
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
R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29