Charlie",
        "age": 28,
        "location": {
            "city": "San Francisco",
            "country": "USA"
        }
    },
    "contact": {
        "email": "charlie@example.com",
        "phone": "555-0199"
    },
    "preferences": {
        "language": "English",
        "theme": "Dark"
    }
}
 
# 使用 DottedDict 来包装这个嵌套字典
user = dotteddict(user_info)
 
# 现在我们可以方便地访问用户信息
print(f"User Name: {user.personal.name}")
print(f"Age: {user.personal.age}")
print(f"Location: {user.personal.location.city}, {user.personal.location.country}")
print(f"Email: {user.contact.email}")
print(f"Phone: {user.contact.phone}")
print(f"Preferred Language: {user.preferences.language}")
print(f"Theme: {user.preferences.theme}")
 
# 我们也可以修改用户信息
user.personal.age = 29
user.contact.phone = "555-0199-1234"
 
# 甚至可以添加新的嵌套信息
user.education = dotteddict({
    "highest_degree": "Master's",
    "field_of_study": "Computer Science"
})
 
# 展示修改和新增的信息
print(f"Age (updated): {user.personal.age}")
print(f"Phone (updated): {user.contact.phone}")
print("Education Info:")
print(f"Highest Degree: {user.education.highest_degree}")
print(f"Field of Study: {user.education.field_of_study}")

结论

DottedDict 是一种强大的数据结构,它通过提供点符号访问机制,极大地简化了处理嵌套数据的过程,让字典操作更加直观和优雅,让代码变得更加 pythonic。



目录
相关文章
|
3天前
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
16 0
|
2天前
|
数据采集 JSON 测试技术
Python爬虫神器requests库的使用
在现代编程中,网络请求是必不可少的部分。本文详细介绍 Python 的 requests 库,一个功能强大且易用的 HTTP 请求库。内容涵盖安装、基本功能(如发送 GET 和 POST 请求、设置请求头、处理响应)、高级功能(如会话管理和文件上传)以及实际应用场景。通过本文,你将全面掌握 requests 库的使用方法。🚀🌟
18 7
|
18天前
|
网络协议 数据库连接 Python
python知识点100篇系列(17)-替换requests的python库httpx
【10月更文挑战第4天】Requests 是基于 Python 开发的 HTTP 库,使用简单,功能强大。然而,随着 Python 3.6 的发布,出现了 Requests 的替代品 —— httpx。httpx 继承了 Requests 的所有特性,并增加了对异步请求的支持,支持 HTTP/1.1 和 HTTP/2,能够发送同步和异步请求,适用于 WSGI 和 ASGI 应用。安装使用 httpx 需要 Python 3.6 及以上版本,异步请求则需要 Python 3.8 及以上。httpx 提供了 Client 和 AsyncClient,分别用于优化同步和异步请求的性能。
python知识点100篇系列(17)-替换requests的python库httpx
|
2天前
|
机器学习/深度学习 数据采集 算法
Python机器学习:Scikit-learn库的高效使用技巧
【10月更文挑战第28天】Scikit-learn 是 Python 中最受欢迎的机器学习库之一,以其简洁的 API、丰富的算法和良好的文档支持而受到开发者喜爱。本文介绍了 Scikit-learn 的高效使用技巧,包括数据预处理(如使用 Pipeline 和 ColumnTransformer)、模型选择与评估(如交叉验证和 GridSearchCV)以及模型持久化(如使用 joblib)。通过这些技巧,你可以在机器学习项目中事半功倍。
13 3
|
23天前
|
Python
【10月更文挑战第7天】「Mac上学Python 14」基础篇8 - 运算符详解
本篇将详细介绍Python中的运算符,包括数学运算、关系运算、逻辑运算、赋值运算和成员运算等内容。同时会说明运算符的优先级和运算顺序,帮助用户理解和掌握Python中的运算符使用规则。
34 3
【10月更文挑战第7天】「Mac上学Python 14」基础篇8 - 运算符详解
|
5天前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
23 5
|
4天前
|
存储 数据挖掘 数据处理
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言,Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧,并通过示例代码展示其实际应用。
15 1
|
13天前
|
数据可视化 数据挖掘 Python
Seaborn 库创建吸引人的统计图表
【10月更文挑战第11天】本文介绍了如何使用 Seaborn 库创建多种统计图表,包括散点图、箱线图、直方图、线性回归图、热力图等。通过具体示例和代码,展示了 Seaborn 在数据可视化中的强大功能和灵活性,帮助读者更好地理解和应用这一工具。
30 3
|
19天前
|
自然语言处理 Python
【python从入门到精通】-- 第三战:输入输出 运算符
【python从入门到精通】-- 第三战:输入输出 运算符
57 0
【python从入门到精通】-- 第三战:输入输出 运算符
|
2天前
|
文字识别 自然语言处理 API
Python中的文字识别利器:pytesseract库
`pytesseract` 是一个基于 Google Tesseract-OCR 引擎的 Python 库,能够从图像中提取文字,支持多种语言,易于使用且兼容性强。本文介绍了 `pytesseract` 的安装、基本功能、高级特性和实际应用场景,帮助读者快速掌握 OCR 技术。
21 0