Python3.6以后字典有序且高效

Python3.6以后字典有序且高效

摘自小猿取经：03-06-08-Python3.6以后字典有序且更高效底层分析 - 小猿取经-林海峰老师 - 博客园 (cnblogs.com)

【一】引言

• 在Python 3.5(含)以前

  • 字典是不能保证顺序的
    • 键值对A先插入字典
    • 键值对B后插入字典
  • 但是当你打印字典的Keys列表时
    • 你会发现B可能在A的前面。

• 但是从Python 3.6开始，字典是变成有顺序的了。

  • 你先插入键值对A
    • 后插入键值对B
  • 那么当你打印Keys列表的时候
    • 你就会发现B在A的后面。

• 不仅如此

  • 从Python 3.6开始
  • 下面的三种遍历操作
  • 效率要高于Python 3.5之前：

for key in 字典

for value in 字典.values()

for key, value in 字典.items()

【二】Python3.5字典底层原理

• 从Python 3.6开始
  • 字典占用内存空间的大小
  • 视字典里面键值对的个数
  • 只有原来的30%~95%。
• Python 3.6到底对字典做了什么优化呢？
  • 为了说明这个问题，我们需要先来说一说，在Python 3.5(含)之前，字典的底层原理。
• 当我们初始化一个空字典的时候
  • CPython的底层会初始化一个二维数组，这个数组有8行，3列，如下面的示意图所示：

my_dict = {}

此时的内存示意图
[[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---]]

• 现在，我们往字典里面添加一个数据：

my_dict['name'] = 'kingname'

此时的内存示意图
[[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[1278649844881305901, 指向name的指针, 指向kingname的指针],
[---, ---, ---],
[---, ---, ---]]

• 这里解释一下，为什么添加了一个键值对以后，内存变成了这个样子：
• 首先我们调用Python 的hash函数
  • 计算name这个字符串在当前运行时的hash值：

>>> hash('name')
1278649844881305901

• 特别注意
  • 这里强调了『当前运行时』
• 这是因为
  • Python自带的这个hash函数，和我们传统上认为的Hash函数是不一样的。
  • Python自带的这个hash函数计算出来的值，只能保证在每一个运行时的时候不变
    • 但是当你关闭Python再重新打开，那么它的值就可能会改变

• 假设在某一个运行时里面，hash('name')的值为1278649844881305901。
• 现在我们要把这个数对8取余数：

>>> 1278649844881305901 % 8
5

• 余数为5
  • 那么就把它放在刚刚初始化的二维数组中
  • 下标为5的这一行。
• 由于
  • name和kingname是两个字符串
  • 所以底层C语言会使用两个字符串变量存放这两个值
  • 然后得到他们对应的指针。
• 于是
  • 我们这个二维数组下标为5的这一行
    • 第一个值为name的hash值
    • 第二个值为name这个字符串所在的内存的地址(指针就是内存地址)
    • 第三个值为kingname这个字符串所在的内存的地址。
• 现在，我们再来插入两个键值对：

my_dict['age'] = 26
my_dict['salary'] = 999999

此时的内存示意图
[[-4234469173262486640, 指向salary的指针, 指向999999的指针],
[1545085610920597121, 执行age的指针, 指向26的指针],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[1278649844881305901, 指向name的指针, 指向kingname的指针],
[---, ---, ---],
[---, ---, ---]]

• 那么字典怎么读取数据呢？
  • 首先假设我们要读取age对应的值。
• 此时
  • Python先计算在当前运行时下面
  • age对应的Hash值是多少：

Copy>>> hash('age')
1545085610920597121

• 现在这个hash值对8取余数：

Copy>>> 1545085610920597121 % 8
1

• 余数为1

  • 那么二维数组里面
  • 下标为1的这一行就是需要的键值对。

• 直接返回这一行第三个指针对应的内存中的值

  • 就是age对应的值26。

• 当你要循环遍历字典的Key的时候

  • Python底层会遍历这个二维数组
  • 如果当前行有数据
    • 那么就返回Key指针对应的内存里面的值。
  • 如果当前行没有数据
    • 那么就跳过。

• 所以总是会遍历整个二位数组的每一行。

• 每一行有三列

  • 每一列占用8byte的内存空间
  • 所以每一行会占用24byte的内存空间。

• 由于Hash值取余数以后

  • 余数可大可小
  • 所以字典的Key并不是按照插入的顺序存放的。

• 注意，这里我省略了与本文没有太大关系的两个点：
  • 1. 开放寻址，当两个不同的Key，经过Hash以后，再对8取余数，可能余数会相同。此时Python为了不覆盖之前已有的值，就会使用开放寻址技术重新寻找一个新的位置存放这个新的键值对。
  • 2. 当字典的键值对数量超过当前数组长度的2/3时，数组会进行扩容，8行变成16行，16行变成32行。长度变了以后，原来的余数位置也会发生变化，此时就需要移动原来位置的数据，导致插入效率变低。

【三】Python3.6以后字典底层

• 在Python 3.6以后
  • 字典的底层数据结构发生了变化
• 现在当你初始化一个空的字典以后
  • 它在底层是这样的：

Copymy_dict = {}

此时的内存示意图
indices = [None, None, None, None, None, None, None, None]

entries = []

• 当你初始化一个字典以后
  • Python单独生成了一个长度为8的一维数组。
  • 然后又生成了一个空的二维数组。
• 现在
  • 我们往字典里面添加一个键值对：

Copymy_dict['name'] = 'kingname'

此时的内存示意图
indices = [None, 0, None, None, None, None, None, None]

entries = [[-5954193068542476671, 指向name的指针, 执行kingname的指针]]

• 为什么内存会变成这个样子呢？
  • 我们来一步一步地看：
• 在当前运行时
  • name这个字符串的hash值为-5954193068542476671
  • 这个值对8取余数是1：

Copy>>> hash('name')
-5954193068542476671
>>> hash('name') % 8
1

• 所以
  • 我们把indices这个一维数组里面
  • 下标为1的位置修改为0。
• 这里的0是什么意思呢？
  • 0是二位数组entries的索引。
  • 现在entries里面只有一行
  • 就是我们刚刚添加的这个键值对的三个数据：
    • name的hash值
    • 指向name的指针
    • 指向kinganme的指针。
  • 所以indices里面填写的数字0
    • 就是刚刚我们插入的这个键值对的数据在二位数组里面的行索引。
• 好
  • 现在我们再来插入两条数据：

Copymy_dict['address'] = 'xxx'
my_dict['salary'] = 999999

此时的内存示意图
indices = [1, 0, None, None, None, None, 2, None]

entries = [[-5954193068542476671, 指向name的指针, 执行kingname的指针],
          [9043074951938101872, 指向address的指针，指向xxx的指针],
          [7324055671294268046, 指向salary的指针, 指向999999的指针]
         ]

• 现在如果我要读取数据怎么办呢？
  • 假如我要读取salary的值
  • 那么首先计算salary的hash值
  • 以及这个值对8的余数：

Copy>>> hash('salary')
7324055671294268046
>>> hash('salary') % 8
6

• 那么我就去读indices下标为6的这个值。
  • 这个值为2.
• 然后再去读entries里面
  • 下标为2的这一行的数据
  • 也就是salary对应的数据了。

【四】总结

• 新的这种方式
  • 当我要插入新的数据的时候
    • 始终只是往entries的后面添加数据
    • 这样就能保证插入的顺序。
  • 当我们要遍历字典的Keys和Values的时候
    • 直接遍历entries即可
    • 里面每一行都是有用的数据
    • 不存在跳过的情况
    • 减少了遍历的个数。
• 老的方式
  • 当二维数组有8行的时候
    • 即使有效数据只有3行
    • 但它占用的内存空间还是 8 * 24 = 192 byte。
  • 但使用新的方式
    • 如果只有三行有效数据
    • 那么entries也就只有3行
    • 占用的空间为3 * 24 =72 byte
  • 而indices由于只是一个一维的数组
    • 只占用8 byte
    • 所以一共占用 80 byte。
    • 内存占用只有原来的41%。