Python列表的替代

《流畅的Python》

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2023/1/19 10:30
# @Author  : Lili
# @File    : exp6.py
# @Description : 当列表不是首选时, 数组

# 数组
# 对于需要一个只包含数字的列表，array.array比list更高效
# .pop .insert .extend .frombytes .tofile
from array import array
from random import random

# floats = array('d', (random() for i in range(10**7)))
# # 建立双精度浮点数组，类型码是'd'
# fp = open('floats.bin', 'wb')
# floats.tofile(fp)
# fp.close()
# floats2 = array('d')
# fp = open('floats.bin', 'rb')
# floats2.fromfile(fp, 10**7)
# fp.close()
# print(floats[-1], floats2[-1])
# 另一个快速序列化数字类型的方法是使用pickle模块，pickle.dump 处理浮点数组的速度几乎跟 array.
# tofile 一样快。不过前者可以处理几乎所有的内置数字类型，包含复数、嵌套集合，甚至用户自定义的类。前提是这些类没有什么特别复杂的实现
arr = array('b', (10, 121, 55, 34, 35, 78, 120))
arr2 = array('h', (10, 20, 23, 34, 35, 78, 120))
print(arr)
arr2.byteswap() # 翻转每个元素的字节序列
print(arr2)
# 排序 arr.typecode 代表数组元素在C语言中的数据类型
arr = array(arr.typecode, sorted(arr))
arr.reverse() # 就地调转序列中元素位置
print(arr)

# Python 数组跟 C 语言数组一样精简。创建数组需要一个类型码，这个类型码用来表示在底层的 C 语言应该存放怎样的数据类型。比如 b 类型码代表的是有符号的字符（signed
# char），因此 array('b') 创建出的数组就只能存放一个字节大小的整数，范围从 -128 到127，这样在序列很大的时候，我们能节省很多空间。
# 而且 Python 不会允许你在数组里存放除指定类型之外的数据。

# memoryview 内存视图 memoryview 是一个内置类，它能让用户在不复制内容的情况下操作同一个数组的不同切片。
# 内存视图其实是泛化和去数学化的 NumPy 数组。它让你在不需要复制内容的前提下，
# 在数据结构之间共享内存。其中数据结构可以是任何形式，比如 PIL 图片、SQLite
# 数据库和 NumPy 的数组，等等。这个功能在处理大型数据集合的时候非常重要。
# 我们利用 memoryview 精准地修改了一个数组的某个字节，这个数组的元素是 16 位二进制整数。
numbers = array('h', [-2, -1, 0, 1, 2])
memv = memoryview(numbers)
print(len(memv), memv[0])
memv_oct = memv.cast('B')
print(memv_oct.tolist())
memv_oct[5] = 4
print(numbers)

# NumPy 和 SciPy
# 凭借着 NumPy 和 SciPy 提供的高阶数组和矩阵操作，Python 成为科学计算应用的主流语
# 言。NumPy 实现了多维同质数组（homogeneous array）和矩阵，这些数据结构不但能处理
# 数字，还能存放其他由用户定义的记录。通过 NumPy，用户能对这些数据结构里的元素进
# 行高效的操作。

# SciPy 是基于 NumPy 的另一个库，它提供了很多跟科学计算有关的算法，专为线性代数、
# 数值积分和统计学而设计。SciPy 的高效和可靠性归功于其背后的 C 和 Fortran 代码，而这
# 些跟计算有关的部分都源自于 Netlib 库（http://www.netlib.org）。换句话说，SciPy 把基于
# C 和 Fortran 的工业级数学计算功能用交互式且高度抽象的 Python 包装起来，让科学家如
# 鱼得水。

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2023/1/19 11:02
# @Author  : Lili
# @File    : exp7.py.py
# @Description : 当列表不是首选时, 双向队列，和其他形式的队列

# collections.deque 类（双向队列）是一个线程安全、可以快速从两端添加或者删除元素的
# 数据类型。而且如果想要有一种数据类型来存放“最近用到的几个元素”，deque 也是一个
# 很好的选择。这是因为在新建一个双向队列的时候，你可以指定这个队列的大小，如果这
# 个队列满员了，还可以从反向端删除过期的元素，然后在尾端添加新的元素。
from collections import deque
dq = deque(range(10), maxlen=10)
print(dq)
dq.rotate(3)
print(dq)
dq.rotate(-4)
print(dq)
dq.appendleft(-1)
print(dq)
dq.extend((11, 22, 33))
print(dq)
dq.extendleft((10, 20, 30, 40))
print(dq)

# 其他Python标准库中对队列的实现
# queue
# 提供了同步（线程安全）类 Queue、LifoQueue 和 PriorityQueue，不同的线程可以利用
# 这些数据类型来交换信息。这三个类的构造方法都有一个可选参数 maxsize，它接收正
# 整数作为输入值，用来限定队列的大小。但是在满员的时候，这些类不会扔掉旧的元素
# 来腾出位置。相反，如果队列满了，它就会被锁住，直到另外的线程移除了某个元素而
# 腾出了位置。这一特性让这些类很适合用来控制活跃线程的数量。
# multiprocessing
# 这个包实现了自己的 Queue，它跟 queue.Queue 类似，是设计给进程间通信用的。同时
# 还有一个专门的 multiprocessing.JoinableQueue 类型，可以让任务管理变得更方便。
# asyncio
# Python 3.4 新提供的包，里面有 Queue、LifoQueue、PriorityQueue 和 JoinableQueue，
# 这些类受到 queue 和 multiprocessing 模块的影响，但是为异步编程里的任务管理提供
# 了专门的便利。
# heapq
# 跟上面三个模块不同的是，heapq 没有队列类，而是提供了 heappush 和 heappop 方法，
# 让用户可以把可变序列当作堆队列或者优先队列来使用。