Python常见的数据结构
在介绍Python常见的数据结构之前，需要注意以下几点：
数据结构是编程中的基础，不同的数据结构适用于不同的场景，选择合适的数据结构可以提高程序的效率和可读性。
Python有很多内置的数据结构，如列表、元组、集合和字典等，同时也可以通过第三方库扩展更多的数据结构。
在选择数据结构时，需要考虑数据的类型、规模以及操作类型等因素。
对于每种数据结构，需要了解其基本操作和复杂度分析，以便在编程中选择合适的数据结构和算法。
在使用数据结构时，需要注意空间和时间的消耗，避免造成不必要的浪费。
数据结构是编程中的重要概念，需要不断学习和掌握。
Python常见的数据结构包括列表（List）、元组（Tuple）、字典（Dictionary）和集合（Set）。
Python常见的数据结构就像是我们日常生活中常见的物品一样，它们用于在程序中存储和组织数据。以下是一些比较形象的比喻：
列表（List）就像我们的购物清单，可以记录我们要买的多种物品。我们可以随时增加或删除其中的物品，也可以根据需要对它们进行排序。
元组（Tuple）就像我们的收据，一旦生成就不可更改，用于存储一组固定的数据，例如一个订单的订单号和价格。
字典（Dictionary）就像我们的地址簿，可以通过一个关键字（例如姓名）来查找对应的值（例如电话号码）。字典可以随时添加或删除条目，也可以根据需要进行排序。
集合（Set）就像我们的珍藏品，可以存储多个独立的元素，但每个元素只能在集合中出现一次。集合支持常见的集合操作，例如并集、交集和差集。
这些数据结构在 Python 中都有着自己的特点和用途，了解它们的基本操作和复杂度分析可以帮助我们更好地应用它们来处理数据。
以下是它们的基本操作和复杂度分析：
列表（List）
基本操作：增加元素（append()、insert()）、删除元素（pop()、remove()、del）、修改元素、查询元素、切片、排序、合并、遍历等。
复杂度分析：增加和查询元素的时间复杂度为O(1)，删除和修改元素的时间复杂度为O(n)，排序的时间复杂度为O(nlogn)。
元组（Tuple）
基本操作：查询元素、切片、遍历等。
复杂度分析：查询元素和切片的时间复杂度为O(1)，元组为不可变数据结构，不能进行增加、删除和修改操作。
字典（Dictionary）
基本操作：增加元素、删除元素、修改元素、查询元素、遍历等。
复杂度分析：增加、删除、修改和查询元素的时间复杂度均为O(1)，遍历的时间复杂度为O(n)。
集合（Set）
基本操作：增加元素、删除元素、查询元素、遍历等。
复杂度分析：增加、删除和查询元素的时间复杂度均为O(1)，遍历的时间复杂度为O(n)。
在使用Python数据结构时，需要注意以下几点：
列表和字典支持嵌套使用，可以创建复杂的数据结构。
元组和集合为不可变数据结构，不支持修改操作。
集合具有去重的特性，可以用于去除重复的数据。
在进行大规模数据操作时，需要注意时间复杂度，选择合适的数据结构和算法以提高效率。
在使用字典时，需要注意键值对的唯一性，避免出现重复的键。
DataFrame（pandas库）：一种二维表格型数据结构，具有行和列的标签，可以处理不同类型的数据。DataFrame在数据科学和数据分析领域非常流行，因为它提供了许多方便的数据处理和分析功能，例如数据筛选、排序、统计分析等。
对于数据分析和数据处理任务，DataFrame是非常实用的数据结构。在许多情况下，DataFrame可以替代其他数据结构，如列表、元组、字典等。
这些数据结构在不同的应用场景中具有不同的优势，根据实际需求和数据类型来选择合适的数据结构。
Python常见的数据结构可以分为以下几类：
序列型数据结构：这类数据结构是有序的元素集合，可以通过索引访问。主要包括列表（List）、元组（Tuple）和字符串（String）。
映射型数据结构：这类数据结构是基于键值对（key-value）的映射关系。主要有字典（Dict）。
集合型数据结构：这类数据结构中的元素是无序且不重复的。主要有集合（Set）。
数值型数据结构：这类数据结构用于存储相同类型的数值数据，更加节省空间。主要有数组（Array）。
高级数据结构：这类数据结构通常是由Python内置库或第三方库提供的，用于满足特定需求。例如，双端队列（Deque，collections模块）、堆（Heap，heapq模块）和DataFrame（pandas库）。
这些数据结构根据实际需求和数据类型来选择，它们可以相互组合使用，以实现更复杂的数据处理和操作。
以下是不同类型的Python常见数据结构的示例：
序列型数据结构：
列表（List）：
fruits = ["苹果", "香蕉", "橙子", "葡萄"]
fruits.append("柚子")
fruits.remove("香蕉")
fruits[1] = "芒果"
print(fruits)元组（Tuple）：
coordinates = (120.381700, 36.105215)
latitude, longitude = coordinates
print("纬度：", latitude, "经度：", longitude)字符串（String）：
greeting = "你好，世界！"
print(greeting.upper())
print(greeting.replace("世界", "Python"))
映射型数据结构：
字典（Dict）：
student = {
"name": "张三",
"age": 20,
"major": "计算机科学"
}
student["age"] = 21
student["city"] = "北京"
print(student)
集合型数据结构：
集合（Set）：
unique_numbers = {1, 2, 3, 2, 1}
unique_numbers.add(4)
unique_numbers.remove(1)
print(unique_numbers)数值型数据结构：
数组（Array）：
import array
arr = array.array('i', [1, 2, 3, 4, 5])
arr.append(6)
arr.pop(0)
print(arr)
高级数据结构：
双端队列（Deque，collections模块）：
from collections import deque
queue = deque(["苹果", "香蕉", "橙子", "葡萄"])
queue.appendleft("柚子")
queue.pop()
print(queue)堆（Heap，heapq模块）：
import heapq
nums = [1, 5, 2, 8, 3]
heapq.heapify(nums)
smallest = heapq.heappop(nums)
print(smallest)DataFrame（pandas库）：
import pandas as pd
data = {
"姓名": ["张三", "李四", "王五"],
"年龄": [20, 22, 21],
"城市": ["北京", "上海", "广州"]
}
df = pd.DataFrame(data)
df["年龄"] = df["年龄"] + 1
print(df)
这些数据结构示例展示了Python中不同类型的数据结构及其用法。在实际编程中，根据需求选择合适的数据结构来完成特定任务。
下面表格对比了Python中不同类型的常见数据结构，包括优点、缺点和适用场景。根据实际需求选择合适的数据结构以实现高效的编程。
表格 1 比较 不同类型的Python常见的数据结构;
|
数据结构类型 |
名称 |
优点 |
缺点 |
适用场景 |
|
序列型 |
列表（List） |
可变，支持增删改查 |
内存占用较大，速度较慢 |
存储有序数据，需要修改 |
|
序列型 |
元组（Tuple） |
不可变，速度快 |
不支持修改，只能通过重新创建进行修改 |
存储有序数据，不修改 |
|
序列型 |
字符串（String） |
不可变，易操作 |
不支持修改，占用空间 |
存储和处理文本信息数据 |
|
映射型 |
字典（Dict） |
键值对存储，查找速度快 |
无序，占用空间较大 |
存储键值对数据，需要快速查找和修改 |
|
集合型 |
集合（Set） |
无序，元素唯一 |
不支持索引和切片操作 |
存储无重复元素的数据 |
|
数值型 |
数组（Array） |
内存紧凑，操作快 |
仅适用于同一类型的数值数据 |
存储大量相同类型的数值数据 |
|
高级 |
双端队列（Deque） |
支持两端高效操作 |
操作较为复杂 |
需要在两端进行频繁操作的数据队列 |
|
高级 |
堆（Heap） |
保持数据排序状态 |
操作较为复杂 |
优先队列和排序问题等 |
|
高级 |
DataFrame（pandas） |
方便处理表格数据 |
第三方库，额外安装 |
数据清洗和统计分析等 |
