列举Python中常见的数据结构及其特点。

Python中常见的数据结构及其特点如下：

• 列表（List）

  特点：可变的有序序列，元素类型可不同，支持动态增删改操作。

  操作示例：my_list = [1, 'hello', 3.14]my_list.append(5) # 添加元素 → [1, 'hello', 3.14, 5]my_list[1] = 'world' # 修改元素 → [1, 'world', 3.14, 5]

  适用场景：需要频繁修改数据的场景（如动态数据收集、队列/栈操作）。

  注意事项：多线程环境下需同步操作以避免竞争条件。

• 元组（Tuple）

  特点：不可变的有序序列，创建后内容无法修改，元素类型可不同。

  操作示例：my_tuple = (1, 'hello', 3.14)# my_tuple[1] = 'world' # 报错！元组不支持修改print(my_tuple[0]) # 输出: 1

  适用场景：存储固定数据（如坐标点、配置项）、作为字典键或集合元素。

  优势：比列表更安全（防止意外修改），创建和访问速度略快。

• 字典（Dictionary）

  特点：键值对的无序集合（Python 3.7+保持插入顺序），键必须唯一且不可变（可哈希）。

  操作示例：my_dict = {'name': 'Alice', 'age': 30}my_dict['age'] = 31 # 修改值my_dict['city'] = 'NY' # 添加键值对 → {'name': 'Alice', 'age': 31, 'city': 'NY'}

  底层机制：基于哈希表实现，平均查找时间复杂度为O(1)。

  适用场景：通过标识符快速查找数据（如电话簿、缓存）。

  限制：键必须是可哈希类型（如字符串、元组），不可变对象。

• 集合（Set）

  特点：无序且不重复的元素集合，元素必须可哈希。

  操作示例：my_set = {1, 2, 3, 2} # 自动去重 → {1, 2, 3}another_set = {3, 4, 5}print(my_set.union(another_set)) # 并集 → {1, 2, 3, 4, 5}print(my_set.intersection(another_set)) # 交集 → {3}

  适用场景：数据去重、集合运算（交并差）。

  操作效率：添加、删除、查找的平均时间复杂度为O(1)。

• collections模块中的高效工具

  deque（双端队列）：支持从两端快速添加/删除元素（O(1)复杂度），适用于日志流、缓存管理。from collections import dequehistory = deque(maxlen=5)history.append('page1')history.appendleft('page0') # 从左侧添加 → deque(['page0', 'page1'], maxlen=5)

  Counter（计数器）：统计元素出现次数，简化计数逻辑。from collections import Counterwords = ['apple', 'banana', 'apple']word_counts = Counter(words) # Counter({'apple': 2, 'banana': 1})

  namedtuple（命名元组）：创建带有命名字段的元组子类，提升代码可读性。from collections import namedtuplePoint = namedtuple('Point', ['x', 'y'])p = Point(10, 20)print(p.x) # 输出: 10

• 其他专用数据结构

  heapq（堆队列）：实现优先队列，快速获取最小/最大元素。

  array（数组）：存储同类型数据的紧凑数组，节省内存并提高数值处理性能。

总结：Python的数据结构设计兼顾灵活性与效率，基础结构（列表、元组、字典、集合）覆盖大多数场景，而collections模块提供的工具（如deque、Counter）则针对特定需求优化。合理选择数据结构可显著提升代码性能与可维护性。