Python中的高级数据结构(转)

add by zhj: Python中的高级数据结构

数据结构

数据结构的概念很好理解，就是用来将数据组织在一起的结构。换句话说，数据结构是用来存储一系列关联数据的东西。在Python中有四种内建的数据 结构，分别是List、Tuple、Dictionary以及Set。大部分的应用程序不需要其他类型的数据结构，但若是真需要也有很多高级数据结构可供 选择，例如Collection、Array、Heapq、Bisect、Weakref、Copy以及Pprint。本文将介绍这些数据结构的用法，看 看它们是如何帮助我们的应用程序的。

关于四种内建数据结构的使用方法很简单，并且网上有很多参考资料，因此本文将不会讨论它们。

1. Collections

collections模块包含了内建类型之外的一些有用的工具，例如Counter、defaultdict、OrderedDict、deque以及nametuple。其中Counter、deque以及defaultdict是最常用的类。

1.1 Counter()

如果你想统计一个单词在给定的序列中一共出现了多少次，诸如此类的操作就可以用到Counter。来看看如何统计一个list中出现的item次数：


1

2

3

4

5

from collections import Counter

li = ["Dog", "Cat", "Mouse", 42, "Dog", 42, "Cat", "Dog"]

a = Counter(li)

print a # Counter({‘Dog‘: 3, 42: 2, ‘Cat‘: 2, ‘Mouse‘: 1})

若要统计一个list中不同单词的数目，可以这么用：


1

2

3

4

5

6

7

from collections import Counter

li = ["Dog", "Cat", "Mouse", 42, "Dog", 42, "Cat", "Dog"]

a = Counter(li)

print a # Counter({‘Dog‘: 3, 42: 2, ‘Cat‘: 2, ‘Mouse‘: 1})

print len(set(li)) # 4

如果需要对结果进行分组，可以这么做：


1

2

3

4

5

6

7

8

9

10

from collections import Counter

li = ["Dog", "Cat", "Mouse","Dog","Cat", "Dog"]

a = Counter(li)

print a # Counter({‘Dog‘: 3, ‘Cat‘: 2, ‘Mouse‘: 1})

print "{0} : {1}".format(a.values(),a.keys())  # [1, 3, 2] : [‘Mouse‘, ‘Dog‘, ‘Cat‘]

print(a.most_common(3)) # [(‘Dog‘, 3), (‘Cat‘, 2), (‘Mouse‘, 1)]

以下的代码片段找出一个字符串中出现频率最高的单词，并打印其出现次数。


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

import re

from collections import Counter

string = """   Lorem ipsum dolor sit amet, consectetur

    adipiscing elit. Nunc ut elit id mi ultricies

    adipiscing. Nulla facilisi. Praesent pulvinar,

    sapien vel feugiat vestibulum, nulla dui pretium orci,

    non ultricies elit lacus quis ante. Lorem ipsum dolor

    sit amet, consectetur adipiscing elit. Aliquam

    pretium ullamcorper urna quis iaculis. Etiam ac massa

    sed turpis tempor luctus. Curabitur sed nibh eu elit

    mollis congue. Praesent ipsum diam, consectetur vitae

    ornare a, aliquam a nunc. In id magna pellentesque

    tellus posuere adipiscing. Sed non mi metus, at lacinia

    augue. Sed magna nisi, ornare in mollis in, mollis

    sed nunc. Etiam at justo in leo congue mollis.

    Nullam in neque eget metus hendrerit scelerisque

    eu non enim. Ut malesuada lacus eu nulla bibendum

    id euismod urna sodales.  """

words = re.findall(r‘\w+‘, string) #This finds words in the document

lower_words = [word.lower() for word in words] #lower all the words

word_counts = Counter(lower_words) #counts the number each time a word appears

print word_counts

# Counter({‘elit‘: 5, ‘sed‘: 5, ‘in‘: 5, ‘adipiscing‘: 4, ‘mollis‘: 4, ‘eu‘: 3,

# ‘id‘: 3, ‘nunc‘: 3, ‘consectetur‘: 3, ‘non‘: 3, ‘ipsum‘: 3, ‘nulla‘: 3, ‘pretium‘:

# 2, ‘lacus‘: 2, ‘ornare‘: 2, ‘at‘: 2, ‘praesent‘: 2, ‘quis‘: 2, ‘sit‘: 2, ‘congue‘: 2, ‘amet‘: 2,

# ‘etiam‘: 2, ‘urna‘: 2, ‘a‘: 2, ‘magna‘: 2, ‘lorem‘: 2, ‘aliquam‘: 2, ‘ut‘: 2, ‘ultricies‘: 2, ‘mi‘: 2,

# ‘dolor‘: 2, ‘metus‘: 2, ‘ac‘: 1, ‘bibendum‘: 1, ‘posuere‘: 1, ‘enim‘: 1, ‘ante‘: 1, ‘sodales‘: 1, ‘tellus‘: 1,

# ‘vitae‘: 1, ‘dui‘: 1, ‘diam‘: 1, ‘pellentesque‘: 1, ‘massa‘: 1, ‘vel‘: 1, ‘nullam‘: 1, ‘feugiat‘: 1, ‘luctus‘: 1,

# ‘pulvinar‘: 1, ‘iaculis‘: 1, ‘hendrerit‘: 1, ‘orci‘: 1, ‘turpis‘: 1, ‘nibh‘: 1, ‘scelerisque‘: 1, ‘ullamcorper‘: 1,

# ‘eget‘: 1, ‘neque‘: 1, ‘euismod‘: 1, ‘curabitur‘: 1, ‘leo‘: 1, ‘sapien‘: 1, ‘facilisi‘: 1, ‘vestibulum‘: 1, ‘nisi‘: 1,

# ‘justo‘: 1, ‘augue‘: 1, ‘tempor‘: 1, ‘lacinia‘: 1, ‘malesuada‘: 1})

1.2 Deque

Deque是一种由队列结构扩展而来的双端队列(double-ended queue)，队列元素能够在队列两端添加或删除。因此它还被称为头尾连接列表(head-tail linked list)，尽管叫这个名字的还有另一个特殊的数据结构实现。

Deque支持线程安全的，经过优化的append和pop操作，在队列两端的相关操作都能够达到近乎O(1)的时间复杂度。虽然list也支持类 似的操作，但是它是对定长列表的操作表现很不错，而当遇到pop(0)和insert(0, v)这样既改变了列表的长度又改变其元素位置的操作时，其复杂度就变为O(n)了。

来看看相关的比较结果：


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

import time

from collections import deque

num = 100000

def append(c):

    for i in range(num):

        c.append(i)

def appendleft(c):

    if isinstance(c, deque):

        for i in range(num):

            c.appendleft(i)

    else:

        for i in range(num):

            c.insert(0, i)

def pop(c):

    for i in range(num):

        c.pop()

def popleft(c):

    if isinstance(c, deque):

        for i in range(num):

            c.popleft()

    else:

        for i in range(num):

            c.pop(0)

for container in [deque, list]:

    for operation in [append, appendleft, pop, popleft]:

        c = container(range(num))

        start = time.time()

        operation(c)

        elapsed = time.time() - start

        print "Completed {0}/{1} in {2} seconds: {3} ops/sec".format(

              container.__name__, operation.__name__, elapsed, num / elapsed)

# Completed deque/append in 0.0250000953674 seconds: 3999984.74127 ops/sec

# Completed deque/appendleft in 0.0199999809265 seconds: 5000004.76838 ops/sec

# Completed deque/pop in 0.0209999084473 seconds: 4761925.52225 ops/sec

# Completed deque/popleft in 0.0199999809265 seconds: 5000004.76838 ops/sec

# Completed list/append in 0.0220000743866 seconds: 4545439.17637 ops/sec

# Completed list/appendleft in 21.3209998608 seconds: 4690.21155917 ops/sec

# Completed list/pop in 0.0240001678467 seconds: 4166637.52682 ops/sec

# Completed list/popleft in 4.01799988747 seconds: 24888.0046791 ops/sec

另一个例子是执行基本的队列操作：


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

from collections import deque

q = deque(range(5))

q.append(5)

q.appendleft(6)

print q

print q.pop()

print q.popleft()

print q.rotate(3)

print q

print q.rotate(-1)

print q

# deque([6, 0, 1, 2, 3, 4, 5])

# 5

# 6

# None

# deque([2, 3, 4, 0, 1])

# None

# deque([3, 4, 0, 1, 2])

译者注:rotate是队列的旋转操作，Right rotate(正参数)是将右端的元素移动到左端，而Left rotate(负参数)则相反。

1.3 Defaultdict

这个类型除了在处理不存在的键的操作之外与普通的字典完全相同。当查找一个不存在的键操作发生时，它的default_factory会被调用，提 供一个默认的值，并且将这对键值存储下来。其他的参数同普通的字典方法dict()一致，一个defaultdict的实例同内建dict一样拥有同样地 操作。

defaultdict对象在当你希望使用它存放追踪数据的时候很有用。举个例子，假定你希望追踪一个单词在字符串中的位置，那么你可以这么做：


1

2

3

4

5

6

7

8

9

10

11

12

13

from collections import defaultdict

s = "the quick brown fox jumps over the lazy dog"

words = s.split()

location = defaultdict(list)

for m, n in enumerate(words):

    location[n].append(m)

print location

# defaultdict(<type ‘list‘>, {‘brown‘: [2], ‘lazy‘: [7], ‘over‘: [5], ‘fox‘: [3],

# ‘dog‘: [8], ‘quick‘: [1], ‘the‘: [0, 6], ‘jumps‘: [4]})

是选择lists或sets与defaultdict搭配取决于你的目的，使用list能够保存你插入元素的顺序，而使用set则不关心元素插入顺序，它会帮助消除重复元素。


1

2

3

4

5

6

7

8

9

10

11

12

13

14

from collections import defaultdict

s = "the quick brown fox jumps over the lazy dog"

words = s.split()

location = defaultdict(set)

for m, n in enumerate(words):

    location[n].add(m)

print location

# defaultdict(<type ‘set‘>, {‘brown‘: set([2]), ‘lazy‘: set([7]),

# ‘over‘: set([5]), ‘fox‘: set([3]), ‘dog‘: set([8]), ‘quick‘: set([1]),

# ‘the‘: set([0, 6]), ‘jumps‘: set([4])})

另一种创建multidict的方法：


1

2

3

4

5

6

7

8

9

s = "the quick brown fox jumps over the lazy dog"

d = {}

words = s.split()

for key, value in enumerate(words):

    d.setdefault(key, []).append(value)

print d

# {0: [‘the‘], 1: [‘quick‘], 2: [‘brown‘], 3: [‘fox‘], 4: [‘jumps‘], 5: [‘over‘], 6: [‘the‘], 7: [‘lazy‘], 8: [‘dog‘]}

一个更复杂的例子：


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

class Example(dict):

    def __getitem__(self, item):

        try:

            return dict.__getitem__(self, item)

        except KeyError:

            value = self[item] = type(self)()

            return value

a = Example()

a[1][2][3] = 4

a[1][3][3] = 5

a[1][2][‘test‘] = 6

print a # {1: {2: {‘test‘: 6, 3: 4}, 3: {3: 5}}}

2. Array

array模块定义了一个很像list的新对象类型，不同之处在于它限定了这个类型只能装一种类型的元素。array元素的类型是在创建并使用的时候确定的。

如果你的程序需要优化内存的使用，并且你确定你希望在list中存储的数据都是同样类型的，那么使用array模块很合适。举个例子，如果需要存储 一千万个整数，如果用list，那么你至少需要160MB的存储空间，然而如果使用array，你只需要40MB。但虽然说能够节省空间，array上几 乎没有什么基本操作能够比在list上更快。

在使用array进行计算的时候，需要特别注意那些创建list的操作。例如，使用列表推导式(list comprehension)的时候，会将array整个转换为list，使得存储空间膨胀。一个可行的替代方案是使用生成器表达式创建新的array。看代码：


1

2

3

4

import array

a = array.array("i", [1,2,3,4,5])

b = array.array(a.typecode, (2*x for x in a))

因为使用array是为了节省空间，所以更倾向于使用in-place操作。一种更高效的方法是使用enumerate：


1

2

3

4

5

import array

a = array.array("i", [1,2,3,4,5])

for i, x in enumerate(a):

    a[i] = 2*x

对于较大的array，这种in-place修改能够比用生成器创建一个新的array至少提升15%的速度。

那么什么时候使用array呢？是当你在考虑计算的因素之外，还需要得到一个像C语言里一样统一元素类型的数组时。


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

import array

from timeit import Timer

def arraytest():

    a = array.array("i", [1, 2, 3, 4, 5])

    b = array.array(a.typecode, (2 * x for x in a))

def enumeratetest():

    a = array.array("i", [1, 2, 3, 4, 5])

    for i, x in enumerate(a):

        a[i] = 2 * x

if __name__==‘__main__‘:

    m = Timer("arraytest()", "from __main__ import arraytest")

    n = Timer("enumeratetest()", "from __main__ import enumeratetest")

    print m.timeit() # 5.22479210582

    print n.timeit() # 4.34367196717

3. Heapq

heapq模块使用一个用堆实现的优先级队列。堆是一种简单的有序列表，并且置入了堆的相关规则。

堆是一种树形的数据结构，树上的子节点与父节点之间存在顺序关系。二叉堆(binary heap)能够用一个经过组织的列表或数组结构来标识，在这种结构中，元素N的子节点的序号为2*N+1和2*N+2(下标始于0)。简单来说，这个模块 中的所有函数都假设序列是有序的，所以序列中的第一个元素(seq[0])是最小的，序列的其他部分构成一个二叉树，并且seq[i]节点的子节点分别为 seq[2*i+1]以及seq[2*i+2]。当对序列进行修改时，相关函数总是确保子节点大于等于父节点。


1

2

3

4

5

6

7

8

9

import heapq

heap = []

for value in [20, 10, 30, 50, 40]:

    heapq.heappush(heap, value)

while heap:

    print heapq.heappop(heap)

heapq模块有两个函数nlargest()和nsmallest()，顾名思义，让我们来看看它们的用法。


1

2

3

4

5

import heapq

nums = [1, 8, 2, 23, 7, -4, 18, 23, 42, 37, 2]

print(heapq.nlargest(3, nums)) # Prints [42, 37, 23]

print(heapq.nsmallest(3, nums)) # Prints [-4, 1, 2]

两个函数也能够通过一个键参数使用更为复杂的数据结构，例如：


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

import heapq

portfolio = [

{‘name‘: ‘IBM‘, ‘shares‘: 100, ‘price‘: 91.1},

{‘name‘: ‘AAPL‘, ‘shares‘: 50, ‘price‘: 543.22},

{‘name‘: ‘FB‘, ‘shares‘: 200, ‘price‘: 21.09},

{‘name‘: ‘HPQ‘, ‘shares‘: 35, ‘price‘: 31.75},

{‘name‘: ‘YHOO‘, ‘shares‘: 45, ‘price‘: 16.35},

{‘name‘: ‘ACME‘, ‘shares‘: 75, ‘price‘: 115.65}

]

cheap = heapq.nsmallest(3, portfolio, key=lambda s: s[‘price‘])

expensive = heapq.nlargest(3, portfolio, key=lambda s: s[‘price‘])

print cheap

# [{‘price‘: 16.35, ‘name‘: ‘YHOO‘, ‘shares‘: 45},

# {‘price‘: 21.09, ‘name‘: ‘FB‘, ‘shares‘: 200}, {‘price‘: 31.75, ‘name‘: ‘HPQ‘, ‘shares‘: 35}]

print expensive

# [{‘price‘: 543.22, ‘name‘: ‘AAPL‘, ‘shares‘: 50}, {‘price‘: 115.65, ‘name‘: ‘ACME‘,

# ‘shares‘: 75}, {‘price‘: 91.1, ‘name‘: ‘IBM‘, ‘shares‘: 100}]

来看看如何实现一个根据给定优先级进行排序，并且每次pop操作都返回优先级最高的元素的队列例子。


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

import heapq

class Item:

    def __init__(self, name):

        self.name = name

    def __repr__(self):

        return ‘Item({!r})‘.format(self.name)

class PriorityQueue:

    def __init__(self):

        self._queue = []

        self._index = 0

    def push(self, item, priority):

        heapq.heappush(self._queue, (-priority, self._index, item))

        self._index += 1

    def pop(self):

        return heapq.heappop(self._queue)[-1]

q = PriorityQueue()

q.push(Item(‘foo‘), 1)

q.push(Item(‘bar‘), 5)

q.push(Item(‘spam‘), 4)

q.push(Item(‘grok‘), 1)

print q.pop() # Item(‘bar‘)

print q.pop() # Item(‘spam‘)

print q.pop() # Item(‘foo‘)

print q.pop() # Item(‘grok‘)

4. Bisect

bisect模块能够提供保持list元素序列的支持。它使用了二分法完成大部分的工作。它在向一个list插入元素的同时维持list是有序的。 在某些情况下，这比重复的对一个list进行排序更为高效，并且对于一个较大的list来说，对每步操作维持其有序也比对其排序要高效。

假设你有一个range集合：


1

a = [(0, 100), (150, 220), (500, 1000)]

如果我想添加一个range (250, 400)，我可能会这么做：


1

2

3

4

5

6

7

import bisect

a = [(0, 100), (150, 220), (500, 1000)]

bisect.insort_right(a, (250,400))

print a # [(0, 100), (150, 220), (250, 400), (500, 1000)]

我们可以使用bisect()函数来寻找插入点：


1

2

3

4

5

6

7

8

9

import bisect

a = [(0, 100), (150, 220), (500, 1000)]

bisect.insort_right(a, (250,400))

bisect.insort_right(a, (399, 450))

print a # [(0, 100), (150, 220), (250, 400), (500, 1000)]

print bisect.bisect(a, (550, 1200)) # 5

bisect(sequence, item) => index 返回元素应该的插入点，但序列并不被修改。


1

2

3

4

5

6

7

8

9

10

11

import bisect

a = [(0, 100), (150, 220), (500, 1000)]

bisect.insort_right(a, (250,400))

bisect.insort_right(a, (399, 450))

print a # [(0, 100), (150, 220), (250, 400), (500, 1000)]

print bisect.bisect(a, (550, 1200)) # 5

bisect.insort_right(a, (550, 1200))

print a # [(0, 100), (150, 220), (250, 400), (399, 450), (500, 1000), (550, 1200)]

新元素被插入到第5的位置。

5. Weakref

weakref模块能够帮助我们创建Python引用，却不会阻止对象的销毁操作。这一节包含了weak reference的基本用法，并且引入一个代理类。

在开始之前，我们需要明白什么是strong reference。strong reference是一个对对象的引用次数、生命周期以及销毁时机产生影响的指针。strong reference如你所见，就是当你将一个对象赋值给一个变量的时候产生的：


1

2

>>> a = [1,2,3]

>>> b = a

在这种情况下，这个列表有两个strong reference，分别是a和b。在这两个引用都被释放之前，这个list不会被销毁。


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

class Foo(object):

    def __init__(self):

        self.obj = None

        print ‘created‘

    def __del__(self):

        print ‘destroyed‘

    def show(self):

        print self.obj

    def store(self, obj):

        self.obj = obj

a = Foo() # created

b = a

del a

del b # destroyed

Weak reference则是对对象的引用计数器不会产生影响。当一个对象存在weak reference时，并不会影响对象的撤销。这就说，如果一个对象仅剩下weak reference，那么它将会被销毁。

你可以使用weakref.ref函数来创建对象的weak reference。这个函数调用需要将一个strong reference作为第一个参数传给函数，并且返回一个weak reference。


1

2

3

4

5

>>> import weakref

>>> a = Foo()

created

>>> b = weakref.ref(a)

>>> b

一个临时的strong reference可以从weak reference中创建，即是下例中的b()：


1

2

3

4

>>> a == b()

True

>>> b().show()

None

请注意当我们删除strong reference的时候，对象将立即被销毁。


1

2

>>> del a

destroyed

如果试图在对象被摧毁之后通过weak reference使用对象，则会返回None：


1

2

>>> b() is None

True

若是使用weakref.proxy，就能提供相对于weakref.ref更透明的可选操作。同样是使用一个strong reference作为第一个参数并且返回一个weak reference，proxy更像是一个strong reference，但当对象不存在时会抛出异常。


1

2

3

4

5

6

7

8

9

10

11

12

>>> a = Foo()

created

>>> b = weakref.proxy(a)

>>> b.store(‘fish‘)

>>> b.show()

fish

>>> del a

destroyed

>>> b.show()

Traceback (most recent call last):

  File "", line 1, in ?

ReferenceError: weakly-referenced object no longer exists

完整的例子：

引用计数器是由Python的垃圾回收器使用的，当一个对象的应用计数器变为0，则其将会被垃圾回收器回收。

最好将weak reference用于开销较大的对象，或避免循环引用(虽然垃圾回收器经常干这种事情)。


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

import weakref

import gc

class MyObject(object):

    def my_method(self):

        print ‘my_method was called!‘

obj = MyObject()

r = weakref.ref(obj)

gc.collect()

assert r() is obj #r() allows you to access the object referenced: it‘s there.

obj = 1 #Let‘s change what obj references to

gc.collect()

assert r() is None #There is no object left: it was gc‘ed.

提示：只有library模块中定义的class instances、functions、methods、sets、frozen sets、files、generators、type objects和certain object types(例如sockets、arrays和regular expression patterns)支持weakref。内建函数以及大部分内建类型如lists、dictionaries、strings和numbers则不支持。

6. Copy()

通过shallow或deep copy语法提供复制对象的函数操作。

shallow和deep copying的不同之处在于对于混合型对象的操作(混合对象是包含了其他类型对象的对象，例如list或其他类实例)。

  • 对于shallow copy而言，它创建一个新的混合对象，并且将原对象中其他对象的引用插入新对象。
  • 对于deep copy而言，它创建一个新的对象，并且递归地复制源对象中的其他对象并插入新的对象中。

普通的赋值操作知识简单的将心变量指向源对象。


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

import copy

a = [1,2,3]

b = [4,5]

c = [a,b]

# Normal Assignment

d = c

print id(c) == id(d)          # True - d is the same object as c

print id(c[0]) == id(d[0])    # True - d[0] is the same object as c[0]

# Shallow Copy

d = copy.copy(c)

print id(c) == id(d)          # False - d is now a new object

print id(c[0]) == id(d[0])    # True - d[0] is the same object as c[0]

# Deep Copy

d = copy.deepcopy(c)

print id(c) == id(d)          # False - d is now a new object

print id(c[0]) == id(d[0])    # False - d[0] is now a new object

shallow copy (copy())操作创建一个新的容器，其包含的引用指向原对象中的对象。

deep copy (deepcopy())创建的对象包含的引用指向复制出来的新对象。

复杂的例子：

假定我有两个类，名为Manager和Graph，每个Graph包含了一个指向其manager的引用，而每个Manager有一个指向其管理的Graph的集合，现在我们有两个任务需要完成：

1) 复制一个graph实例，使用deepcopy，但其manager指向为原graph的manager。

2) 复制一个manager，完全创建新manager，但拷贝原有的所有graph。


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

import weakref, copy

class Graph(object):

    def __init__(self, manager=None):

        self.manager = None if manager is None else weakref.ref(manager)

    def __deepcopy__(self, memodict):

        manager = self.manager()

        return Graph(memodict.get(id(manager), manager))

class Manager(object):

    def __init__(self, graphs=[]):

        self.graphs = graphs

        for g in self.graphs:

            g.manager = weakref.ref(self)

a = Manager([Graph(), Graph()])

b = copy.deepcopy(a)

if [g.manager() is b for g in b.graphs]:

    print True # True

if copy.deepcopy(a.graphs[0]).manager() is a:

    print True # True

7. Pprint()

Pprint模块能够提供比较优雅的数据结构打印方式，如果你需要打印一个结构较为复杂，层次较深的字典或是JSON对象时，使用Pprint能够提供较好的打印结果。

假定你需要打印一个矩阵，当使用普通的print时，你只能打印出普通的列表，不过如果使用pprint，你就能打出漂亮的矩阵结构

如果


1

2

3

4

5

6

7

8

9

import pprint

matrix = [ [1,2,3], [4,5,6], [7,8,9] ]

a = pprint.PrettyPrinter(width=20)

a.pprint(matrix)

# [[1, 2, 3],

#  [4, 5, 6],

#  [7, 8, 9]]

额外的知识

一些基本的数据结构

1. 单链链表


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

class Node:

    def __init__(self):

        self.data = None

        self.nextNode = None

    def set_and_return_Next(self):

        self.nextNode = Node()

        return self.nextNode

    def getNext(self):

        return self.nextNode

    def getData(self):

        return self.data

    def setData(self, d):

        self.data = d

class LinkedList:

    def buildList(self, array):

        self.head = Node()

        self.head.setData(array[0])

        self.temp = self.head

        for i in array[1:]:

            self.temp = self.temp.set_and_return_Next()

            self.temp.setData(i)

            self.tail = self.temp

        return self.head

    def printList(self):

        tempNode = self.head

        while(tempNode!=self.tail):

            print(tempNode.getData())

            tempNode = tempNode.getNext()

        print(self.tail.getData())

myArray = [3, 5, 4, 6, 2, 6, 7, 8, 9, 10, 21]

myList = LinkedList()

myList.buildList(myArray)

myList.printList()

2. 用Python实现的普林姆算法

译者注：普林姆算法(Prims Algorithm)是图论中，在加权连通图中搜索最小生成树的算法。


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

from collections import defaultdict

from heapq import heapify, heappop, heappush

def prim( nodes, edges ):

    conn = defaultdict( list )

    for n1,n2,c in edges:

        conn[ n1 ].append( (c, n1, n2) )

        conn[ n2 ].append( (c, n2, n1) )

    mst = []

    used = set( nodes[ 0 ] )

    usable_edges = conn[ nodes[0] ][:]

    heapify( usable_edges )

    while usable_edges:

        cost, n1, n2 = heappop( usable_edges )

        if n2 not in used:

            used.add( n2 )

            mst.append( ( n1, n2, cost ) )

            for e in conn[ n2 ]:

                if e[ 2 ] not in used:

                    heappush( usable_edges, e )

    return mst

#test

nodes = list("ABCDEFG")

edges = [ ("A", "B", 7), ("A", "D", 5),

          ("B", "C", 8), ("B", "D", 9), ("B", "E", 7),

      ("C", "E", 5),

      ("D", "E", 15), ("D", "F", 6),

      ("E", "F", 8), ("E", "G", 9),

      ("F", "G", 11)]

print "prim:", prim( nodes, edges )

总结

如果想了解更多地数据结构信息请参阅相关文档。谢谢阅读。

时间： 2024-10-09 22:11:09

Python中的高级数据结构(转)的相关文章

Python中的高级数据结构详解

这篇文章主要介绍了Python中的高级数据结构详解,本文讲解了Collection.Array.Heapq.Bisect.Weakref.Copy以及Pprint这些数据结构的用法,需要的朋友可以参考下 数据结构 数据结构的概念很好理解,就是用来将数据组织在一起的结构.换句话说,数据结构是用来存储一系列关联数据的东西.在Python中有四种内建的数据结构,分别是List.Tuple.Dictionary以及Set.大部分的应用程序不需要其他类型的数据结构,但若是真需要也有很多高级数据结构可供选择

Python中的高级数据结构

数据结构 数据结构的概念很好理解,就是用来将数据组织在一起的结构.换句话说,数据结构是用来存储一系列关联数据的东西.在Python中有四种内建的数据结构,分别是List.Tuple.Dictionary以及Set.大部分的应用程序不需要其他类型的数据结构,但若是真需要也有很多高级数据结构可供选择,例如Collection.Array.Heapq.Bisect.Weakref.Copy以及Pprint.本文将介绍这些数据结构的用法,看看它们是如何帮助我们的应用程序的. 关于四种内建数据结构的使用方

Python学习（一）：入门篇：python中的一些数据结构

Python里的一些基本知识点总结 Last Edit 2014/5/2 这里记录的是Python2.7版本的语法特征,部分与Python3.0是不一样的. 一,关于开发环境 在windows下可以直接在官网下载相关的版本,然后默认安装.使用直带的IDLE编辑器. IDLE中两个有用的快捷键: ALT+P:重复历史命令(从最近到最老) ALT+N:   重复历史命令(从最老到最近) IDLE中没有清屏功能. 在cmd中进行: 1,首先要在环境变量的path中添加相关的路径: C:\Python2

第二章 python中重要的数据结构（下）

二.元组(tuple):不可变序列 跟list一样,也是一种序列,唯一不同的是,元组元素不能被修改,通常用(, ,)表示元组,也可以不加括号. 1 #创建元组 2 >>> 1,2,3 3 (1, 2, 3) 4 >>> t = (1,2,3) 5 >>> t 6 (1, 2, 3) 7 #创建空元组 8 >>> t1 = () 9 >>> t1 10 () 11 #创建只有一个元素的元组,这里注意必须带上逗号 12

Python中对复杂数据结构排序（类似C中结构体数据结构）

Python中排序主要有两个函数:sorted和列表成员函数sort,两者除了调用方式有些区别外,最显著的区别是sorted会新建一个排序好的列表并返回,而sort是修改原列表并排好序.sorted的原型是: sorted(iterable, cmp=None, key=None, reverse=False) sort的原型是: list.sort(cmp=None, key=None, reverse=False) 其中cmp和key都是函数引用,即可以传入函数名.这两个函数都是对list里

第一章 python中重要的数据结构（上）

最近,由于工作需要,使用python开发公司的运维自动化平台,所以找本书来并结合官方手册,开始python的学习之旅. 一.列表 [含义]:列表用中括号表示,通过逗号进行分隔一组数据(可以为不同的数据类型),如以下的声明: 1 >>> language = ['chinese','english','japanese'] 2 >>> contries = ['China','Amercia','England','Japan'] 3 4 >>> edw

multiprocessing在python中的高级应用-进程

本篇主要讲解multiprocessing中的重要模块-进程. Process([group [,target [,name [,args [,kwargs]]]]]) 这个类表示运行在一个子进程中的任务,应该使用关键字参数来指定构造函数中的参数.target是当前进程启动时执行的可调用对象,args是传递给target的位置参数的元组,而kwargs是传递给target的关键字参数的字典.如果省略args和kwargs参数,将不带参数调用target.name是为进程指定描述性名称额字符串.g

multiprocessing在python中的高级应用-IPC 之 Pipe

作为使用队列的另一种形式,还可以使用管道在进程回见执行消息传递. Pipe( [ duplex]) 在进程之间创建一条管道,并返回元组(conn1,conn2),其中conn1和conn2是表示管道两端的Connection对象.默认情况下,管道是双向的.如果将duplex置为False,conn1只能用于接收,而conn2只能用于发送.必须在创建和启动使用管道的Process对象之前调用Pipe()方法. Pipe()方法返回的Connection对象的实例c具有以下方法和属性. c.clos

multiprocessing在python中的高级应用-共享数据与同步

通常,进程之间彼此是完全孤立的,唯一的通信方式是队列或管道.但可以使用两个对象来表示共享数据.其实,这些对象使用了共享内存(通过mmap模块)使访问多个进程成为可能. Value( typecode, arg1, - argN, lock ) 在共享内容中常见ctypes对象.typecode要么是包含array模块使用的相同类型代码(如'i','d'等)的字符串,要么是来自ctypes模块的类型对象(如ctypes.c_int.ctypes.c_double等).所有额外的位置参数arg1,