盤點 Python 10 大常用數據結構（下篇）
上篇文章中4種數據結構相信大家都已經比較熟悉，因此我言簡意賅的介紹一遍。接下來再詳細的介紹下面6種數據結構及各自使用場景，會列舉更多的例子。
5. deque
基本用法 deque 雙端隊列，基于list優化了列表兩端的增刪數據操作。基本用法：
- from collections import deque
- In [3]: d = deque([3,2,4,0])
- In [4]: d.popleft() # 左側移除元素，O(1)時間復雜度
- Out[4]: 3
- In [5]: d.appendleft(3) # 左側添加元素，O(1)時間復雜度
- In [6]: d
- Out[6]: deque([3, 2, 4, 0])
使用場景：list左側添加刪除元素的時間復雜度都為O(n)，所以在Python模擬隊列時切忌使用list，相反使用deque雙端隊列非常適合頻繁在列表兩端操作的場景。但是，加強版的deque犧牲了空間復雜度，所以嵌套deque就要仔細trade-off：
- In [9]: sys.getsizeof(deque())
- Out[9]: 640
- In [10]: sys.getsizeof(list())
- Out[10]: 72
實現原理：cpython實現deque使用默認長度64的數組，每次從左側移除1個元素，leftindex加1，如果超過64釋放原來的內存塊，再重新申請64長度的數組，并使用雙端鏈表block管理內存塊。
6. Counter
基本用法：Counter一種繼承于dict用于統計元素個數的數據結構，也稱為bag 或 multiset. 基本用法：
- from collections import Counter
- In [14]: c = Counter([1,3,2,3,4,2,2]) # 統計每個元素的出現次數
- In [17]: c
- Out[17]: Counter({1: 1, 3: 2, 2: 3, 4: 1})
- # 除此之外，還可以統計最常見的項
- # 如統計第1最常見的項，返回元素及其次數的元組
- In [16]: c.most_common(1)
- Out[16]: [(2, 3)]
使用場景：基本的dict能解決的問題就不要用Counter，但如遇到統計元素出現頻次的場景，就不要自己去用dict實現了，果斷選用Counter.
需要注意，Counter統計的元素要求可哈希(hashable)，換句話說如果統計list的出現次數就不可行，不過list轉化為tuple不就可哈希了嗎.
實現原理：Counter實現基于dict，它將元素存儲于keys上，出現次數為values.
7. OrderedDict
基本用法 繼承于dict，能確保keys值按照順序取出來的數據結構，基本用法：
- In [25]: from collections import OrderedDict
- In [26]: od = OrderedDict({'c':3,'a':1,'b':2})
- In [27]: for k,v in od.items():
- ...: print(k,v)
- ...:
- c 3
- a 1
- b 2
使用場景：基本的dict無法保證順序，keys映射為哈希值，而此值不是按照順序存儲在散列表中的。所以遇到要確保字典keys有序場景，就要使用OrderedDict.
實現原理 ：你一定會好奇OrderedDict如何確保keys順序的，翻看cpython看到它里面維護著一個雙向鏈表self.__root，它維護著keys的順序。既然使用雙向鏈表，細心的讀者可能會有疑問：刪除鍵值對如何保證O(1)時間完成?
cpython使用空間換取時間的做法，內部維護一個self.__map字典，鍵為key，值為指向雙向鏈表節點的link. 這樣在刪除某個鍵值對時，通過__map在O(1)內找到link，然后O(1)內從雙向鏈表__root中摘除。
8. heapq
基本用法 基于list優化的一個數據結構：堆隊列，也稱為優先隊列。堆隊列特點在于最小的元素總是在根結點：heap[0] 基本用法：
- import heapq
- In [41]: a = [3,1,4,5,2,1]
- In [42]: heapq.heapify(a) # 對a建堆，建堆后完成對a的就地排序
- In [43]: a[0] # a[0]一定是最小元素
- In [44]: a
- Out[44]: [1, 1, 3, 5, 2, 4]
- In [46]: heapq.nlargest(3,a) # a的前3個最大元素
- Out[46]: [5, 4, 3]
- In [47]: heapq.nsmallest(3,a) # a的前3個最小元素
- Out[47]: [1, 1, 2]
使用場景：如果想要統計list中前幾個最小(大)元素，那么使用heapq很方便，同時它還提供合并多個有序小list為大list的功能。
基本原理：堆是一個二叉樹，它的每個父節點的值都只會小于或大于所有孩子節點(的值)，原理與堆排序極為相似。
9. defaultdict
基本用法 defaultdict是一種帶有默認工廠的dict，如果對設計模式不很了解的讀者可能會很疑惑工廠這個詞，準確來說工廠全稱為對象工廠。下面體會它的基本用法。
基本dict鍵的值沒有一個默認數據類型，如果值為list，必須要手動創建：
- words=['book','nice','great','book']
- d = {}
- for i,word in enumerate(words):
- if word in d:
- d[word].append(i)
- else:
- d[word]=[i] # 顯示的創建一個list
但是使用defaultdict：
- from collections import defaultdict
- d = defaultdict(list) # 創建字典值默認為list的字典
- for i,word in enumerate(words):
- d[word] = i
省去一層if邏輯判斷，代碼更加清晰。上面defaultdict(list)這行代碼默認創建值為list的字典，還可以構造defaultdict(set), defaultdict(dict)等等，這種模式就是對象工廠，工廠里能制造各種對象：list,set,dict...
使用場景：上面已經說的很清楚，適用于鍵的值必須指定一個默認值的場景，如鍵的值為list,set,dict等。
實現原理：基本原理就是調用工廠函數去提供缺失的鍵的值。后面設計模式專題再詳細探討。
10. ChainMap
基本用法 如果有多個dict想要合并為一個大dict，那么ChainMap將是你的選擇，它的方便性體現在同步更改。具體來看例子：
- In [55]: from collections import ChainMap
- In [56]: d1 = {'a':1,'c':3,'b':2}
- In [57]: d2 = {'d':1,'e':5}
- In [58]: dm = ChainMap(d1,d2)
- In [59]: dm
- Out[59]: ChainMap({'a': 1, 'c': 3, 'b': 2}, {'d': 1, 'e': 5})
ChainMap后返回一個大dict視圖，如果修改其對應鍵值對，原小dict也會改變：
- In [86]: dm.maps # 返回一個字典list
- Out[86]: [{'a': 2, 'c': 3, 'b': 2, 'd': 10}, {'d': 1, 'e': 5}]
- In [87]: dm.maps[0]['d']=20 # 修改第一個dict的鍵等于'd'的值為20
- In [88]: dm
- Out[88]: ChainMap({'a': 2, 'c': 3, 'b': 2, 'd': 20}, {'d': 1, 'e': 5})
- In [89]: d1 # 原小dict的鍵值變為20
- Out[89]: {'a': 2, 'c': 3, 'b': 2, 'd': 20}
使用場景 ：具體使用場景是我們有多個字典或者映射，想把它們合并成為一個單獨的映射，有讀者可能說可以用update進行合并，這樣做的問題就是新建了一個內存結構，除了浪費空間外，還有一個缺點就是我們對新字典的更改不會同步到原字典上。
實現原理：通過maps便能觀察出ChainMap聯合多個小dict裝入list中，實際確實也是這樣實現的，內部維護一個lis實例，其元素為小dict.
總結
以上就是Python常用的10種數據結構，4種常用的基本結構，6種基于它們優化的適應于特定場景的結構，對它們的學習我將它們總結為三步。
