【第六周】组合数据类型

第六周课程导学






本课概要：

当然我们经常会遇到的不是一个数据，而是一组数据，一组数据可以表达一个或多个含义。那么怎么让程序把
一组数据当成一个数据来处理呢？或者怎么能让程序更好地组织一组数据，这就是组合数据类型需要完成的任务。
组合数据类型有三种最重要的类型结构，它分别是集合类型、序列类型和字典类型

6.1 集合类型及操作


不可变数据类型：集合中的每一个元素，一旦放到集合中，这个元素是不能被修改的。比如像列表类型，列表类型
是可以被修改的数据类型，那么一旦这个数据类型放到集合中，那么集合就可能出错。

集合类型一定是由不可变数据类型组成的。集合类型它要求其中的元素是独一无二的，不能存在相同元素

集合类型天然要求不能存在可变数据类型的元素

集合用大括号{}建立
元组用小括号（）建立

集合不能够包含相同的元素。由于给定的字符串中有两个相同的p和y，那么生成集合之后，相同的p和y将会被去掉。而生成之后，其中的元素也并不是按照pypy123的顺序来保留，因为集合中的元素之间没有顺序

集合用大括号{}表示，元素间用逗号分隔
集合中每个元素唯一，不存在相同元素
集合元素之间无序

集合操作符：

S^T:表示在S中也在T中，但不同时在S、B中的元素



集合处理方法：
我们知道方法它是用某个变量加个“.”,这样的方式来调用的函数


S.pop是从集合中随机取出一个元素，取出的概念就是把这个元素返回给用户，同时在集合中删除这个元素。如果
S是空的，那我取不出来任何元素，将返回KeyError异常

这里注意：由于集合元素是没有顺序的，所以使用for in 的形式，去返回获得的元素也是不确定的（不确定指的是用for
in的方式获取变量的时候，它可能与你定义的 顺序不同，但是一旦一个集合类型定义生成之后，它内部其实是有一个顺序的，只不过这个顺序对于程序员来讲，你是没发利用的，它是程序内部去保存集合时候所运用的一种顺序）

集合类型应用场景：

怎么判断某一个数据或其它一组数据，是否在这个数据中。这时我们需要用集合方式来表达这组数据，
并且对另外的数据或者一组数据与这一组数据之间的关系进行比较

数据去重

（将有重复元素的列表转变为无重复元素的列表）

将其它的数据类型变成列表，我们用set(ls)，将列表ls变成一个集合S，那么S中就已经去掉了重复元素

如果我们希望仍然使用列表类型去处理这组数据，我们再用list函数将集合类型转变为列表类型

单元小结：

如果希望创建一个空集合，一定只能使用set函数

6.2 序列类型及操作

单元开篇：

**序列类型定义 **

序列是一维元素向量，元素类型可以不同


序列处理函数及方法

ls[::-1] 返回列表中所有元素，但是从元素最后向最前提取的一个子序列，它做的作用是将列表元素取反。
我们在字符串处理中，我们使用字符串的[::-1]对字符串取反。这是因为字符串类型本身也是序列类型的一种扩展形式

对于字符串这个序列，其中每个元素都是字符，那么字符之间的比较是按照字母序来比较，那么最大的字母序是y,
所以max(s)返回字符串‘y’

元组类型及操作

元组是一种序列类型，一旦创建就不能被修改

func()函数有两个返回值，比如return1，2。我们说在这个时候，函数返回了两个值1和2。事实上在Python内部，
它会认为函数返回了一个值，这个值是一个元组类型。我们说元组类型可以有小括号或者不使用小括号来创建，那么1,2
本身就是一个元组类型

元组类型就是将元素进行有序的排列，用“（）”形式来组织。元组类型的每个元素一旦定义了，它的元素的每个值是不能改变的。元组类型继承了序列类型的全部通用操作（集合、元组不能修改；列表可以修改）**

注意：在使用creature[::-1]进行切片的时候，他并不改变原有creature变量的值，而是生成一个新的元组值。
比如color是由creature和另外两个元素构成的元组，我们可以使用方括号来进行索引操作，color[-1]会索引到creature
这个元素上，由于creature又是一个元组类型，他还可以继续使用[2]来进一步索引它的第二个元素，那么返回的值是
“tiger”

列表类型及操作

列表是一种序列类型，创建后可以随意被修改，各元素类型可以不同，无长度的限制。可以向其中随意的增加元素或减少元素，所以使用起来非常灵活

ls和lt都指向同一个列表。上面这种设计的真正原因，如果要简单说，比如这里面使用了内存、使用了指针，使用了更多的数据概念，但是我们把它再简化一下，在定义列表时如果我们使用了“[]”,或者使用了函数list,那么我们真正的创建了一个列表，如果没有使用“[]”或list,仅仅使用赋值，那么它只是将一段列表赋给了一个新的名字，相当于重新命名

del ls[::3] 表示删除以3为步长的列表子序列，那就是删除其中的3和1024这样的元素。
ls*2 表示的是对列表进行元素复制。这样的运算会作用到列表本身，所以列表ls会随着每次运算发生数据元素的变化

序列类型应用场景

序列包含元组、列表两种重要的扩展类型。序列类型最重要的应用场景是用来做数据表示。
其中元组用于元素不改变的应用场景，更多用于固定搭配场景
列表更加灵活，它是最常用的序列类型

对于列表用 for item in ls
对于元组用 for item in tp (tp是元组类型的一个变量)

我们可以使用tuple函数将它变为元组类型，这样后续的程序无论对它怎么操作，都不会改变它的数据值
为什么我需要去保护一段数据呢?难道我的程序不能保护我的数据吗？如果程序全部是由一个人来完成，那么你的数据完全由程序精确的管理和处理，这当然没有问题。但是如果我们有多人共同完成一段程序，我们又不希望我的数据，通过某些变量修改，那么你可以要求程序之间的接口，采用元组形式来传递，这样就能达到一定保护数据的目的

单元小结

列表操作由于可以更改其中的元素，所以在序列的基本操作之上，增加了更多的灵活处理的函数和方法
本章内容中序列类型是重点，而序列类型中列表类型又是重点

6.3 实例9：基本统计值计算

“基本统计值计算”问题分析

“基本统计值计算”实例讲解






计算中位数的函数需要对列表进行排序-----sorted()

# 返回列表
def getNum():
    nums = []
    iNumStr = input("请输入数字（回车退出）")
    while iNumStr != "":
        nums.append(eval(iNumStr))
        iNumStr = input("请输入数字（回车退出）")
    return nums     # 返回列表


# 计算平均数
def mean(numbers):
    s = 0.0
    for num in numbers:
        s = s + num
    return s / len(numbers)


# 方差
def dev(numbers, means):
    sdev = 0.0
    for num in numbers:
        sdev = sdev + (num - means) ** 2
    # return pow(sdev / (len(numbers)-1), 0.5)
    return pow(sdev / (len(numbers) - 1), 0.5)


# 中位数
def median(numbers):
    sorted(numbers)
    size = len(numbers)
    if size % 2 == 0:
        med = (numbers[size // 2 - 1] + numbers[size // 2]) / 2
    else:
        med = numbers[size // 2]
    return med


n = getNum()
m = mean(n)  # 计算平均值
print("平均值：{},方差：{:.2},中位数：{}".format(m, dev(n, m), median(n)))

基本统计值计算“举一反三”

6.4 字典类型及操作
1.单元开篇

我们已经学过了集合类型、序列类型，那么集合类型、序列类型和字典类型是组合类型的三种表达形式。学习了本单元，那么同学们就应该掌握了数据组合数据类型的全部的表达方法

2.字典类型定义




其中的每一个元素是由键和值通过冒号：表示，元素之间用“，”来分隔

其实这样的特点跟在序列类型中，通过一个列表“[]”,输入一个序号获得值是一样的，只不过在字典类型中序号是由用户来直接定义的，可以定义为像字符串这样的任何非可变类型。

如果是空集合，必须使用set()建立；空字典可以使用大括号{}表示

**重点：**集合类型与字典类型不同，集合类型中的每一个元素就是一个基本元素，它不是一个键值对。而字典类型的每一个元素是一个键值对。我们在集合类型中要求大家，如果生成一个空的集合类型，不能使用空“{}”的方式，这是因为空“{}”的方式是默认来生成字典类型的，因为字典类型在计算机编程中会非常常用，所以我们将“{}”空的形式，保留给生成空字典类型来使用。如果想生成空的集合类型，那就是用set函数来完成

3.字典处理函数及方法

k in d：k并不是数据值，而是数据值的索引
d.keys()和d.values() 并不返回列表类型，它返回的是一种字典的key类型，或字典的value类型。这些类型可以用for in的方式做遍历，但是不能当做列表类型来操作

d.pop函数也是返回键k对应的值，只不过它不是返回，是取出。取出之后要删除字典中对应的键值对。如果K不在字典d中，则返回后边的default的值。

因为巴基斯坦不是字典d中的索引，也就是不是字典d中键的信息。所以使用后面的默认值—“伊斯兰堡”

字典其中的元素并没有顺序关系，所以这里面说修改第2个元素指的是，你向之前向d中增加的第2个
元素，它的键值对是b和2，把它做相关的修改

4.字典类型应用场景

5.单元小结

6.5 模块5：jieba库的使用

jieba库是靠什么原理来进行中文分词的？我们知道词语与词语之间他都是由汉字来组成的，所以简单说jieba库是通过中文词库的方式来识别分词的。它首先利用中文词库，通过这样的词库计算汉字之间的构成词语的关联概率。比如中、文两个汉字，它们之间就有很强的概率构造成一个词组叫中文。所以通过计算汉字之间的概率就可以形成分词的
结果。当然除了jieba自带的中文词库，用户也可以向其中增加自定义的词组，从而使jieba的分词更适应某些具体领域的使用

jieba库使用说明




jieba库的要点是什么？就是一个函数jieba.lcut(s)。它能将字符串s进行精确的分词处理，并且返回一个
列表类型。只需要记住这样的一个函数就能够完成中文分词的功能

6.6 实例10：文本词频统计

1.“文本词频统计问题分析”

2. “Hamlet英文词频统计”实例讲解

hamletTxt.split(): 它默认的是采用空格将字符串中的信息进行分割，里面的每一个元素就是一个空格分开的单词。并且以列表的形式返回给变量。所以words是一个列表类型
我们需要定义字典类型，使用字典类型来表达单词跟出现频率之间的对应关系
我们逐一的去从words这个列表中，取出每一个元素，取出之后，我们尝试一下这个元素是否在counts中，这里面用到了一个counts中的方法，叫做counts.get.使用字典.get()方法，用来从字典中获得某一个键对应的值，如果这个键不存在在字典中，也就是尚未在字典中，我们给出默认值

字典,get()方法用来从字典中获得某一个键对应的值，如果这个键不存在在字典中，也就尚未在字典中，我们
给出默认值
counts.get(word,0)它指的是用当前的某一个英文单词作为键索引字典，如果它在里面，南无就返回它的次数，后面再加1，说明这个单词又出现了一次，如果这个单词不在这个字典中，那我们就把它加到字典中，并且赋给当前的值为0，那么0加1是1，因为这个单词出现过一次，那么counts前面的word等于counts.get+1就是等于0+1，相当于在字典中新增了一个元素。
这里从words这个列表中取出每一个元素，去除之后我们尝试一下这个元素是否在counts中

将字典类型转化为列表类型便于操作，对于列表类型使用它的sort方法
sort中的一个类型的lambda用来指定在列表中使用哪一个多元选项的列作为排序列，而默认的排序方法是从小到大，
reverse设为True,那么返回的排序就是从大到小。这个能完成的工作就是对一个列表按照键值对的2个元素的第2个元素进行排序，
排序的方式是由大到小的倒排

def getText():
    txt = open("./hamlet", "r").read()
    txt = txt.lower()
    for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':
        txt = txt.replace(ch, " ")  # 将这些标点符号修改为空格
    return txt


hamleTxt = getText()
words = hamleTxt.split()  # 每个字符串中间都有个空格，那么我们可以通过这个空格来分隔这个字符串，并以列表的形式返回
counts = {}
for word in words:
    counts[word] = counts.get(word, 0) + 1
items = list(counts.items())  # 为了方便，将counts字典变成列表形式
items.sort(key=lambda x: x[1], reverse=True)
for i in range(10):
    word, count = items[i]
    print("{0:<10}{1:>5}".format(word, count))
'''
冒号是引导符，后面跟的是格式控制方法。<表示左对齐，>表示右对齐，数字表示宽度。同理，题中<10表示左对齐，并占10个位置，>5表示右对齐，占5个位置。
'''

3.《三国演义》人物的出场统计“实例讲解（上）
《三国演义》和Hamlet不同，它是中文文本，首先要对中文进行分词，之前我们讲解过中文的分词库jieba,我们可以使用jieba来完成它。除了使用jieba进行分词，中文不存在大小写问题，所以大小写可以很好的处理，中文的标点符号会在分词的过程中都将会被处理掉，所以我们不需要处理特殊符号

# 《三国演义》人物出场统计初级版本
import jieba

txt = open("./threekingdoms.txt", "r", encoding="utf-8").read()
words = jieba.lcut(txt)
counts = {}
for word in words:
    if len(word) == 1:
        continue
    else:
        counts[word] = counts.get(word, 0) + 1
items = list(counts.items())  # 将字典转换为列表形式
items.sort(key=lambda x: x[1], reverse=True)
for i in range(15):
    word, count = items[i]
    print("{0:<10}{1:>5}".format(word, count))

4.《三国演义》人物的出场统计“实例讲解（下）
像上面的将军、却说、二人、玄德曰、孔明曰这些词都不是《三国演义》里出现的人名。
同时像诸葛亮、孔明曰和孔明其实是一个人，关公、云长跟关羽也是一个人，但是是不同的称谓，而
这种称谓之间应该关联起来。所以我们需要进一步完成的是在词频统计的基础上，怎么去面向问题改造我们的程序
我们要进行升级版，在这个升级版中我们要给出一些排除词库，也就是对于某些确定不是人名的词，即使
我们做了词频统计，我们也要把它删除掉。

理解这里面对排除词库以及对名称关联的处理方法

我们看到曹操、孔明、刘备等的人物出场次数已经发生了变化，那么之后还会有像“商议”，“如何”、“主公”，
“军士”这样的非人名词汇，所以我们也要进一步地将这样的词库加到我们排除词库中，进一步优化输出结果。

# 《三国演义》人物出场统计终极版本
import jieba

txt = open("./threekingdoms.txt", "r", encoding="utf-8").read()
excludes = {"将军", "却说", "荆州", "如何", "商议", "二人", "不可", "不能", "如此"}
words = jieba.lcut(txt)  # 精确模式，返回一个列表类型的分词结果
counts = {}
for word in words:
    if len(word) == 1:
        continue
    elif word == "诸葛亮" or word == "孔明曰":
        rword = "孔明"
    elif word == "关公" or word == "云长":
        rword = "关羽"
    elif word == "玄德" or word == "玄德曰":
        rword = "刘备"
    elif word == "孟德" or word == "丞相":
        rword = "曹操"
    else:
        rword = word
    counts[rword] = counts.get(rword, 0) + 1
for word in excludes:
    del counts[word]
items = list(counts.items())
items.sort(key=lambda x: x[1], reverse=True)
for i in range(10):
    word, count = items[i]
    print("{0:<10}{1:>5}".format(word, count))

5.“文本词频统计”举一反三

除了做基本的词频分析、人物统计分析，进一步还可以对文本的词语或词汇绘制词云

文本词频统计实例是充分利用组合数据类型中的集合、序列以及字典完成功能的非常好的哦实例