1、内置序列类型概览
按照存放类型分类
不同类型的数据:list, tuple, collections.deque
一种类型的数据:str, bytes, bytearray, memoryview和arrray.array
按照是否修改分类
可变序列:list, bytearray, array.array, collections.deque和memoryview
不可变序列:tuple, str和bytes
2、列表推导和生成器表达式
[i for i in range(10)] 是构建列表的快捷方式
生成器表达式
生成器表达式背后遵守迭代器协议,可以逐个地产出元素,显然节省内存,生成器表达式的语法跟列表推导差不多,只不过把方括号换成圆括号。
(i for i in range(10))
symbols = ‘$#@%^&*‘a= tuple(ord(s) for s in symbols if ord(s) > 35)print(a)importarray
a= array.array(‘I‘,(ord(s) for s insymbols))print(a)
colors= [‘b‘,‘w‘]
sizes= [‘S‘,‘M‘,‘L‘]for i in (‘%s,%s‘%(color,size) for color in colors for size insizes):print(i)
3、元组不仅仅是不可变的列表
用元组作为字段
元组拆包
元组其实是对数据的记录:元组中的元素存放了数据和位置
可以当成记录加以利用
拆包
a,b = b,a
平行赋值
>>> x = (6, 9)
>>> a, b = x
>>> a
6
>>> b
9
用*拆开作为函数参数
>>> t = (20, 8)
>>> divmod(*t)
(2, 4)
用*处理剩下的元素,可以出现在赋值表达式任意位置
>>> a, b, *rest = range(5)
"""记录
拆包"""lax_coordinates= (33.9425,-118.408056)
city,year,pop,chg,area= (‘Tokyo‘,2003,32450,0.66,8014)
traveler_ids= [(‘USA‘,‘2345633‘),(‘CHINA‘,‘ER5556‘),(‘BRA‘,‘782829‘)]for passport insorted(traveler_ids):print(‘%s/%s‘%passport)for country,_ intraveler_ids:print(country)
a= (20,8)
c,d= divmod(*a)print(c,d)importos
a= os.path.split("/home/www/ddd/ccc.pub")print(a)#*用来处理剩下来的元素
a,*b,rest = range(10)print(a,b,rest)
#嵌套元组拆包
metro_areas= [(‘Tokyo‘,‘JP‘,36.33,(35.998877,139.887665)),
(‘De NCR‘,‘IN‘,21.334,(28.61555,77.20999)),
(‘Mexico city‘,‘MX‘,20.14,(19.2345,-99.8765)),
(‘Sao Paulo‘,‘BR‘,19.887,(-23.8887,-46.65533))]print(‘{:15}|{:^9}|{:^9}‘.format(‘City‘,‘lat.‘,‘long.‘))
fmt= ‘{:15}|{:9.4f}|{:9.4f}‘
for name,cc,pop, (latitude,longitude) inmetro_areas:if longitude <=0:print(fmt.format(name,latitude,longitude))
#具名元组from collections importnamedtuple
City= namedtuple(‘City‘,‘name country population coordinates‘)
tokyo= City(‘Tokyo‘,‘JP‘,36,(35,139))print(tokyo)print(City._fields)
a= (2,3,4,45,6,9)print(a[::3])
t= (1,2,[3,4])
t[2] += [5,6]print(t)
4、切片
切片
l[::-2]
l[:5] = []
5、对序列使用+和*
>>> [[0] * 3] * 3
[[0, 0, 0], [0, 0, 0], [0, 0, 0]]
>>> [[0] * 3 for i in range(3)]
[[0, 0, 0], [0, 0, 0], [0, 0, 0]]
第一种,外面的列表包含了3个指向同一个列表的引用,修改一个,其他位置也会修改
6、序列的增量赋值
序列的增量赋值
_iadd :就地加法(+=) _add
m = l*5
m += [1,2]
7、list.sort方法和内置函数sorted
list.sort方法会就地排序列表,也就是说不会把原列表复制一份。
两个关键词参数:reverse,key
8、已排序搜索和插入bisect
#比较有趣的用法
def grade(score,breakpoints = [60,70,80,90],grades = ‘FDCBA‘):
i=bisect.bisect_right(breakpoints,score)returngrades[i]print([grade(score) for score in [33,60,62,69,80,100]])#已排序队列的插入
bisect.insort_left([],10)
9、当列表不是首选时
数组(array.array)
from array importarrayfrom random importrandom
floats= array(‘d‘,(random()*100 for i in range(10**7)))print(floats[-1])#注意哦,数组里面存的是数字的字节表达
fp = open(‘floats.bin‘,‘wb‘)
floats.tofile(fp)
fp.close()
内存视图memoryview
泛化和去数学化的NumPy数组,实现在数据结构之间共享内存。用以处理大型数据集合
注意共享内存的意思是对memoryview的操作不会产生新的对象!!!这也是其高效的原因
NumPy 与 SciPy
from time importperf_counter as pc
t0=pc()
floats= numpy.loadtxt(‘data.txt‘)
t1=pc()
floats/= 3t2=pc()
numpy.save(‘floats-10M‘,floats)
t3=pc()
floats2= numpy.load(‘floats-10M.npy‘,‘r+‘)
t4=pc()
floats2*=363t5=pc()
{‘t0‘: 0.851668039, ‘t1‘: 153.021685987, ‘t2‘: 153.038698158, ‘t3‘: 153.4188989, ‘t4‘: 153.420616467, ‘t5‘: 153.455011833}
读取txt和二进制文件简直天壤之别,当然这有NumPy优化内存映射机制
还有 deque heapq ....
from collections importdeque
dq= deque(range(10),maxlen = 10)
dq.rotate(-4)print(dq)
dq.pop()print(dq)
dq.extend([11,12,13])print(dq)
queue
import queue
#用以同步线程安全,满员时会等待销毁后再执行
multiprocessing
import multiprocessing
#用以同步进程管理,同queue
asyncio
import asyncio
#是用来编写 并发 代码的库,使用 async/await 语法
heapq
import heapq
#将可变序列当做堆队列处理