百度360必应搜狗淘宝本站头条
当前位置:网站首页 > IT知识 > 正文

Python基础入门之字典Dict用方法详解

liuian 2025-02-19 12:55 10 浏览

字典(dict)是一种非常有用的复合数据结构,是一种无序、可变的序列,字典元素由键值对组成,这些键值对之间用逗号分隔。在键值对中,键和值由冒号 “:”分隔。

Python 字典主要特征:

通过键而不是通过索引来读取元素,字典是无序的序列,不存在索引;字典是可变的,并且可以任意嵌套;字典中的键必须唯一,不能修改,类型可以是数字、字符串或者元组,不能使用列表。

定义字典

字典通过将以逗号分隔的“键值对列表括在大括号 “{}”中来定义字典。每个键与其关联的值使用冒号“:”分隔开。

格式:

d = {
    :,
    :,
      .
      .
      .
    :
}

下面定义了一个字典,该字典包含省会信息:

shenghui={"shandong":"jinan","jiangsu":"nanjing","jilin":"changchun"}

还可以使用内置函数dict()构造字典,参数应该是一系列键值对。

>>> shenghui=dict([("shandong","jinan"),("jiangsu","nanjing"),("jilin","changchun")])
>>> print(shenghui)
{'shandong': 'jinan', 'jiangsu': 'nanjing', 'jilin': 'changchun'}

#增量方式创建字典
>>> dict2={}
>>> dict2["级部"]="初一"
>>> dict2["班级"]=["一班","二班"]
>>> dict2
{'级部': '初一', '班级': ['一班', '二班']}

字典基本操作

通过在方括号"[]"中指定其相应的键,从字典中检索值。

#访问字典
>>> shenghui=dict([("shandong","jinan"),("jiangsu","nanjing"),("jilin","changchun")])
>>> shenghui["shandong"]
'jinan'
>>> shenghui["jiangsu"]
'nanjing'

#更改字典的值
>>> shenghui=dict([("shandong","jinan"),("jiangsu","nanjing"),("jilin","changchun")])
>>> shenghui["shandong"]="qingdao"
>>> shenghui["shandong"]
'qingdao'

#删除字典的键值
>>> shenghui={"shandong":"jinan","jiangsu":"nanjing","jilin":"changchun"}
>>> del shenghui["shandong"]
>>> shenghui
{'jiangsu': 'nanjing', 'jilin': 'changchun'}

字典没有索引,所以使用索引会出错。下面的示例,看起来像一个数字索引,但事实并非如此,只是字典的键使用了数字,还是使用键来访问值。

>>> dict1={0:'a',1:'b',2:'c',3:'d'}
>>> dict1[0]
'a'
>>> dict1[1]
'b'

字典相关函数方法

#keys()返回字典键的列表
>>> dict2={'级部': '初一', '班级': ['一班', '二班']}
>>> print(dict2.keys())
dict_keys(['级部', '班级'])

#items()返回一个元组列表,这些元组由字典中的键值对组成
>>> dict1={0:'a',1:'b',2:'c',3:'d'}
>>> print(dict1.items())
dict_items([(0, 'a'), (1, 'b'), (2, 'c'), (3, 'd')])

#get()访问字典中的值
>>> dict1={0:'a',1:'b',2:'c',3:'d'}
>>> print(dict1.get(1))
b

#clear()清除字典中的所有元素
>>> dict1={0:'a',1:'b',2:'c',3:'d'}
>>> dict1.clear()
>>> print(dict1)
{}

#copy()返回字典的副本
>>> dict1={0:'a',1:'b',2:'c',3:'d'}
>>> dict2=dict1.copy()
>>> print(dict2)
{0: 'a', 1: 'b', 2: 'c', 3: 'd'}

#pop()从字典中删除指定元素并返回指定的元素
>>> dict1={0:'a',1:'b',2:'c',3:'d'}
>>> m=dict1.pop(0)
>>> print(m)
a
>>> print(dict1)
{1: 'b', 2: 'c', 3: 'd'}

#popitem()从字典中删除最后插入的键值对,并将其作为元组返回。
>>> dict1={0:'a',1:'b',2:'c',3:'d'}
>>> m=dict1.popitem()
>>> print(m)
(3, 'd')
>>> print(dict1)
{0: 'a', 1: 'b', 2: 'c'}

#setdefault()返回键的值(如果键在字典中)。否则,它会在字典中插入具有默认值的键
>>> dict1={0:'a',1:'b',2:'c',3:'d'}
>>> dict1.setdefault(3)
'd'
>>> dict1.setdefault(4,'e')
'e'
>>> dict1
{0: 'a', 1: 'b', 2: 'c', 3: 'd', 4: 'e'}

#update()使用另一个字典键值对元素更新字典
>>> dict1={0:'a',1:'b',2:'c',3:'d'}
>>> dict2={3:'dd'}
>>> dict1.update(dict2)
>>> print(dict1)
{0: 'a', 1: 'b', 2: 'c', 3: 'dd'}

#values()返回字典的值
>>> dict1={0:'a',1:'b',2:'c',3:'d'}
>>> print(dict1.values()) 
dict_values(['a', 'b', 'c', 'd'])

#fromkeys()返回具有键映射和特定值的字典
>>> d={'a','b','c','d'}
>>> print(dict1.fromkeys(d))
{'c': None, 'b': None, 'd': None, 'a': None}
>>> print(dict2.fromkeys(d,1))
{'c': 1, 'b': 1, 'd': 1, 'a': 1}

#"|"合并运算符可以合并字典,Python3.9引入
dict1={0:'a',1:'b',2:'c',3:'d'}
dict2={4:'e'}
dict3=dict1|dict2
print(dict3)
{0: 'a', 1: 'b', 2: 'c', 3: 'd', 4: 'e'}

#"|="更新运算符更新字典,如果键重复,更新值,否则,插入新键值,Python3.9引入
dict1={0:'a',1:'b',2:'c',3:'d'}
dict2={4:'e'}
dict1|=dict2
print(dict1)
{0: 'a', 1: 'b', 2: 'c', 3: 'd', 4: 'e'}

dict1={0:'a',1:'b',2:'c',3:'d'}
dict2={3:'e'}
dict1|=dict2
print(dict1)
{0: 'a', 1: 'b', 2: 'c', 3: 'e'}

相关推荐

GANs为何引爆机器学习?这篇基于TensorFlow的实例教程为你解惑!

「机器人圈导览」:生成对抗网络无疑是机器学习领域近三年来最火爆的研究领域,相关论文层出不求,各种领域的应用层出不穷。那么,GAN到底如何实践?本文编译自Medium,该文作者以一朵玫瑰花为例,详细阐...

高丽大学等机构联合发布StarGAN:可自定义表情和面部特征

原文来源:arXiv、GitHub作者:YunjeyChoi、MinjeChoi、MunyoungKim、Jung-WooHa、SungKim、JaegulChoo「雷克世界」编译:嗯~...

TensorFlow和PyTorch相继发布最新版,有何变化

原文来源:GitHub「机器人圈」编译:嗯~阿童木呀、多啦A亮Tensorflow主要特征和改进在Tensorflow库中添加封装评估量。所添加的评估量列表如下:1.深度神经网络分类器(DNNCl...

「2022 年」崔庆才 Python3 爬虫教程 - 深度学习识别滑动验证码缺口

上一节我们使用OpenCV识别了图形验证码躯壳欧。这时候就有朋友可能会说了,现在深度学习不是对图像识别很准吗?那深度学习可以用在识别滑动验证码缺口位置吗?当然也是可以的,本节我们就来了解下使用深度...

20K star!搞定 LLM 微调的开源利器

LLM(大语言模型)微调一直都是老大难问题,不仅因为微调需要大量的计算资源,而且微调的方法也很多,要去尝试每种方法的效果,需要安装大量的第三方库和依赖,甚至要接入一些框架,可能在还没开始微调就已经因为...

大模型DeepSeek本地部署后如何进行自定义调整?

1.理解模型架构a)查看深度求索官方文档或提供的源代码文件,了解模型的结构、输入输出格式以及支持的功能。模型是否为预训练权重?如果是,可以在预训练的基础上进行微调(Fine-tuning)。是否需要...

因配置不当,约5000个AI模型与数据集在公网暴露

除了可访问机器学习模型外,暴露的数据还可能包括训练数据集、超参数,甚至是用于构建模型的原始数据。前情回顾·人工智能安全动态向ChatGPT植入恶意“长期记忆”,持续窃取用户输入数据多模态大语言模型的致...

基于pytorch的深度学习人员重识别

基于pytorch的深度学习人员重识别Torchreid是一个库。基于pytorch的深度学习人员重识别。特点:支持多GPU训练支持图像的人员重识别与视频的人员重识别端到端的训练与评估简单的re...

DeepSeek本地部署:轻松训练你的AI模型

引言:为什么选择本地部署?在AI技术飞速发展的今天,越来越多的企业和个人希望将AI技术应用于实际场景中。然而,对于一些对数据隐私和计算资源有特殊需求的用户来说,云端部署可能并不是最佳选择。此时,本地部...

谷歌今天又开源了,这次是Sketch-RNN

前不久,谷歌公布了一项最新技术,可以教机器画画。今天,谷歌开源了代码。在我们研究其代码之前,首先先按要求设置Magenta环境。(https://github.com/tensorflow/magen...

Tensorflow 使用预训练模型训练的完整流程

前面已经介绍了深度学习框架Tensorflow的图像的标注和训练数据的准备工作,本文介绍一下使用预训练模型完成训练并导出训练的模型。1.选择预训练模型1.1下载预训练模型首先需要在Tensorf...

30天大模型调优学习计划(30分钟训练大模型)

30天大模型调优学习计划,结合Unsloth和Lora进行大模型微调,掌握大模型基础知识和调优方法,熟练应用。第1周:基础入门目标:了解大模型基础并熟悉Unsloth等工具的基本使用。Day1:大模...

python爬取喜马拉雅音频,json参数解析

一.抓包分析json,获取加密方式1.抓包获取音频界面f12打开抓包工具,播放一个(非vip)视频,点击“媒体”单击打开可以复制URL,发现就是我们要的音频。复制“CKwRIJEEXn-cABa0Tg...

五、JSONPath使用(Python)(json数据python)

1.安装方法pipinstalljsonpath2.jsonpath与Xpath下面表格是jsonpath语法与Xpath的完整概述和比较。Xpathjsonpath概述/$根节点.@当前节点...

Python网络爬虫的时候json=就是让你少写个json.dumps()

大家好,我是皮皮。一、前言前几天在Python白银交流群【空翼】问了一个Python网络爬虫的问题,提问截图如下:登录请求地址是这个:二、实现过程这里【甯同学】给了一个提示,如下所示:估计很多小伙伴和...