Ndarray、Matrix を含む NumPy のデータ構造
NumPy パッケージを導入し、np という名前を付けます。 NumPy パッケージを導入した後、配列データ構造
import numpy as np
を使用して配列オブジェクトを作成できます。NumPy パッケージ内:
array() メソッドは、シーケンシャル オブジェクトを配列に変換できます。
arange() メソッドは、カスタム エンドポイントを使用して多数の配列を生成できます。 1 つは配列 1 のすべての値を生成します;
empty() メソッドはデータ初期化なしで指定された型と次元の配列を生成します;
import numpy as np
array001 = np.array([1,2,3,4,5,6,7,8,9,10,11,12])
a2 = np.arange(5)
a3 = np.ones((2,2))
a4 = np.empty((2,2))
a5 = np.random.rand(4,2)
a6 = np.linspace(10,30,5)
print('\n序列型数据转化得到数组:',array001,
'\n显示该数据结构类型:',type(array001),
'\narange()函数创建的数组:',a2,
'\nones()函数创建的全1数组:\n',a3,
'\nempty()函数创建的未赋值的数组:\n',a4,
'\nrandom()函数创建的随机数组:\n',a5,
'\nlinespace()函数创建的随机数组:',a6)連続データは配列に変換されます: [ 1 2 3 4 5 6 7 8 9 10 11 12]
Displayデータ構造タイプ:[[1. 1.][1. 1.]]
empty() 関数によって作成された未割り当ての配列:
[[0. 0.]
[0. 0.]]
random() 関数によって作成されたランダム配列:
[[0.39902074 0.63298526]
[0.09231821 0.23007193]
[0.09899536 0.83000881]
[0.27760961 0.65135898]]
linespace() 関数によって作成されたランダム配列: [10. 15. 20. 25 . 30.]
Ndarray クエリ操作
配列は、array[ を通じて配列からサブセットを抽出できます。 a:b] を指定し、これに基づいて一括割り当て操作を実行することもできます。array002 = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]]) print('\n一维数组索引:',array001[4:], '\n二维数组索引:',array002[1:3,2:4]) #2-3行、3-4列ログイン後にコピー
以下は、多次元配列の一般的な属性です。その中で、shape は、行数や列数などのオブジェクトのデータ構造を返すことができます。配列の各次元を表すタプルを返すことに加えて、配列の構造は reshape によって変更することもできます[[ 1 2 3 4]array004 = array001.reshape(3,-1) print('\n改变结构后的数组\n',array004, '\n数组各个维度：',array004.shape, '\n数组结构类型：',array004.dtype, '\n数组数据个数：',array004.size, '\n数组数据类型字节数：',array004.itemsize, '\n数组维度：',array004.ndim)ログイン後にコピー
構造変更後の配列
[ 5 6 7 8]
[ 9 10 11 12]]配列の次元: ( 3, 4)append() 関数は要素またはリスト型のデータを追加できますが、次元は次のとおりである必要があることに注意してください。一貫性を保つこと。配列構造型: int32
配列データ数: 12
配列データ型のバイト数: 4
配列の次元: 2
Ndarray の増加操作
array003 = np.append(array002,[[1],[2],[3]],axis = 1) # axis = 1 按列方向添加 print('\n增加一列后的数组\n',array003)
列を 1 つ追加した後の配列
[[ 1 2 3 4 1]delete(x,i,axis=) メソッドを使用して、配列オブジェクトの行または列を削除します。 3 番目のパラメータ axis は、行または列を削除するかどうかを決定します。削除されるオブジェクトは数値またはタプルです。
Ndarray の削除操作
array003 = array002.T print('删除单行后的数组：\n',np.delete(array003,1,axis=0)) # axis=0删除行 array003 = array002.T print('批量删除后的数组：\n',np.delete(array003,(1,3),0)) array003 = array002.T print('删除单列后的数组\n',np.delete(array003,1,1)) # axis=1删除列
単一行削除後の配列:
[[ 1 5 9]一括削除後の配列:インデックスを使用して配列データをバッチで変更できます。[[ 1 5 9]
[ 3 7 11]]
単一列削除後の配列
[[ 1 9]
[ 2 10]
[ 3 11]
[ 4 12]]
Ndarray の変更
array002[1:2]=0 print('数组批量赋值\n',array002) array003 = array002.T array003[1][1] = 100 print('修改数值后的数组\n',array003)
配列のバッチ割り当て
[[ 1 2 3 4]変更後の値の配列2. 配列の積み重ね。まず 2 つの新しい配列を入力し、次に垂直スタッキングには vstack を使用し、水平スタッキングには hstack を使用します。[[ 1 0 9]
[ 2 100 10]
[ 3 0 11]
[ 4 0 12]]
Ndarray その他操作
1. 2 次元配列を転置します。 array.T は転置された配列オブジェクトの結果を取得できます
arr1 = np.array([1,2,3])
arr2 = np.array([4,5,6])
print('纵向堆叠后：\n',np.vstack((arr1,arr2)),
'\n横向堆叠后：\n',np.hstack((arr1,arr2)))垂直スタッキング後:
[[1 2 3][4 5 6 ]]
水平スタック後:[1 2 3 4 5 6][[1 2 3]
Ndarray は他のデータ構造に変換されますarr3 = np.array([[1,2,3],[4,5,6]]) print('转换前的Ndarray是：\n',arr3) import pandas as pd dfFromNdarray = pd.DataFrame(arr3) print('Ndarray转化为DataFrame的结果是：\n',dfFromNdarray) #带行号和列号ログイン後にコピー
変換前の Ndarray は次のとおりです。
0 1 20 1 2 3
1 4 5 6arrFromDataFrame = dfFromNdarray.values print('DataFrame转化为Ndarry的结果是：\n',arrFromDataFrame) #只提取value值ログイン後にコピー
DataFrame を Ndarry に変換した結果は次のとおりです:
[[1 2 3] [4 5 6]]
mat() メソッドを使用して、他のデータ構造のオブジェクトを行列型に変換します。行列(行列)
行列の作成
array1 = [1,2,3] array2 = [6,7,8] array3 = [11,12,17] matrix = np.mat([array1,array2,array3]) print('显示该数据结构类型：',type(matrix)) print(matrix)
显示该数据结构类型：
[[ 1 2 3]
[ 6 7 8]
[11 12 17]]
创建随机矩阵，在numpy中包含了许多创建特殊矩阵的方法，这里使用 empty() 方法创建一个新的数据随机的矩阵
matrix1 = np.empty((3,3)) print(matrix1)
[[ 0.00000000e+000 0.00000000e+000 0.00000000e+000]
[ 0.00000000e+000 0.00000000e+000 2.27270197e-321]
[ 9.30350261e+199 1.10343781e-312 -3.38460783e+125]]
在矩阵中有一下常用属性用于观察矩阵
print('矩阵每维的大小：',matrix.shape) print('矩阵所有数据的个数：',matrix.size) print('矩阵每个数据的类型：',matrix.dtype)
矩阵每维的大小： (3, 3)
矩阵所有数据的个数： 9
矩阵每个数据的类型： int32
矩阵合并。c_() 方法进行连接，根据参数顺序也将决定生产矩阵的结果；r_() 方法用于列连接。
mat1 = np.mat([[1,2],[3,4]]) mat2 = np.mat([4,5]) matrix_r = np.c_[mat1,mat2.T] print('将mat2矩阵添加在原矩阵右侧\n',matrix_r) matrix_l = np.c_[mat2.T,mat1] print('将mat2矩阵添加在原矩阵左侧\n',matrix_l) matrix_u = np.r_[np.mat([array1]),matrix] print('在原矩阵上方连接矩阵\n',matrix_u)
将mat2矩阵添加在原矩阵右侧
[[1 2 4]
[3 4 5]]
将mat2矩阵添加在原矩阵左侧
[[4 1 2]
[5 3 4]]
在原矩阵上方连接矩阵
[[ 1 2 3]
[ 1 2 3]
[ 6 7 8]
[11 12 17]]
delete() 方法可以删除矩阵的指定行列，具体类似数组中的用法。
matrix2 = np.delete(matrix,1,axis = 1) print('删除第一行后的结果\n',matrix2) matrix3 = np.delete(matrix,1,axis=0) print('删除第一列后的结果\n',matrix3)
删除第一行后的结果
[[ 1 3]
[ 6 8]
[11 17]]
删除第一列后的结果
[[ 1 2 3]
[11 12 17]]
1.矩阵运算，在矩阵运算中，* 被重写用于矩阵乘法，dot() 则用于计算矩阵点乘
2.如果需要对应位置相乘，则需使用其它函数。
mat3 = np.mat([[5,6],[7,8]]) matrix4 = mat1*mat3 print('矩阵乘法结果\n',matrix4) matrix5 = mat1.dot(mat3) print('矩阵点乘结果\n',matrix5)
矩阵乘法结果
[[19 22]
[43 50]]
矩阵点乘结果
[[19 22]
[43 50]]
矩阵常用函数。矩阵也可以使用 .T 进行转置。linalg.inv() 可以用于求逆运算，若不存在逆矩阵则报错。
matrix6 = matrix.T
matrix7 = np.linalg.inv(mat1)
print('\n矩阵转置后：\n',matrix6,
'\n矩阵求逆后：\n',matrix7)矩阵转置后：
[[ 1 6 11]
[ 2 7 12]
[ 3 8 17]]
矩阵求逆后：
[[-2. 1. ]
[ 1.5 -0.5]]
求矩阵特征值（使用numpy必须是方阵）
matrix8 = np.linalg.eig(matrix) print(matrix8)
(array([24.88734753, -0.8418908 , 0.95454327]), matrix([[-0.1481723 , -0.87920199, 0.10036602],
[-0.4447565 , 0.3814255 , -0.82855015],
[-0.88331004, 0.28551435, 0.550846 ]]))
由于结构相似，矩阵常常与列表和数组进行数据类型转换。
print('矩阵列表转换：\n',matrix.tolist(),
'\n矩阵转数组：\n',np.array(matrix))矩阵列表转换：
[[1, 2, 3], [6, 7, 8], [11, 12, 17]]
矩阵转数组：
[[ 1 2 3]
[ 6 7 8]
[11 12 17]]
Pandas中的数据结构，包括Series和DataFrame
引入Pandas包并取别名pd
import pandas as pd
首先建立一个字典，使用 Series() 方法将字典转换成序列对象，字典的key会自动成为series的index；若转换列表，则生产的序列对象会自动赋予index值。
sdata = {'Ohio':35000,'Texas':71000,'Oregon':16000,'Utah':5000}
s0 = pd.Series(sdata)
print('利用字典生成的序列对象\n',s0)
print('显示该数据结构类型：',type(s0))
s1 = pd.Series([6,1,2,9])
print('利用列表生成的序列对象\n',s1)利用字典生成的序列对象
Ohio 35000
Texas 71000
Oregon 16000
Utah 5000
dtype: int64
显示该数据结构类型：
利用列表生成的序列对象
0 6
1 1
2 2
3 9
dtype: int64
添加索引，通过指定index为series增加索引
s1 = pd.Series([6,1,2,9],index=['a','b','c','d']) print(s1)
a 6
b 1
c 2
d 9
dtype: int64
values 显示series中的值，index 显示索引，此外还可以按照索引值显示元素。
print('序列的值\n',s0.values) print('序列的索引\n',s0.index) print('按照下标查找序列',s0[2]) print('按照索引值查找元素',s0['Utah']) print('按照下标批量查找序列\n',s0[:2]) print('按照索引值批量查找元素\n',s0[['Ohio','Oregon']])
序列的值
[35000 71000 16000 5000]
序列的索引
Index(['Ohio', 'Texas', 'Oregon', 'Utah'], dtype='object')
按照下标查找序列 16000
按照索引值查找元素 5000
按照下标批量查找序列
Ohio 35000
Texas 71000
dtype: int64
按照索引值批量查找元素
Ohio 35000
Oregon 16000
dtype: int64
append() 方法为series增加元素，index可以指定索引值。
s2 = s1.append(pd.Series([12],index=['e'])) print(s2)
a 6
b 1
c 2
d 9
e 12
dtype: int64
删除Series中的元素（只能通过index来删除元素）
s3 = s1.drop('a') print(s3)
dtype: int64
b 1
c 2
d 9dtype: int64
序列中可以直接根据索引查找并更新元素。
s1['a'] = 4 #将s1中index为a的元素更改为4 print(s1)
a 4
b 1
c 2
d 9
dtype: int64
序列排序。sort_values()方法可以使用series的值按照升序排序。
print(s1.sort_values)
a 4
b 1
c 2
d 9
dtype: int64>
序列求中位数。median()方法可以直接得到序列的中位数，在此之上可以进行比较等操作。
print(s1) print('中位数为：'+str(s1.median())) print('大于序列中位数的数\n',s1[s1>s1.median()])
中位数为：3.0
大于序列中位数的数
a 4
d 9
dtype: int64
序列的运算，两个series之间的运算，可以加减乘除（必须保证index是一致的）。
s2 = pd.Series([4,3,5,8],index=['a','b','c','d']) print(s2+s1)
a 8
b 4
c 7
d 17
dtype: int64
时间序列。pandas包中的data_range()方法可以生成时间序列，便于进行数据的处理。
s3 = pd.Series([100,150,200]) print('产生的序列是：\n',s3) idx = pd.date_range(start='2019-9',freq='M',periods=3) print('\n生成的时间序列是：\n',idx) s3.index = idx print('\n产生的时间序列是：\n',s3)
产生的序列是：
0 100
1 150
2 200
dtype: int64生成的时间序列是：
DatetimeIndex(['2019-09-30', '2019-10-31', '2019-11-30'], dtype='datetime64[ns]', freq='M')产生的时间序列是：
2019-09-30 100
2019-10-31 150
2019-11-30 200
Freq: M, dtype: int64
dfFromSeries = s2.to_frame() print('Series转DataFrame\n',dfFromSeries) print('显示数据结构类型：',type(dfFromSeries))
Series转DataFrame
0
a 4
b 3
c 5
d 8
显示数据结构类型：
dictFromSeries = s2.to_dict() print('Series转Dict\n',dictFromSeries) print('显示数据结构类型：',type(dictFromSeries))
Series转Dict
{'a': 4, 'b': 3, 'c': 5, 'd': 8}
显示数据结构类型：
引入pandas包，创建DataFrame对象。首先创建字典，之后使用 DataFrame() 方法创建数据框对象。通过index.name给其索引命名。最后使用 to_csv 和 to_excel 方法将其保存为csv和excel文件；也可以用列表进行创建：pd.DataFrame(data,columns,index)。
dic1 = {'name':['Tom','Lily','Cindy','Petter'],'no':['001','002','003','004'],'age':[16,16,15,16],'gender':['m','f','f','m']}
df1 = pd.DataFrame(dic1)
print('显示该数据结构类型',type(df1))
df1.index.name = 'id'
#df1.to_csv('students.csv')
#df1.to_excel('students.xls') ！！！会报错
print(df1)显示该数据结构类型
name no age gender
id
0 Tom 001 16 m
1 Lily 002 16 f
2 Cindy 003 15 f
3 Petter 004 16 m
通过 DataFrame.name 可以返回索引值为name的整列数据，而 DataFrame.loc[i] 可以返回指定行数的全部数据。除此之外也可以使用根据时间序列查找内容。
！！！loc[ ] 按列名称 iloc[ ] 按列号 操作
获取列索引：df.cloums
获取行索引：df.index
获取值：df.value
column = df1.no row = df1.loc[3] print('\n列数据索引\n',column,'\n行数据索引\n',row)
列数据索引
id
0 001
1 002
2 003
3 004
Name: no, dtype: object
行数据索引
name Petter
no 004
age 16
gender m
Name: 3, dtype: object
使用 append() 方法增加一名同学的信息，这里根据行索引分别添加值。update() 方法可以给数据框增加列。
print('修改前：\n',df1)
df2 = df1.append([{'name':'Stark','no':'005','age':15,'gender':'m'}],ignore_index=True) #接着索引号为4，不写的话就是0
print('增加行：\n',df2)
df2['new_Col'] = [1,2,3,4,5]
print('增加列：\n',df2)修改前：
name no age gender
id
0 Tom 001 16 m
1 Lily 002 16 f
2 Cindy 003 15 f
3 Petter 004 16 m
增加行：
name no age gender
0 Tom 001 16 m
1 Lily 002 16 f
2 Cindy 003 15 f
3 Petter 004 16 m
4 Stark 005 15 m
增加列：
name no age gender new_Col
0 Tom 001 16 m 1
1 Lily 002 16 f 2
2 Cindy 003 15 f 3
3 Petter 004 16 m 4
4 Stark 005 15 m 5
使用 drop 方法删除'address'列，还可以通过修改参数删除行。除此之外通过 del 指令可以删除指定索引值的整列数据（操作一旦进行即不可回复）。
df3 = df1.copy() print('处理前的数据\n',df1) df3b = df3.drop(['name'],axis=1) print('删除列后的数据框\n',df3b) df3c = df3.drop([2]) print('删除行后的数据框\n',df3c)
处理前的数据
name no age gender
id
0 Tom 001 16 m
1 Lily 002 16 f
2 Cindy 003 15 f
3 Petter 004 16 m
删除列后的数据框
no age gender
id
0 001 16 m
1 002 16 f
2 003 15 f
3 004 16 m
删除行后的数据框
name no age gender
id
0 Tom 001 16 m
1 Lily 002 16 f
3 Petter 004 16 m
数据框按列合并（效果和增加列相同）
df4 = pd.DataFrame({'address':['school','home','school','school','home']})
df5 = pd.concat([df2,df4],axis=1)
print('合并前的df2\n',df2)
print('合并前的df4\n',df4)
print('合并后的df5\n',df5)合并前的df2
name no age gender new_Col
0 Tom 001 16 m 1
1 Lily 002 16 f 2
2 Cindy 003 15 f 3
3 Petter 004 16 m 4
4 Stark 005 15 m 5
合并前的df4
address
0 school
1 home
2 school
3 school
4 home
合并后的df5
name no age gender new_Col address
0 Tom 001 16 m 1 school
1 Lily 002 16 f 2 home
2 Cindy 003 15 f 3 school
3 Petter 004 16 m 4 school
4 Stark 005 15 m 5 home
数据框按行合并（效果和增加学生信息相同）
df6 = pd.DataFrame({'name':['Tony'],'no':['005'],'age':[16],'gender':['m']})
df7 = pd.concat([df1,df6],axis=0)
print('合并前的df1\n',df1)
print('合并前的df6\n',df6)
print('合并后的df7\n',df7)合并前的df1 name no age gender id 0 Tom 001 16 m 1 Lily 002 16 f 2 Cindy 003 15 f 3 Petter 004 16 m 合并前的df6 name no age gender 0 Tony 005 16 m 合并后的df7 name no age gender 0 Tom 001 16 m 1 Lily 002 16 f 2 Cindy 003 15 f 3 Petter 004 16 m 0 Tony 005 16 mログイン後にコピー
数据框的时间序列。通过 date_range 函数生成序列并加入数据中，列如创建从2019年9月21日开始的连续4天的时间序列。使用pandas包中的 read_csv() 方法读取之前保存的学生数据，更新数据后可以看到生成的时间序列已经加入到了数据框中
i1 = pd.date_range('2019/9/21',periods=4,freq='7D') df10 = pd.read_csv('students.csv') df10.index = i1 print(df10)
id name no age gender
2019-09-21 0 Tom 1 16 m
2019-09-28 1 Lily 2 16 f
2019-10-05 2 Cindy 3 15 f
2019-10-12 3 Petter 4 16 m
时间序列查询
print('\n根据时间序列索引得到的值\n',df10.loc['2019-09-21':'2019-09-30',['gender','age','name']])
根据时间序列索引得到的值
gender age name
2019-09-21 m 16 Tom
2019-09-28 f 16 Lily
print('DataFrame转ndarray\n',df10.values,
'\nDataFrame转series\n',df10['gender'])DataFrame转ndarray
[[0 'Tom' 1 16 'm']
[1 'Lily' 2 16 'f']
[2 'Cindy' 3 15 'f']
[3 'Petter' 4 16 'm']]
DataFrame转series
2019-09-21 m
2019-09-28 f
2019-10-05 f
2019-10-12 m
Freq: 7D, Name: gender, dtype: object
使用（）、tuple（）创建元组，元组可以为空且元素类型可以不同；
若元组中仅包含一个数字，则应该添加逗号以区别运算符号：tup=(1,)；
元组一旦创建就无法对其元素进行增加、删除、修改。
元组可以使用下标索引来访问元组中的值。
tup1=('Google','Runoob',1997,2000)
tup2=(1,) #创建单个数字元组
print("tup1[0]:",tup1[0]) #访问元组中第一各元素
print("tup2[1:5]:",tup2[1:5])tup1[0]: Google
tup2[1:5]: ()
使用del方法可以删除指定的元组对象，但无法删除指定下标的元组元素。
虽然元组中的元素不允许修改，但可以对元组进行连接组合创建出一个新的元组。
tup3=tup1+tup2 tup4=tup2*3 #复制三份
len() 返回元组元素个数；
max()/min() 返回元组元素中的最大、最小元素。
元组可以转换为字符串、列表……不过单个元组无法直接转换成字典
print("\n元组转列表：\n",list(tup1),
"\n元组转字符串：\n",tup1.__str__())一维列表的创建。使用[]可以创建一个列表对象，列表是一种有序的集合，可以随时添加和删除其中的元素；
多维列表的创建。尽管list默认是一维的，但可以使用[]嵌套创建多维列表。
list[a:b] 返回列表中第a个至第b-1个元素的列表对象；
list[::a] 返回一个从列表第一个元素开始，步长为a的列表对象；
list[i] 返回列表中下标为i的元素，若i为负数，则从列表尾部从后至前访问第i个元素。
append() 可以在列表末尾增加新的项目，可以增加一个元素，也可以增加一个list对象成为多维列表。
remove() 函数可以删除指定值的元素，list.remove(i)会删除list对象中值为i的元素，若不存在则报错；
pop() 函数可以删除指定下标的元素，默认为列表对象的最后一个元素，list.pop(i)将删除下标为i的元素。
list[i]=x 可以直接替换列表中指定下标的元素
reverse() 函数可以使列表倒置；
len() 函数可以返回列表的元素个数；
sort() 函数可以使列表元素升序排列。
列表可以便利的转换为各种数据类型；注意，单个列表无法转换为字典。
集合不会出现重复值，所有元素按照一定的顺序排列，若元素为数字则按数字大小排列，使用set()函数创建集合会自动的拆分多个字母组成的字符串
myset = set('aabc') #使用set()函数创建集合会自动的拆分多个字母组成的字符串 print(myset) myset1 = set(('hello','world')) print(myset1)
{'a', 'c', 'b'}
{'hello', 'world'}
使用in可以判断a是否在集合中，存在为真，反之为假。
'a' in myset
add() 函数可以在集合对象中加入新元素，若元素已存在，则无效果；
使用update表示添加（并非修改）是一个一个添加，并且按照顺序添加进集合。
myset.add('ghk') myset.update('tyu') #一个一个元素添加 print(myset)
{'t', 'b', 'a', 'ghk', 'c', 'y', 'u'}
remove() 函数可以将集合中的元素删除，元素不存在会报错；
discard() 函数可以删除集合中指定的元素，且元素不存在不报错；
pop() 函数可以随机删除集合中的一个元素（在交互模式下删除最后一个元素）；
clear() 函数可以清空集合。
len() 函数可以查询集合的长度；
copy() 可以复制集合中的元素并生成一个新的集合
copy_myset=myset.copy()
print('\nlen()返回集合的长度:',len(myset),
'\ncopy()生成的集合:',copy_myset)len()返回集合的长度: 7
copy()生成的集合: {'a', 'c', 'u', 't', 'ghk', 'b', 'y'}
集合的运算。首先建立两个集合用于运算，在集合运算中，‘-’表示求差，‘&’表示求和，‘|’表示求并集，'^'表示两个集合的并集减去交集
a = set('apple')
b = set('banana')
print ('\n求差集:',a-b,
'\n求并集:',a|b,
'\n求交集:',a&b,
'\n求各自独特的:',a^b)求差集: {'e', 'p', 'l'}
求并集: {'p', 'n', 'l', 'a', 'b', 'e'}
求交集: {'a'}
求各自独特的: {'n', 'p', 'l', 'b', 'e'}
生成一个字典和一个包含三个字典对象的字典列表。（列表中嵌套字典，students实际上是一个列表，students中的元素是字典）
dict1={"ID":"L100","Name":"COCO"}
students = [{'name':'n1','id':'001'},{'name':'n2','id':'002'},{'name':'n3','id':'003'}]
print("显示该数据结构类型",type(dict1))
print(dict1)显示该数据结构类型
{'ID': 'L100', 'Name': 'COCO'}
使用zip方法创建字典。zip() 方法可以返回元组组成的列表，可以用于快速构建字典。
demo_dict = dict(zip('abc','123')) print(demo_dict)
{'a': '1', 'b': '2', 'c': '3'}
查找第一个学生的学号（显示出第一个字典元素id键的值）；此外还可以使用get(key,default=None)方法获取指定键的值。
print('常规查询:',students[0]['id']) print('根据键查询:',students[0].get('id'))
常规查询: 001
根据键查询: 001
添加一名学生的信息（增加行，其实是增加列表中一个元素），之后再添加一个学生信息科目（增加列，其实就是增加字典中一个键值对）
students.append({'name':'n4','id':'004'})
print('添加一个字典对象后:',students)
students[0]['school']='school1'
students[1]['school']='school2'
students[2]['school']='school2'
print('增加键值对后的字典:',students)添加一个字典对象后: [{'name': 'n1', 'id': '001'}, {'name': 'n2', 'id': '002'}, {'name': 'n3', 'id': '003'}, {'name': 'n4', 'id': '004'}]
增加键值对后的字典: [{'name': 'n1', 'id': '001', 'school': 'school1'}, {'name': 'n2', 'id': '002', 'school': 'school2'}, {'name': 'n3', 'id': '003', 'school': 'school2'}, {'name': 'n4', 'id': '004'}]
使用del删除一名学生的信息（删除行，其实就是删除列表中的一个元素）。再使用pop删除第一个学生的学号（删除某一行中的列，其实是删除字典中的一个键值对）
del students[3] #删除第4行(下标为3) print('删除列表中的一个字典对象后:\n',students) students[0].pop('id') print('删除一个键值对后:\n',students)
删除列表中的一个字典对象后
[{'name': 'n1', 'id': '001', 'school': 'school1'}, {'name': 'n2', 'id': '002', 'school': 'school2'}, {'name': 'n3', 'id': '003', 'school': 'school2'}]
删除一个键值对后
[{'name': 'n1', 'school': 'school1'}, {'name': 'n2', 'id': '002', 'school': 'school2'}, {'name': 'n3', 'id': '003', 'school': 'school2'}]
删除所有学生的学号（删除某一列，其实就是删除所有字典中的一个键值对）
for i in range(0,len(students)):
students[i].pop('school')
print(students)[{'name': 'n1'}, {'name': 'n2', 'id': '002'}, {'name': 'n3', 'id': '003'}]
添加（更改）第一个学生的学号（在列表的第一个字典元素中增加/更改键值对）
students[0].update({'id':'001'})
print('\n更新后的字典\n',students)更新后的字典
[{'name': 'n1', 'id': '001'}, {'name': 'n2', 'id': '002'}, {'name': 'n3', 'id': '003'}]
字典的键和值可以被单独各自转换为list
print("字典值转List：",list(demo_dict.values()))
print("字典键转List：",list(demo_dict.keys()))字典值转List： ['1', '2', '3']
字典键转List： ['a', 'b', 'c']
以上がPython で一般的に使用される古典的なデータ構造は何ですか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
