數(shù)據(jù)結(jié)構(gòu)
數(shù)據(jù)結(jié)構(gòu)的概念很好理解，就是用來(lái)將數(shù)據(jù)組織在一起的結(jié)構(gòu)。換句話說(shuō)，數(shù)據(jù)結(jié)構(gòu)是用來(lái)存儲(chǔ)一系列關(guān)聯(lián)數(shù)據(jù)的東西。在Python中有四種內(nèi)建的數(shù)據(jù)結(jié)構(gòu)，分別是List、Tuple、Dictionary以及Set。大部分的應(yīng)用程序不需要其他類型的數(shù)據(jù)結(jié)構(gòu)，但若是真需要也有很多高級(jí)數(shù)據(jù)結(jié)構(gòu)可供選擇，例如Collection、Array、Heapq、Bisect、Weakref、Copy以及Pprint。本文將介紹這些數(shù)據(jù)結(jié)構(gòu)的用法，看看它們是如何幫助我們的應(yīng)用程序的。
關(guān)于四種內(nèi)建數(shù)據(jù)結(jié)構(gòu)的使用方法很簡(jiǎn)單，并且網(wǎng)上有很多參考資料，因此本文將不會(huì)討論它們。
1. Collections
collections模塊包含了內(nèi)建類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是最常用的類。
1.1 Counter()
如果你想統(tǒng)計(jì)一個(gè)單詞在給定的序列中一共出現(xiàn)了多少次，諸如此類的操作就可以用到Counter。來(lái)看看如何統(tǒng)計(jì)一個(gè)list中出現(xiàn)的item次數(shù)：
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})
若要統(tǒng)計(jì)一個(gè)list中不同單詞的數(shù)目，可以這么用：
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
如果需要對(duì)結(jié)果進(jìn)行分組，可以這么做：
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)]
以下的代碼片段找出一個(gè)字符串中出現(xiàn)頻率最高的單詞，并打印其出現(xiàn)次數(shù)。
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是一種由隊(duì)列結(jié)構(gòu)擴(kuò)展而來(lái)的雙端隊(duì)列(double-ended queue)，隊(duì)列元素能夠在隊(duì)列兩端添加或刪除。因此它還被稱為頭尾連接列表(head-tail linked list)，盡管叫這個(gè)名字的還有另一個(gè)特殊的數(shù)據(jù)結(jié)構(gòu)實(shí)現(xiàn)。
Deque支持線程安全的，經(jīng)過(guò)優(yōu)化的append和pop操作，在隊(duì)列兩端的相關(guān)操作都能夠達(dá)到近乎O(1)的時(shí)間復(fù)雜度。雖然list也支持類似的操作，但是它是對(duì)定長(zhǎng)列表的操作表現(xiàn)很不錯(cuò)，而當(dāng)遇到pop(0)和insert(0, v)這樣既改變了列表的長(zhǎng)度又改變其元素位置的操作時(shí)，其復(fù)雜度就變?yōu)镺(n)了。
來(lái)看看相關(guān)的比較結(jié)果：
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
另一個(gè)例子是執(zhí)行基本的隊(duì)列操作：
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])
譯者注:rotate是隊(duì)列的旋轉(zhuǎn)操作，Right rotate(正參數(shù))是將右端的元素移動(dòng)到左端，而Left rotate(負(fù)參數(shù))則相反。
1.3 Defaultdict
這個(gè)類型除了在處理不存在的鍵的操作之外與普通的字典完全相同。當(dāng)查找一個(gè)不存在的鍵操作發(fā)生時(shí)，它的default_factory會(huì)被調(diào)用，提供一個(gè)默認(rèn)的值，并且將這對(duì)鍵值存儲(chǔ)下來(lái)。其他的參數(shù)同普通的字典方法dict()一致，一個(gè)defaultdict的實(shí)例同內(nèi)建dict一樣擁有同樣地操作。
defaultdict對(duì)象在當(dāng)你希望使用它存放追蹤數(shù)據(jù)的時(shí)候很有用。舉個(gè)例子，假定你希望追蹤一個(gè)單詞在字符串中的位置，那么你可以這么做：
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(
# 'dog': [8], 'quick': [1], 'the': [0, 6], 'jumps': [4]})
是選擇lists或sets與defaultdict搭配取決于你的目的，使用list能夠保存你插入元素的順序，而使用set則不關(guān)心元素插入順序，它會(huì)幫助消除重復(fù)元素。
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(
# 'over': set([5]), 'fox': set([3]), 'dog': set([8]), 'quick': set([1]),
# 'the': set([0, 6]), 'jumps': set([4])})
另一種創(chuàng)建multidict的方法：
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']}
一個(gè)更復(fù)雜的例子：
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模塊定義了一個(gè)很像list的新對(duì)象類型，不同之處在于它限定了這個(gè)類型只能裝一種類型的元素。array元素的類型是在創(chuàng)建并使用的時(shí)候確定的。
如果你的程序需要優(yōu)化內(nèi)存的使用，并且你確定你希望在list中存儲(chǔ)的數(shù)據(jù)都是同樣類型的，那么使用array模塊很合適。舉個(gè)例子，如果需要存儲(chǔ)一千萬(wàn)個(gè)整數(shù)，如果用list，那么你至少需要160MB的存儲(chǔ)空間，然而如果使用array，你只需要40MB。但雖然說(shuō)能夠節(jié)省空間，array上幾乎沒(méi)有什么基本操作能夠比在list上更快。
在使用array進(jìn)行計(jì)算的時(shí)候，需要特別注意那些創(chuàng)建list的操作。例如，使用列表推導(dǎo)式(list comprehension)的時(shí)候，會(huì)將array整個(gè)轉(zhuǎn)換為list，使得存儲(chǔ)空間膨脹。一個(gè)可行的替代方案是使用生成器表達(dá)式創(chuàng)建新的array。看代碼：
import array
?
a = array.array("i", [1,2,3,4,5])
b = array.array(a.typecode, (2*x for x in a))
因?yàn)槭褂胊rray是為了節(jié)省空間，所以更傾向于使用in-place操作。一種更高效的方法是使用enumerate：
import array
?
a = array.array("i", [1,2,3,4,5])
for i, x in enumerate(a):
??? a[i] = 2*x
對(duì)于較大的array，這種in-place修改能夠比用生成器創(chuàng)建一個(gè)新的array至少提升15%的速度。
那么什么時(shí)候使用array呢？是當(dāng)你在考慮計(jì)算的因素之外，還需要得到一個(gè)像C語(yǔ)言里一樣統(tǒng)一元素類型的數(shù)組時(shí)。
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模塊使用一個(gè)用堆實(shí)現(xiàn)的優(yōu)先級(jí)隊(duì)列。堆是一種簡(jiǎn)單的有序列表，并且置入了堆的相關(guān)規(guī)則。
堆是一種樹(shù)形的數(shù)據(jù)結(jié)構(gòu)，樹(shù)上的子節(jié)點(diǎn)與父節(jié)點(diǎn)之間存在順序關(guān)系。二叉堆(binary heap)能夠用一個(gè)經(jīng)過(guò)組織的列表或數(shù)組結(jié)構(gòu)來(lái)標(biāo)識(shí)，在這種結(jié)構(gòu)中，元素N的子節(jié)點(diǎn)的序號(hào)為2*N+1和2*N+2(下標(biāo)始于0)。簡(jiǎn)單來(lái)說(shuō)，這個(gè)模塊中的所有函數(shù)都假設(shè)序列是有序的，所以序列中的第一個(gè)元素(seq[0])是最小的，序列的其他部分構(gòu)成一個(gè)二叉樹(shù)，并且seq[i]節(jié)點(diǎn)的子節(jié)點(diǎn)分別為seq[2*i+1]以及seq[2*i+2]。當(dāng)對(duì)序列進(jìn)行修改時(shí)，相關(guān)函數(shù)總是確保子節(jié)點(diǎn)大于等于父節(jié)點(diǎn)。
import heapq
?
heap = []
?
for value in [20, 10, 30, 50, 40]:
??? heapq.heappush(heap, value)
?
while heap:
??? print heapq.heappop(heap)
heapq模塊有兩個(gè)函數(shù)nlargest()和nsmallest()，顧名思義，讓我們來(lái)看看它們的用法。
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]
兩個(gè)函數(shù)也能夠通過(guò)一個(gè)鍵參數(shù)使用更為復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，例如：
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}]
來(lái)看看如何實(shí)現(xiàn)一個(gè)根據(jù)給定優(yōu)先級(jí)進(jìn)行排序，并且每次pop操作都返回優(yōu)先級(jí)最高的元素的隊(duì)列例子。
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模塊能夠提供保持list元素序列的支持。它使用了二分法完成大部分的工作。它在向一個(gè)list插入元素的同時(shí)維持list是有序的。在某些情況下，這比重復(fù)的對(duì)一個(gè)list進(jìn)行排序更為高效，并且對(duì)于一個(gè)較大的list來(lái)說(shuō)，對(duì)每步操作維持其有序也比對(duì)其排序要高效。
假設(shè)你有一個(gè)range集合：
a = [(0, 100), (150, 220), (500, 1000)]
如果我想添加一個(gè)range (250, 400)，我可能會(huì)這么做：
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)]
我們可以使用bisect()函數(shù)來(lái)尋找插入點(diǎn)：
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 返回元素應(yīng)該的插入點(diǎn)，但序列并不被修改。
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模塊能夠幫助我們創(chuàng)建Python引用，卻不會(huì)阻止對(duì)象的銷毀操作。這一節(jié)包含了weak reference的基本用法，并且引入一個(gè)代理類。
在開(kāi)始之前，我們需要明白什么是strong reference。strong reference是一個(gè)對(duì)對(duì)象的引用次數(shù)、生命周期以及銷毀時(shí)機(jī)產(chǎn)生影響的指針。strong reference如你所見(jiàn)，就是當(dāng)你將一個(gè)對(duì)象賦值給一個(gè)變量的時(shí)候產(chǎn)生的：
>>> a = [1,2,3]
>>> b = a
在這種情況下，這個(gè)列表有兩個(gè)strong reference，分別是a和b。在這兩個(gè)引用都被釋放之前，這個(gè)list不會(huì)被銷毀。
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則是對(duì)對(duì)象的引用計(jì)數(shù)器不會(huì)產(chǎn)生影響。當(dāng)一個(gè)對(duì)象存在weak reference時(shí)，并不會(huì)影響對(duì)象的撤銷。這就說(shuō)，如果一個(gè)對(duì)象僅剩下weak reference，那么它將會(huì)被銷毀。
你可以使用weakref.ref函數(shù)來(lái)創(chuàng)建對(duì)象的weak reference。這個(gè)函數(shù)調(diào)用需要將一個(gè)strong reference作為第一個(gè)參數(shù)傳給函數(shù)，并且返回一個(gè)weak reference。
>>> import weakref
>>> a = Foo()
created
>>> b = weakref.ref(a)
>>> b
一個(gè)臨時(shí)的strong reference可以從weak reference中創(chuàng)建，即是下例中的b()：
>>> a == b()
True
>>> b().show()
None
請(qǐng)注意當(dāng)我們刪除strong reference的時(shí)候，對(duì)象將立即被銷毀。
>>> del a
destroyed
如果試圖在對(duì)象被摧毀之后通過(guò)weak reference使用對(duì)象，則會(huì)返回None：
>>> b() is None
True
若是使用weakref.proxy，就能提供相對(duì)于weakref.ref更透明的可選操作。同樣是使用一個(gè)strong reference作為第一個(gè)參數(shù)并且返回一個(gè)weak reference，proxy更像是一個(gè)strong reference，但當(dāng)對(duì)象不存在時(shí)會(huì)拋出異常。
>>> 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：
引用計(jì)數(shù)器是由Python的垃圾回收器使用的，當(dāng)一個(gè)對(duì)象的應(yīng)用計(jì)數(shù)器變?yōu)?，則其將會(huì)被垃圾回收器回收。
最好將weak reference用于開(kāi)銷較大的對(duì)象，或避免循環(huán)引用(雖然垃圾回收器經(jīng)常干這種事情)。
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l(wèi)ibrary模塊中定義的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。內(nèi)建函數(shù)以及大部分內(nèi)建類型如lists、dictionaries、strings和numbers則不支持。
6. Copy()
通過(guò)shallow或deep copy語(yǔ)法提供復(fù)制對(duì)象的函數(shù)操作。
shallow和deep copying的不同之處在于對(duì)于混合型對(duì)象的操作(混合對(duì)象是包含了其他類型對(duì)象的對(duì)象，例如list或其他類實(shí)例)。
1.對(duì)于shallow copy而言，它創(chuàng)建一個(gè)新的混合對(duì)象，并且將原對(duì)象中其他對(duì)象的引用插入新對(duì)象。
2.對(duì)于deep copy而言，它創(chuàng)建一個(gè)新的對(duì)象，并且遞歸地復(fù)制源對(duì)象中的其他對(duì)象并插入新的對(duì)象中。
普通的賦值操作知識(shí)簡(jiǎn)單的將心變量指向源對(duì)象。
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())操作創(chuàng)建一個(gè)新的容器，其包含的引用指向原對(duì)象中的對(duì)象。
deep copy (deepcopy())創(chuàng)建的對(duì)象包含的引用指向復(fù)制出來(lái)的新對(duì)象。
復(fù)雜的例子：
假定我有兩個(gè)類，名為Manager和Graph，每個(gè)Graph包含了一個(gè)指向其manager的引用，而每個(gè)Manager有一個(gè)指向其管理的Graph的集合，現(xiàn)在我們有兩個(gè)任務(wù)需要完成：
1) 復(fù)制一個(gè)graph實(shí)例，使用deepcopy，但其manager指向?yàn)樵璯raph的manager。
2) 復(fù)制一個(gè)manager，完全創(chuàng)建新manager，但拷貝原有的所有g(shù)raph。
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模塊能夠提供比較優(yōu)雅的數(shù)據(jù)結(jié)構(gòu)打印方式，如果你需要打印一個(gè)結(jié)構(gòu)較為復(fù)雜，層次較深的字典或是JSON對(duì)象時(shí)，使用Pprint能夠提供較好的打印結(jié)果。
假定你需要打印一個(gè)矩陣，當(dāng)使用普通的print時(shí)，你只能打印出普通的列表，不過(guò)如果使用pprint，你就能打出漂亮的矩陣結(jié)構(gòu)
如果
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]]
額外的知識(shí)
一些基本的數(shù)據(jù)結(jié)構(gòu)
1. 單鏈鏈表
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實(shí)現(xiàn)的普林姆算法
譯者注：普林姆算法(Prims Algorithm)是圖論中，在加權(quán)連通圖中搜索最小生成樹(shù)的算法。
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 )
總結(jié)
如果想了解更多地?cái)?shù)據(jù)結(jié)構(gòu)信息請(qǐng)參閱相關(guān)文檔。謝謝閱讀。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號(hào)聯(lián)系： 360901061
您的支持是博主寫作最大的動(dòng)力，如果您喜歡我的文章，感覺(jué)我的文章對(duì)您有幫助，請(qǐng)用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長(zhǎng)非常感激您！手機(jī)微信長(zhǎng)按不能支付解決辦法：請(qǐng)將微信支付二維碼保存到相冊(cè)，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對(duì)您有幫助就好】元
