盘点Python常用的数据结构。如果你还处于Python入门阶段，通常只需掌握 list 、 tuple 、 set 、 dict 这类数据结构，做到灵活使用即可。
然而，随着学习的深入，平时遇到实际场景变复杂，很有必要去了解Python内置的更加强大的数据结构 deque 、 heapq 、 Counter 、 OrderedDict 、 defaultDict 、 ChainMap ，掌握它们，往往能让你少写一些代码且能更加高效的实现功能。
- 学习数据结构第一阶段：掌握它们的基本用法，使用它们解决一些基本问题；
- 学习第二阶段：知道何种场景选用哪种最恰当的数据结构，去解决题问题；
- 学习第三阶段：了解内置数据结构的背后源码实现，与《算法和数据结构》这门学问里的知识联系起来，打通任督二脉。
下面根据定义的这三个阶段，总结以下10种最常用的数据结构：
1、 list
- 基本用法 ：废话不多说，在前面单独有一个专题详述了list的使用【Python3️⃣：0小白基础之——列表专题】。
- 使用场景 list 使用在需要查询、修改的场景，极不擅长需要频繁插入、删除元素的场景。
- 实现原理 list对应数据结构的线性表，列表长度在初始状态时无需指定，当插入元素超过初始长度后再启动动态扩容，删除时尤其位于列表开始处元素，时间复杂度为O(n)
2、 tuple
- 元组是一类不允许添加删除元素的特殊列表，也就是一旦创建后续决不允许增加、删除、修改。
- 基本用法 元组大量使用在打包和解包处，如函数有多个返回值时打包为一个元组，赋值到等号左侧变量时解包。
- 使用场景 如果非常确定你的对象后面不会被修改，则可以大胆使用元组。为什么？因为相比于 list, tuple实例更加节省内存，这点尤其重要。
from sys import getsizeof
print("一个list实例占用%d个字节"%getsizeof(list()))
print("一个tuple实例占用%d个字节"%getsizeof(tuple()))3、 set
基本用法 set是一种里面不能含有重复元素的数据结构，这种特性天然的使用于列表的去重。a=[3,2,5,2,5,3]set(a) 除此之外，还有知道set结构可用于两个set实例的求交集、并集、差集等操作。
a = {2,3,5}
b = {3,4,6,2}
print(a.intersection(b)) # 求交集使用场景 如果只是想缓存某些元素值，且要求元素值不能重复时，适合选用此结构。并且set内允许增删元素，且效率很高。
实现原理 set在内部将值哈希为索引，然后按照索引去获取数据，因此删除、增加、查询元素效果都很高。
.
4、 dict
基本用法 dict 是Python中使用最频繁的数据结构之一，字典创建由通过dict函数、{}写法、字典生成式等，增删查元素效率都很高。d = {'a':1,'b':2} # {}创建字典d = {a:b for a,b in zip(['a','b'],[1,2])} # 列表生成式
使用场景 字典尤其适合在查询多的场景，时间复杂度为O(1). 如leetcode第一题求解两数之和时，就会使用到dict的O(1)查询时间复杂度。
- 同时，Python类中属性值等信息也都是缓存在
__dict__这个字典型数据结构中。 - 但是值得注意，dict占用字节数是list、tuple的3、4倍，因此对内存要求苛刻的场景要慎重考虑。
实现原理 字典是一种哈希表，同时保存了键值对。
.
5、 deque
基本用法 deque 双端队列，基于list优化了列表两端的增删数据操作。基本用法：
from collections import deque
from sys import getsizeof
d = deque([3,2,4,0])
d.popleft() # 左侧移除元素，O(1)时间复杂度
print(d)
d.appendleft(333) # 左侧添加元素，O(1)时间复杂度
print(d)
print("一个deque实例占用 %d个字节"%getsizeof(deque()))
print("一个list实例占用 %d个字节"%getsizeof(list()))使用场景 list左侧添加删除元素的时间复杂度都为O(n)，所以在Python模拟队列时切忌使用list，相反使用deque双端队列非常适合频繁在列表两端操作的场景。但是，加强版的deque牺牲了空间复杂度。
实现原理 cpython实现deque使用默认长度64的数组，每次从左侧移除1个元素，leftindex加1，如果超过64释放原来的内存块，再重新申请64长度的数组，并使用双端链表block管理内存块。
.
6、Counter
基本用法 Counter一种继承于dict用于统计元素个数的数据结构，也称为bag 或 multiset. 基本用法：
from collections import Counter
c = Counter([1,3,2,3,4,2,2]) # 统计每个元素的出现次数
print(c)
# 除此之外，还可以统计最常见的项
# 如统计第1最常见的项，返回元素及其次数的元组
print(c.most_common(1))使用场景 基本的dict能解决的问题就不要用Counter，但如遇到统计元素出现频次的场景，就不要自己去用dict实现了，果断选用Counter。
需要注意，Counter统计的元素要求可哈希(hashable)，换句话说如果统计list的出现次数就不可行，不过list转化为tuple不就可哈希了吗。
实现原理 Counter实现基于dict，它将元素存储于keys上，出现次数为values。
.
7、 OrderedDict
from collections import OrderedDict
od = OrderedDict({'c':3,'a':1,'b':2})
print(od)
for k,v in od.items():
print(k,v)使用场景 基本的dict无法保证顺序，keys映射为哈希值，而此值不是按照顺序存储在散列表中的。所以遇到要确保字典keys有序场景，就要使用OrderedDict。
实现原理 你一定会好奇OrderedDict如何确保keys顺序的，翻看cpython看到它里面维护着一个双向链表 self.__root ，它维护着keys的顺序。既然使用双向链表，细心的读者可能会有疑问：删除键值对如何保证O(1)时间完成？
cpython 使用空间换取时间的做法，内部维护一个 self.__map 字典，键为key，值为指向双向链表节点的 link . 这样在删除某个键值对时，通过__map在O(1)内找到link，然后O(1)内从双向链表__root中摘除。
.
8、 heapq
基本用法 基于list优化的一个数据结构：堆队列，也称为优先队列。堆队列特点在于最小的元素总是在根结点：heap[0] 基本用法：
import heapq
a = [3,1,4,5,2,11,4,56,7,82,69,121]
heapq.heapify(a) # 对a建堆，建堆后完成对a的就地排序
print(a[0]) # a[0]一定是最小元素
print(a)
print(heapq.nsmallest(3,a)) # a的前3个最小元素
print(heapq.nlargest(3,a)) # a的前3个最大元素使用场景 如果想要统计list中前几个最小(大)元素，那么使用heapq很方便，同时它还提供合并多个有序小list为大list的功能。
基本原理 堆是一个二叉树，它的每个父节点的值都只会小于或大于所有孩子节点（的值），原理与堆排序极为相似。
.
9、 defaultdict
基本用法 defaultdict是一种带有默认工厂的dict，如果对设计模式不很了解的读者可能会很疑惑，工厂这个词，准确来说工厂全称为对象工厂。下面体会它的基本用法。
基本dict键的值没有一个默认数据类型，如果值为list，必须要手动创建：
words=['book','nice','great','book']
d = {}
for i,word in enumerate(words):
if word in d:
d[word].append(i)
else:
d[word]=[i] # 显示的创建一个list
print(d)
print("-"*30)
from collections import defaultdict
d = defaultdict(list) # 创建字典值默认为list的字典
print("空",d)
for i,word in enumerate(words):
d[word] = i
print(d)省去一层if逻辑判断，代码更加清晰。上面defaultdict(list)这行代码默认创建值为list的字典，还可以构造defaultdict(set), defaultdict(dict)等等，这种模式就是对象工厂，工厂里能制造各种对象：list,set,dict… 。
使用场景 上面已经说的很清楚，适用于键的值必须指定一个默认值的场景，如键的值为list,set,dict等。
实现原理 基本原理就是调用工厂函数去提供缺失的键的值。后面设计模式专题再详细探讨。
.
10、 ChainMap
基本用法 如果有多个dict想要合并为一个大dict，那么ChainMap将是你的选择，它的方便性体现在同步更改。具体来看例子：
from collections import ChainMap
d1 = {'a':1,'c':3,'b':2}
d2 = {'d':1,'e':5}
dm = ChainMap(d1,d2)
print(dm)
# ChainMap后返回一个大dict视图，
# 如果修改其对应键值对，原小dict也会改变：
print(dm.maps) # 多个小dict装入list中
dm.maps[0]['a']=2000 # 修改第一个dict的键等于'a'的值为2000
print(dm)
print(d1) # 相应 a也改了。使用场景 具体使用场景是我们有多个字典或者映射，想把它们合并成为一个单独的映射，有读者可能说可以用update进行合并，这样做的问题就是新建了一个内存结构，除了浪费空间外，还有一个缺点就是我们对新字典的更改不会同步到原字典上。
实现原理 通过maps便能观察出ChainMap联合多个小dict装入list中，实际确实也是这样实现的，
内部维护一个lis实例，其元素为小dict。
