京公网安备 11010802034615号
经营许可证编号:京B2-20210330
Python的dict字典结构操作方法学习笔记
这篇文章主要介绍了Python的dict字典结构操作方法学习笔记本,字典的操作是Python入门学习中的基础知识,需要的朋友可以参考下
一.字典的基本方法
1.新建字典
1)、建立一个空的字典
>>> dict1={}
>>> dict2=dict()
>>> dict1,dict2
({}, {})
2)、新建的时候初始化一个值
>>> dict1={1:'a',2:'b',3:'c'}
>>> dict1
{1: 'a', 2: 'b', 3: 'c'}
3)、利用元组
>>> dict1=dict([(1,'a'),(2,'b'),(3,'c')])
>>> dict1
{1: 'a', 2: 'b', 3: 'c'}
2、获取方法
1)、get(key) 从字典中获取一个key对应的value,返回value
>>> dict1={1:'a',2:'b',3:'c'}
>>> dict1.get(1)
'a'
如果字典里面不存在,则返回一个 NoneType
>>> type(dict1.get(4))
<type 'NoneType'>
如果要求key值不存在,指定另外一个值返回的话
>>> dict1.get(4,'not found')
'not found'
2)、keys() 获取字典中所有的key值,返回一个列表
>>> dict1.keys()
[1, 2, 3]
3)、values() 与keys()方法对应,返回的字典中的所有value的列表
>>> dict1.values()
['a', 'b', 'c']
4)、items() 返回一个 (key,value)对应的元组
>>> dict1.items()
[(1, 'a'), (2, 'b'), (3, 'c')]
5)、iterkeys() , itervalues() , iteritems() 也是分别获取所有的key,value,(key,value)元祖,只是不在是返回列表,而是一个迭代器
>>> for key in dict1.iterkeys():
print key
1
2
3
3、设置字典值的方法
1)、直接的方法就是
>>> dict1[4]='d'
>>> dict1
{1: 'a', 2: 'b', 3: 'c', 4: 'd'}
但是,这个方法就是,如果我想添加的key值已经在字典中,那么就会覆盖掉原来的value值
>>> dict1[4]='e'
>>> dict1
{1: 'a', 2: 'b', 3: 'c', 4: 'e'}
2)、setdefault(key,value) 这个方法的好处就是,如果插入的key不存在字典中,那么插入字典并返回该value,否则的存在于字典中的话,那么返回存在的value,不会覆盖掉
>>> dict1
{1: 'a', 2: 'b', 3: 'c', 4: 'e'}
>>> dict1.setdefault(5,'f')
'f'
>>> dict1.setdefault(5,'g')
'f'
>>> dict1
{1: 'a', 2: 'b', 3: 'c', 4: 'e', 5: 'f'}
4、删除字典
1)pop(key) 删除指定key的一项,成功返回一个删除项的value, 如果不存在,会抛出异常,所以在用这个方法时候,都要用判断 key是否存在,或者catch这个异常
>>> def pop_key(d,key):
try:
d.pop(key)
print "sucess"
except:
print "key is not in dict"
>>> dict1
{1: 'a', 2: 'b'}
>>> pop_key(dict1,3)
key is not in dict
或者
>>> def sub_dict2(d,key):
if d.has_key(key):
d.pop(key)
print "sucess"
else:print "key is not in dict"
>>> pop_key(dict1,3)
key is not in dict
这里的has_key(key)就是判断字典里面是否有该key,当然,也可以用 key in d 来代替
2) popitem() 和pop()类似,只是他是删除一个(key,value)的元组
利用上面的方法,可以得使用一些进阶的用法
A、我们通过2个列表来创建一个字典,第一个列表是所有的key,第二个列表是所有的value
>>> list1=[1,2,3]
>>> list2=['a','b','c']
>>> dict1=dict(zip(list1,list2))
>>> dict1
{1: 'a', 2: 'b', 3: 'c'}
B、找出某一个字典的子字典
>>> dict1
{1: 'a', 2: 'b', 3: 'c'}
>>> dict1=dict([(1,'a'),(2,'b'),(3,'c')])
>>> dict1
{1: 'a', 2: 'b', 3: 'c'}
>>> subkeys=[1,3]
>>> def sub_dict(d,subkeys):
return dict([(k,d.get(k)) for k in subkeys if k in d])
>>> print sub_dict(dict1,subkeys)
{1: 'a', 3: 'c'}
C、反转字典,也就是key变成新字典的value,value变成新字典的key(注意,如果value值有重复,反转后的字典就只会保留一个
>>> def invert_dict(d):
return dict([(k,v) for v,k in d.iteritems()])
>>> print invert_dict(dict1)
{'a': 1, 'c': 3, 'b': 2}
>>>
5、其他基本的方法
1) has_key(key) 判断key是否在字典中
2)copy()返回一个字典的副本(该复制是一个浅复制)
>>> d2={1:[1],2:[2],3:[3]}
>>> d3=d2.copy()
>>> d3[1].append(4)
>>> d2[1]
[1, 4]
如果要深复制的话,就要用到copy.deepcopy(a)
>>> d2={1:[1],2:[2],3:[3]}
>>> import copy
>>> d3=copy.deepcopy(d2)
>>> d3[1].append(4)
>>> print d2[1] , d3[1]
[1] [1, 4]
3)clear( ) 清空dict
4)update(d) 用一个字典来跟新另外一个字典,有点类似与2个字典的合并
>>> dict1={1: 'a', 2: 'b', 3: 'c'}
>>> dict2={1:'x',4:'y'}
>>> dict1.update(dict2)
>>> dict1
{1: 'x', 2: 'b', 3: 'c', 4: 'y'}
>>>
二、遍历
字典的遍历方法很多
1、直接利用dict
>>> d
{'a': 'aa', 'c': 'cc', 'b': 'bb'}
>>> for i in d:
print i,d[i]
a aa
c cc
b bb
2、利用items()
>>> for i,v in d.items():
print i,v
a aa
c cc
b bb
当然也可以这样
>>> for (i,v) in d.items():
print i,v
a aa
c cc
b bb
我印象中有个文章就是比较这2个方法(有括号和没括号)的效率,说字典大小在200以下时候,有括号速度快一点,200以上时候,无括号速度快一点,具体我也没测试。
3、iteritems()
(我觉得比较好的方法)
>>> for k,v in d.iteritems():
print k,v
a aa
c cc
b bb
其他还有些遍历方法,但是我感觉就这3个就足够了
三、一些进阶用法
1、一键多值
一般情况,字典都是一对一映射的,但如果我们需要一对多的映射,比如一本书,我们要统计一些单词出现的页数。那么,可以用list作为dict的value值。在利用setdefault()方法就可以完成
>>> d={'hello':[1,4,9],"good":[1,3,6]}
>>> d
{'good': [1, 3, 6], 'hello': [1, 4, 9]}
>>> d.setdefault('good',[]).append(7)
>>> d
{'good': [1, 3, 6, 7], 'hello': [1, 4, 9]}
>>> d.setdefault('bad',[]).append(2)
>>> d
{'bad': [2], 'good': [1, 3, 6, 7], 'hello': [1, 4, 9]}
>>>
当然,如果写成一个函数话,就可以更方便的使用,
我们也可以利用set来代替list
>>> def addFunc(d,word,pag):
d.setdefault(word,set()).add(pag)
>>> d={'hello':set([1,4,9]),"good":set([1,3,6])}
>>> addFunc(d,'hello',8)
>>> d
{'good': set([1, 3, 6]), 'hello': set([8, 1, 4, 9])}
>>> addFunc(d,'bad',8)
>>> d
{'bad': set([8]), 'good': set([1, 3, 6]), 'hello': set([8, 1, 4, 9])}
2、利用字典完成简单工厂模式
字典的value不单单只是一些常见的字符串,数值,还可以是类和方法,比如我们就可以这样来实现简单工厂模式
>>> class cat(object):
def __init__(self):
print 'cat init'
>>> class dog(object):
def __init__(self):
print 'dag init'
>>> d={'cat':cat,'dog':dog}
>>> def factoryFunc(d,name):
if name in d:
return d[name]()
else:
raise Exception("error")
>>> cat=factoryFunc(d,'cat')
cat init
另外一个例子,利用变量来控制执行的函数
>>> def deal_cat():
print 'cat run!!'
>>> def deal_dog():
print 'dag run!!'
>>> d={'cat':deal_cat ,'dog':deal_dog }
>>> animal='cat'
>>> d[animal]()
cat run!!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
【核心关键词】药企、可视化、营销、分类、数据分析师、销售数据、业务人员、指导方向、分析报告、营销数据、营销医生 【专访摘 ...
2026-06-10在统计学分析、问卷调研、实验验证、业务复盘等场景中,卡方检验与 T 检验是应用最广泛的两类基础假设检验方法。前者专门处理分 ...
2026-06-10 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-06-10在MySQL数据库日常查询、数据统计、后台接口开发、数据导出等场景中,开发者经常需要查询数据表除某几列之外的所有字段。例如查 ...
2026-06-09在Python网络请求、爬虫开发、接口测试、数据抓取等实操场景中,requests库是最常用的第三方请求工具,而content属性是requests ...
2026-06-09 数据分析正在重塑每一个行业。CDA认证的三本官方教材,分别对应Level I、Level II、Level III,为你铺就从业务数据分析到数 ...
2026-06-09在数字财务、智慧财税、业财融合深度推进的当下,传统财务模式下数据标准混乱、业务流程碎片化、知识无法沉淀、系统互通性差等问 ...
2026-06-08随着数字经济深度渗透各行各业,数据正式成为继土地、劳动力、资本、技术之后的第五大生产要素,是企业数字化转型、精细化运营、 ...
2026-06-08 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-06-08【核心关键词】贷款、报表、课程、专业、建模、缺失值、营销、互联网、银行、办公自动化、数据分析、数据预处理、特征工程、贷 ...
2026-06-05在数据库数据查询、业务报表统计、多表关联分析中,LEFT JOIN左连接是使用率最高的SQL关联查询语句。其核心特性是保留左表全部数 ...
2026-06-05 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-06-05任何一款产品从诞生、普及到最终退出市场,都会遵循一套固定的发展规律,这就是产品生命周期理论。在市场竞争日益激烈、产品迭代 ...
2026-06-04在Excel数据分析、办公统计、业务报表制作场景中,数据透视表是数据汇总、分类统计、快速复盘的核心工具,能够高效完成海量原始 ...
2026-06-04 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-06-04在问卷调查与社会科学数据分析中,卡方检验是最常用、最基础的非参数检验方法,广泛应用于市场调研、用户分析、行为统计、满意度 ...
2026-06-03【核心关键词】贷款、报表、课程、专业、建模、缺失值、营销、互联网、银行、办公自动化、数据分析、数据预处理、特征工程、贷 ...
2026-06-03 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-06-03逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型,常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代,市场竞争日趋同质化,用户消费需求愈发个性化、多元化,传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02