❶ 利用python進行數據分析筆記：3.1數據結構
元組是一種固定長度、不可變的Python對象序列。創建元組最簡單的辦法是用逗號分隔序列值：
tuple 函數將任意序列或迭代器轉換為元組：
中括弧 [] 可以獲取元組的元素， Python中序列索引從0開始 ：
元組一旦創建，各個位置上的對象是無法被修改的，如果元組的一個對象是可變的，例如列表，你可以在它內部進行修改：
可以使用 + 號連接元組來生成更長的元組：
元組乘以整數，則會和列表一樣，生成含有多份拷貝的元組：
將元組型的表達式賦值給變數，Python會對等號右邊的值進行拆包：
拆包的一個常用場景就是遍歷元組或列表組成的序列：
*rest 用於在函數調用時獲取任意長度的位置參數列表：
count 用於計量某個數值在元組中出現的次數：
列表的長度可變，內容可以修改。可以使用 [] 或者 list 類型函數來定義列表：
append 方法將元素添加到列表尾部：
insert 方法可以將元素插入到指定列表位置：
（ 插入位置范圍在0到列表長度之間 ）
pop 是 insert 的反操作，將特定位置的元素移除並返回：
remove 方法會定位第一個符合要求的值並移除它：
in 關鍵字可以檢查一個值是否在列表中；
not in 表示不在：
+ 號可以連接兩個列表：
extend 方法可以向該列表添加多個元素：
使用 extend 將元素添加到已經存在的列表是更好的方式，比 + 快。
sort 方法可以對列表進行排序：
key 可以傳遞一個用於生成排序值的函數，例如通過字元串的長度進行排序：
bisect.bisect 找到元素應當被插入的位置，返回位置信息
bisect.insort 將元素插入到已排序列表的相應位置保持序列排序
bisect 模塊的函數並不會檢查列表是否已經排序，因此對未排序列表使用bisect不會報錯，但是可能導致不正確結果
切片符號可以對大多數序列類型選取子集，基本形式是 [start:stop]
起始位置start索引包含，結束位置stop索引不包含
切片還可以將序列賦值給變數：
start和stop可以省略，默認傳入起始位置或結束位置，負索引可以從序列尾部進行索引：
步進值 step 可以在第二個冒號後面使用， 意思是每隔多少個數取一個值：
對列表或元組進行翻轉時，一種很聰明的用法時向步進值傳值-1：
dict(字典)可能是Python內建數據結構中最重要的，它更為常用的名字是 哈希表 或者 關聯數組 。
字典是鍵值對集合，其中鍵和值都是Python對象。
{} 是創建字典的一種方式，字典中用逗號將鍵值對分隔：
你可以訪問、插入或設置字典中的元素,:
in 檢查字典是否含有一個鍵：
del 或 pop 方法刪除值， pop 方法會在刪除的同時返回被刪的值，並刪除鍵：
update 方法將兩個字典合並：
update方法改變了字典元素位置，對於字典中已經存在的鍵，如果傳給update方法的數據也含有相同的鍵，則它的值將會被覆蓋。
字典的值可以是任何Python對象，但鍵必須是不可變的對象，比如標量類型（整數、浮點數、字元串）或元組（且元組內對象也必須是不可變對象）。
通過 hash 函數可以檢查一個對象是否可以哈希化（即是否可以用作字典的鍵）：
集合是一種無序且元素唯一的容器。
set 函數或者是用字面值集與大括弧，創建集合：
union 方法或 | 二元操作符獲得兩個集合的聯合即兩個集合中不同元素的並集：
intersection 方法或 & 操作符獲得交集即兩個集合中同時包含的元素：
常用的集合方法列表：
和字典類似，集合的元素必須是不可變的。如果想要包含列表型的元素，必須先轉換為元組：
❷ python數據結構如何實
Python中有許多數據結構是預先實現了的，這是它比C語言更強的地方。
Python中已經實現了一些基本的數據結構：
數，包括int、long、float等
字元串
數組，高級數組
哈希數據結構，包括字典dict和集合set
Python中的一些標准庫也有隊列、棧、堆之類的數據結構。
如果您想要親手實現這些數據結構，不妨去看一看C語言是如何編寫出Python語言這些新功能的（查看Python的實現源代碼），或者去維基網路、網路，您可以在那裡找到更多有用的信息。
❸ python 如何表示數據結構
Python中最基本的數據結構。序列中的每個元素都分配一個數字
-
它的位置，或索引，第一個索引是0，第二個索引是1，依此類推
列表
1、定義列表，取出列表中的值
1
1
names
=
[]
#定義空列表
2
names
=
['a','b','c']
#定義一個非空列表
3
4
#
取出列表中的值
5
6
>>>
names
=
['a','b','c']
7
>>>
names[0]
8
'a'
9
>>>
names[1]10
'b'11
>>>
names[2]12
'c'13
>>>
names[-1]#倒著取最後一個值14
'c'
2、切片
1
1
>>>
names
=
['a','b','c','d']
#
列表的下標值是從0開始取值的
2
>>>
names[1:3]
#取1到3之間的元素，包括1，不包括3
3
['b',
'c']
4
>>>
names[1:-1]
#取1到-1之間的元素，包括1，不包括-1
5
['b',
'c']
6
>>>
names[0:3]
7
['a',
'b',
'c']
8
>>>
names[:3]
#從頭開始取，0可以省略，效果等同於names[0:3]
9
['a',
'b',
'c']10
>>>
names[3:]
#想取到最後一個值，必須不能寫-1，只能這么寫11
['d']12
>>>
names[0::2]
#後面的2表示：每隔一個元素就取一個13
['a',
'c']14
>>>
names[::2]
#從頭開始0可以省略，效果跟上一句一樣15
['a',
'c']
切片小結：
①序列始終都是從左向右切片的，不能是從右向左
①列表切片時，起始位的元素是包括的，結束位的元素是不包括（又叫顧頭不顧尾），最後一個位置表示步長（names[開始位:結束位:步長]）
②如果從0位置取值，0可以省略
③想取最後一個值時，結束位不能是-1，因為結束位的元素不包括，所以只能留空
❹ python自帶及pandas、numpy數據結構(一)
1.python自帶數據結構：序列（如list）、映射（如字典）、集合（set）。
以下只介紹序列中的list：
創建list：
list1 = []
list1 = [1,2,3,4,5,6,7,8,9] #逗號隔開
list2 = [[1,2],[3,4],[5,6],[7,8]] #list2長度(len(list2))為2,list2[0] = [1,2]
liststring = list(「thisisalist」) #只用於創建字元串列表
索引list：
e = list1[0] #下標從零開始，用中括弧
分片list：
es = list1[0:3]
es = list1[0:9:2] #步長在第二個冒號後
list拼接（list1.append(obj)、加運算及乘運算）：
list長度：
list每個元素乘一個數值：
list2 = numpy.dot(list2,2)
list類似矩陣相乘（每個元素對應相乘取和）：
list3 = numpy.dot(list1,list1)
#要求相乘的兩個list長度相同
list3 = numpy.dot(list2,list22)
#要求numpy.shape(list2)和numpy.shape(list22)滿足「左行等於右列」的矩陣相乘條件，相乘結果numpy.shape(list3)滿足「左列右行」
2.numpy數據結構：
Array：
產生array：
data=np.array([[1, 9, 6], [2, 8, 5], [3, 7, 4]])
data=np.array(list1)
data1 = np.zeros(5) #data1.shape = (5,),5列
data1 = np.eye(5)
索引array:
datacut = data[0,2] #取第零行第二列，此處是6
切片array：
datacut = data[0:2,2] # array([6, 5])
array長度：
data.shape
data.size
np.shape(data)
np.size(data)
len(data)
array拼接：
#括弧內也有一個括弧（中括弧或者小括弧）！
d = np.concatenate((data,data))
d = np.concatenate((data,data),axis = 1) #對應行拼接
array加法：逐個相加
array乘法：
d = data data #逐個相乘
d = np.dot(data,data) #矩陣相乘
d = data 3 #每個元素乘3
d = np.dot(data,3) #每個元素乘3
array矩陣運算：
取逆 : np.linalg.inv(data)
轉置：data.T
所有元素求和 : np.sum(data)
生成隨機數：np.random.normal(loc=0, scale=10, size=None)
生成標准正態分布隨機數組：np.random.normal(size=(4,4))
生成二維隨機數組：
np.random.multivariate_normal([0,0],np.eye(2))
生成范圍在0到1之間的隨機矩陣(M,N)：
np.random.randint(0,2,(M,N))
Matrix:
創建matrix：
mat1 = np.mat([[1, 2, 3], [4, 5, 6]])
mat1 = np.mat(list)
mat1 = np.mat(data)
matrix是二維的，所有+，-，*都是矩陣操作。
matrix索引和分列：
mat1[0:2，1]
matrix轉置：
np.transpose(mat1)
mat1.transpose()
matrix拼接：
np.concatenate([mat1,mat1])
np.concatenate([mat1,mat1],axis = 1)
numpy數據結構總結：對於numpy中的數據結構的操作方法基本相同：
創建：np.mat(list),np.array(list)
矩陣乘：np.dot(x,y)
轉置：x.T or np.transpose(x)
拼接：np.concatenate([x,y],axis = 1)
索引：mat[0:1,4],ary[0:1,4]
3.pandas數據結構:
Series:
創建series：
s = pd.Series([[1,2,3],[4,5,6]],index = [『a』,『b』])
索引series：
s1 = s[『b』]
拼接series：
pd.concat([s1,s1],axis = 1) #也可使用s.append(s)
DataFrame:
創建DaraFrame:
df = pd.DataFrame([[1,2,3],[1,2,3]],index = ['a','b'],columns = ['x','y','z'])
df取某一列：
dfc1 =df.x
dfc1 = df[『x』]
dfc2 = df.iloc[:,0] #用.iloc方括弧里是數字而不是column名！
dfc2 = df.iloc[:,0:3]
df取某一行：
dfr1 = df.iloc[0]
df1 = df.iloc[0:2]
df1 = df[0:2] #這種方法只能用於取一個區間
df取某個值：
dfc2 = df.iloc[0,0]
dfc2 = df.iloc[0:2,0:3]
❺ PYTHON的數據結構和演算法介紹
當你聽到數據結構時，你會想到什麼？
數據結構是根據類型組織和分組數據的容器。它們基於可變性和順序而不同。可變性是指創建後改變對象的能力。我們有兩種類型的數據結構，內置數據結構和用戶定義的數據結構。
什麼是數據演算法-是由計算機執行的一系列步驟，接受輸入並將其轉換為目標輸出。
列表是用方括弧定義的，包含用逗號分隔的數據。該列表是可變的和有序的。它可以包含不同數據類型的混合。
months=['january','february','march','april','may','june','july','august','september','october','november','december']
print(months[0])#print the element with index 0
print(months[0:7])#all the elements from index 0 to 6
months[0]='birthday #exchange the value in index 0 with the word birthday
print(months)
元組是另一種容器。它是不可變有序元素序列的數據類型。不可變的，因為你不能從元組中添加和刪除元素，或者就地排序。
length, width, height =9,3,1 #We can assign multiple variables in one shot
print("The dimensions are {} * {} * {}".format(length, width, height))
一組
集合是唯一元素的可變且無序的集合。它可以讓我們快速地從列表中刪除重復項。
numbers=[1,2,3,4,6,3,3]
unique_nums = set(numbers)
print(unique_nums)
models ={'declan','gift','jabali','viola','kinya','nick',betty' }
print('davis' in models)#check if there is turner in the set models
models.add('davis')
print(model.pop())remove the last item#
字典
字典是可變和無序的數據結構。它允許存儲一對項目(即鍵和值)
下面的例子顯示了將容器包含到其他容器中來創建復合數據結構的可能性。
* 用戶定義的數據結構*
使用數組的堆棧堆棧是一種線性數據結構，其中元素按順序排列。它遵循L.I.F.O的機制，意思是後進先出。因此，最後插入的元素將作為第一個元素被刪除。這些操作是:
溢出情況——當我們試圖在一個已經有最大元素的堆棧中再放一個元素時，就會出現這種情況。
下溢情況——當我們試圖從一個空堆棧中刪除一個元素時，就會出現這種情況。
隊列是一種線性數據結構，其中的元素按順序排列。它遵循先進先出的F.I.F.O機制。
描述隊列特徵的方面
兩端:
前端-指向起始元素。
指向最後一個元素。
有兩種操作:
樹用於定義層次結構。它從根節點開始，再往下，最後的節點稱為子節點。
鏈表
它是具有一系列連接節點的線性數據。每個節點存儲數據並顯示到下一個節點的路由。它們用來實現撤銷功能和動態內存分配。
圖表
這是一種數據結構，它收集了具有連接到其他節點的數據的節點。
它包括:
演算法
在演算法方面，我不會講得太深，只是陳述方法和類型:
原文：https://www.tuicool.com/articles/hit/VRRvYr3
❻ 考研數據結構可以用python嗎
Python不適合在考試中使用，畢竟像數據結構與演算法分析考試大綱分治法部分的「大數乘法」，Python本身設計上就支持大數運算，再用分治法好像多此一舉了。
❼ Python高級數據結構——堆
在一個 最小堆 (min heap) 中，如果 P 是 C 的一個父級節點，那麼 P 的 key（或 value) 應小於或等於 C 的對應值。 正因為此，堆頂元素一定是最小的，我們會利用這個特點求最小值或者第 k 小的值。
在一個 最大堆 (max heap) 中，P 的 key（或 value) 大於或等於 C 的對應值。
以python為例，說明堆的幾個常見操作，這里需要用到一個內置的包：heapq
python中使用堆是通過傳入一個數組，然後調用一個函數，在原地讓傳入的數據具備堆的特性
需要注意的是，heapify默認構造的是小頂堆（min heap），如果要構造大頂堆，思路是把所有的數值倒轉，既* -1，例如：
使用heapq提供的函數： heappop 來實現
具體使用方式參考 初始化Heapify
使用heapq提供的函數： heappush 來實現
同時heapq還提供另外一個函數： heappushpop ，能夠在一個函數實現push&pop兩個操作；順序是：先push再pop
根據官方文檔的描述，這個函數會比先在外圍先調用heappush，再調用heappop，效率更高
先pop數據再push數據，和heappushpop的順序是反著的； 同樣的，這樣調用的性能也會比先調用heappop再調用heappush更好
如果pop的時候隊列是空的，會拋出一個異常
可以通過 heapq.merge 將多個 已排序 的輸入合並為一個已排序的輸出，這個本質上不是堆；其實就是用兩個指針迭代
對於這個問題，有一個演算法題可以實現相同的功能
從 iterable 所定義的數據集中返回前 n 個最大/小元素組成的列表。
函數為： heapq.nlargest() | heapq.nsmallest()
heapq - Heap queue algorithm - Python 3.10.4 documentation