python笔记 —— 四大数据结构 list,tuple,set,dict 的特点与使用语法

Python中的基础数据类型:List、Tuple和Dict及其常用用法简析 在Python中,List、Tuple和Dict这三种基础数据类型是构建程序的重要基石。通过掌握它们的特性和常用用法,我们可以更有效地处理数据、提高代码的可读性和可维护性。在实际应用中,根据需求选择合适的数据类型,能够使程序更加高效和健壮。 阅读详情

python里面有四大数据结构:列表list,元组tuple,集合set,字典dict

列表list

  1. 列表的元素可以重复
  2. 列表里面元素的类型可以是任意的
  3. 列表是可变的,可以对列表的元素进行修改或者删除
  4. 列表是有序的,因此可以用索引去访问每个元素
#创建一个list列表
list = [1,1,2,2,3,4,5,'a','abc']
print(list)
# 分隔线
print("-"*30)

# 列表的增删改查
#增
list.append(6) #默认从尾部添加,括号里面是元素值
list.insert(3,22.11) #往指定的索引位置插入一个元素
print(list)

#删
list.remove(1) #删除括号里面的元素,如果有多个相同元素,则默认删除第一个
list.pop(2) #弹出括号里面的索引对应的元素,如果没有给出索引则默认弹出最后一个元素
print(list)

#改
list[6] = 'A' #将索引为6的元素修改为A
print(list)
print("-"*30)

#查
print(list[1]) #查询指定索引位置的单个元素
#利用切片获取多个元素,[起始索引:终止索引:步长],注意是左闭右开[起始索引,终止索引)
print(list[::]) #查询列表的全部元素
print(list[::-1]) #步长为1正序遍历所有元素,步长为-1倒序遍历所有元素
print(list[1:6]) #获取索引从1到3的元素,左闭右开,索引为4的元素不包含在内
print(list[1:6:2]) #获取索引1到5的元素,并且步长为2
print(list[-3:-1]) #获得倒数第三个元素到倒数第二个元素,左闭右开
print(list[3:]) #获取索引为3以及之后的所有元素

list的其余操作

#排序操作要求列表中的元素是同一类型
list2=[2,4,1,3,6,5]
list2.sort(reverse=False) #reverse为true时倒序,为false时正序
print(list2)

#反转
list2.reverse()
print(list2)

遍历操作

list1 = [1, 1, 2, 2, 3, 4, 5, 'a', 'abc']
for i in list1:
    print(i)

元组tuple

  1. 元组的元素可以重复
  2. 元组里面元素的类型可以是任意的
  3. 元组是不可变的,一经初始化就只能查询,不能使用append,pop等方法
  4. 元组是有序的,因此可以用索引去访问每个元素
tuple=(1,1,2,2,3,4,5,'abc','def')
print(tuple)

#获取元素
print(tuple[2])

集合set

  1. 集合的元素不可以重复,会自动去重
  2. 集合里面元素的类型可以是任意的
  3. 集合是可变的
  4. 集合是无序的,无法通过索引的方式取元素
set={
 1,1,2,2,3,4,5,'abc','def'}
print(set)

#增删
set.add(6) #增加元素
set.remove(1) #删除元素
print(set)

字典dict

  1. dict中的每一个元素都是k:v格式的(键值对格式)
  2. dict不支持使用index获取元素,只能通过key获取value
  3. dict的key不能重复,是唯一的,不可修改,key的类型必须是不可变对象(即基本数据类型和 tuple)
    如果字典中包含相同key的键值对,那么value值会发生覆盖
  4. dict中value的类型可以是任意的,可以重复,可以修改
  5. dict中,会将True和1,False和0视作相同的key值
  6. 查询速度不会随着元素的增多而变慢
dict = {
 
    'k1': 'v1',
    'k2': 'v2',
    0: '0',
    1: '1',
    (1, 2, 3): 'tuple 1,2,3',
    True: 'True',
    False: 'False',
    'k3': [1, 2, 3],
    'key1': {
 
        'key2': {
 
            'key3': 'value3'
        }
    }
}
print(dict)

#获取value
print(dict['k1'])

#修改value
dict['k2'] = 'new_value'
print(dict.get('k2'))

#利用get获取元素
#直接用key获取,如果不存在会报错,用get获取,如果不存在会返回none,不会报错
print(dict.get('k3'))
print(dict.get('k4'),'key不存在!') #增加一句提示信息

#获取字典中嵌套的字典的value值
print(dict.get('key1').get('key2').get('key3'))

遍历

for k, v in dict.items():
    print(k, v)

Python中list,tuple,dict,set的区别和用法 Python中list,tuple,dict,set的区别和用法 python语言简洁明了,可以用较少的代码实现同样的功能。这其中Python的四个内置数据类型功不可没,他们即是list, tuple, dict, set。这里对他们进行一个简明的总结。 列表,元组,集合、字典的区别 列表 元组 集合 字典 英文 list tuple set dict 可否读写 读写 只读 ... 阅读详情

相关推荐

2025最新OSM中国矢量数据保姆级下载指南(附百度网盘链接)

本文提供2025年OSM中国矢量数据的保姆级下载与使用指南。详细介绍了通过Geofabrik镜像站、QGIS插件及第三方平台获取数据的多种途径,重点解析了Shapefile格式数据的结构、WGS84坐标系特性,并指导进行格式转换与基础GIS应用,帮助用户高效合规地获取并利用这份开放地理数据资源。

weixin_29228781的博客 873

python中 列表 元祖 字典 集合的特点

如有错误,欢迎留言指出讨论 1 列表特点: 1) 有序的,写进去什么顺序输出还是什么顺序,也可排序 2) 可以修改 可以存放任意类型的数据 2元组特点: · 元组和列表类似,都相当于一个容器,可以存放很多数据 · 元组的单词:tuple · 元组的标志:()小括号 · 元组的值不可修改。 3 字典特点: 1) 没有下标,是键值对形式的,查找速度快 2) 无序的 3) 键是...

qq_42467563的博客 2817

最新版 Akamai 逆向 风控破解

经过测试,捷星 jetstar.com,德州仪器 ti.com,w6 wizzair.com,还有一些航空公司的都是可以实现一个并发的有需要的可以。

m0_72605044的博客 6614

【python】列表、字典、元组与集合的特点以及对比

字典无序存储,并且运行时是动态调整存储空间(hash哈希表/散列表转换得到存储地址,然后再将值存储在该地址的空间中)在表达结构化数据时语义不明确(结构化数据是指有明确属性的数据)字典采用了键(key)值(value)对的方式存储数据。解决该缺陷的方法就是用字典存储结构化数据。1.pop 删除指定的key和value。#2.字典的视图,会随着字典的变化而变化。#求set1中有但是set2无的差集。#求set1和set2的交集。#求set1和set2的并集。#3.字典的格式化输出。使用索引读取元组中的值。

点赞的都能无bug通过! 2457

virtuoso--DFF

27-实验课-std_cell2

qq_61440044的博客 2003

【Qt】Qt5.15在线安装避坑指南:从代理配置到组件选择的完整实践

本文详细介绍了Qt5.15在线安装的全流程避坑指南,包括代理配置、组件选择和常见问题解决方案。通过使用Fiddler工具和国内镜像源,可显著提升下载速度。文章还提供了组件选择的黄金法则和安装后的验证步骤,帮助开发者高效完成Qt5.15的安装与配置。

weixin_42550052的博客 269

python容器之list(列表)、tuple(元组)、字典(dict)、集合(set)等操作

一、列表 1、list是一个有序的元素的集合 list=[1,2,3,“list”] list[0]=1 2、循环获取list的值 for item in list: print(item) 3、添加元素 list.append(“4”) append():添加的列表的末尾 insert(2,“5”): 知道元素添加的位置及元素的值 4、删除list的值 list.pop(n):无参数默认删除最后一个,n对应列表索引对应的值 5、替换元素 list[2]=“替换了” list存在索引越界问题,替换不存在

Mr_know的博客 2156

从HSPICE到Spectre:手把手教你搞定不同SPICE仿真器的网表转换(附避坑指南)

本文详细介绍了从HSPICE到Spectre的SPICE仿真器网表转换方法,包括核心语法差异、分步转换流程和常见问题排查。通过实战案例和避坑指南,帮助工程师高效解决不同SPICE仿真器间的兼容性问题,提升集成电路设计效率。

weixin_29745609的博客 366

python中set、list、tuple、dict相互转化

list1 = [1, 2, 3, 4] tuple1 = (5, 6, 7, 8) set1 = {9, 10, 11, 12} dict1 = {"a": "13", "b": "14", "c": "15", "d": "16"} 转为list print(list(tuple1)) = [5, 6, 7, 8] print(list(set1)) = [9, 10, 1...

hu827250322的博客 1万+

SAP 52策略测试简介

我们看下下层物料的需求,可以看到物料的需求已经跑出来了,我们双击计划订单,发现是没有办法将计划订单转换为采购申请的,这里是否还记得我们在前面创建主数据的时候独立集中我们填写的是1,所以物料继承了上层物料的策略,所以不能将计划订单进行转换。我们在前面测试了50策略按单生产,创建完计划独立需求后,通过主数据中的独立集中的字段控制下层物料是否能通过计划订单转成生产订单和采购订单。可以看到下层物料的计划订单就可以转采购申请了,到这里可以看到52策略和50策略的计划独立需求完全是一样的。

我小时候很黑的博客 1267

EPO: Hierarchical LLM Agents with Environment PreferenceOptimization

长期决策和规划任务依然是基于大型语言模型(LLM)的智能体面临的一大挑战(Valmeekam 等,2023;Liu 等,2023;Silver 等,2024)。这些任务需要智能体进行多步骤的规划,同时保持行为的一致性和目标导向,这对于通常被设计用于即时和局部预测的大型语言模型来说颇为困难。此外,针对具身智能体的大型语言模型微调面临的一个关键难题是大规模标注数据的需求(Reed 等,2022)。

qq_52053775的博客 142

python中list,tuple,dict,set特点对比总结

python中list,tuple,dict,set特点对比总结 1 .list 1),list是一个使用方括号括起来的有序元素集合; 2),List 可以作为以 0 下标开始的数组,任何一个非空 list 的第一个元素总是 L[0],负数索引从 list 的尾部开始向前计数来存取元素。任何一个非空的 list 最后一个元素总是 L[-1]; 3),有分片功能,两个list可以相加; 4),app...

alenzzzhang 1568

使用n8n搭建服务器监控系统:从Webhook到Telegram告警的完整实现

本文介绍基于n8n工作流平台搭建轻量级服务器监控系统的完整方案,通过Webhook接收监控数据、Token认证、阈值检查和Telegram告警推送,实现7x24小时自动化监控。整个系统由7个可视化节点组成,支持CPU、内存、磁盘、网络流量等多维度指标监控,告警阈值可灵活配置。相比传统的Prometheus或Zabbix方案,配置更简单、资源消耗更低,适合1-50台中小规模服务器的监控需求。实测表明从部署到上线仅需30分钟,告警响应延迟小于1秒,完全满足生产环境要求。

todoitbo的博客 1万+

Python 中的 list、tuple、set、dict的底层实现的理解

Python 中的 list、tuple、set、dict的底层实现的理解

星哲最开心 1193

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

python中的list、tuple、dict、set

文章目录前言一、python中的list二、python中的tuple三、python中的dict四、python中的set总结 前言 python中的list、tuple、dict、set的区别 提示:以下是本篇文章正文内容,下面案例可供参考 一、python中的list (1)构造list,使用[ ]把list的所有元素都括起来就是一个列表,用变量L表示。其中的元素不要求是同一种数据类型。 (2)列表中元素是有序的。可以通过索引来访问。 (3)访问list的元素,L[0]:表示列表中的第一个元素,

陌生 1457

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Python 容器类型--list、tuple、dict、set

方式一lst1 = []#方式二#list()为工厂函数,可以把其他数据类型转换为list#若在list()中传递的是可迭代对象时,可挨个存入列表t1 = ()t2 = (1, ) #初始元组只有一个元素时,后面要打逗号,没有逗号为int类型t3 = (1)

m0_69298614的博客 2084

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Python中的list、tuple、dict和set总结

其他关于Python的总结文章请访问:https://blog.youkuaiyun.com/qq_38962621/category_10299380.html Python中的list、tuple、dict和set List list是一种有序集合,可以随时添加或者删除其中的元素,使用中括号中的逗号隔开的元素表示,list中的元素数据类型可以不同,甚至是另外一个list 使用 ListName 后跟 [n] 的索引访问,索引从0开始表示第一个元素,-1表示倒数第一个元素,-2表示导数第二个元素 len(listN

超级超级小天才的博客 1086

一文搞懂 Python 的 List, Tuple, Set, Dict 的核心区别与应用场景

Python四大数据结构核心区别与应用场景:列表(List)有序可变,适合存储序列数据;元组(Tuple)有序不可变,适合保护数据或作为字典键;集合(Set)无序唯一,用于去重和数学运算;字典(Dict)键值对结构,实现快速查找。选择依据:键值对用字典,去重用集合,只读数据用元组,其余有序可变需求用列表。理解这些差异能编写更高效Pythonic的代码。

欢迎来到我的优快云个人博客主页! 1796

Python四大内置数据结构:list、tuple、dict、set的底层原理与工程实践

Python的list、tuple、dict、set并非语法糖,而是基于内存模型、哈希算法与可变性约束构建的核心容器。它们分别对应动态数组、不可变序列、紧凑哈希表和键值复用集合,在CPU缓存友好性、时间复杂度(如O(1)查找)和并发安全性上存在本质差异。理解其C层实现(如CPython中dict的开放寻址、set对dict的复用)能显著提升性能敏感场景的选型能力,广泛应用于日志解析、UV/PV统计、漏斗分析及缓存设计等真实工程任务。

cishan3804的博客 401

05_list、tuple、set、dict 四大数据结构

文章目录list 列表set集合 list 列表 list 是Python中最基本的数据结构,第1个索引是0,第2个索引是1,依此类推最后一个索引为-1。 列表的数据项不需要具有相同的类型, 数据支持重复。 创建一个列表,只要把逗号分隔的不同的数据项使用方括号括起来即可。 python有4大基本数据类型list、set、tuple、dict,把他们看做内存存储解决方案,先了解基本的增、删、差、...

lsqzedu的博客 823

python的dict,set,list,tuple简单分析

转自:http://my.oschina.net/courade/blog/143894 字典(dict) dict 用 {} 包围  dict.keys(),dict.values(),dict.items()  hash(obj)返回obj的哈希值,如果返回表示可以作为dict的key  del 或 dict.pop可以删除一个item,clear清除所有的内容  sort

奋斗 1万+

python list, tuple dict,set的区别 以及**kwargs 的基本用法

list:链表,有序的项目, 通过索引进行查找,使用方括号”[]”;tuple:元组,元组将多样的对象集合到一起,不能修改,通过索引进行查找, 使用括号”()”;dict:字典,字典是一组键(key)和值(value)的组合,通过键(key)进行查找,没有顺序, 使用大括号”{}”;set:集合,无序,元素只出现一次, 自动去重,使用”set([])”

zhaoluruoyan89的博客 1237

Python中的list,tuple,dict和set

List list的创建与检索 Python内置的一种数据类型是列表:list。list是一种有序的集合,可以随时添加和删除其中的元素。 构造list非常简单,直接用 [ ] 把list的所有元素都括起来,就是一个list对象。 Python是动态语言,所以list中包含的元素并不要求都必须是同一种数据类型,我们完全可以在list中包含各种数据: 例如: >>> L = ['Michael', 100, True] list索引从 0 开始,也就是说,第一个元素的索引是0,第二个元素的索

python学习者的博客 1097

python中list/tuple/dict/set/namedtuple/ordereddict的区别

序列是Python中最基本的数据结构。序列中的每个元素都分配一个数字 - 它的位置,或索引,第一个索引是0,第二个索引是1,依此类推。Python有6个序列的内置类型,但最常见的是列表list和元组tuple。序列都可以进行的操作包括索引,切片,加,乘,检查成员。此外,Python已经内置确定序列的长度以及确定最大和最小的元素的方法。列表是最常用的Python数据类型,它可以作为一个方括号内的逗号...

taoqick的专栏 2183
上一篇: 纯Python实现Torch API,康奈尔副教授为自己的课程创建了DIY教学库
下一篇: 一篇文章梳理清楚 Python 多线程与多进程
Python_xiaowu
博客等级 码龄5年 3096粉丝 178原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值