В прошлый раз мы говорили о значении Python-словарей. Сегодня поговорим про известные методы работы с ними. Читайте далее про особенности работы словарных методов в популярном языке программирования Python.
Для чего нужны методы работы со словарями в Python
В первую очередь нужно напомнить, что представляют собой словари в Python. Словари в языке Python — это это неупорядоченные коллекции произвольных объектов, имеющих доступ к ним по ключу. Словари в основном используются, когда необходимо создать гибкую структуру данных, обеспечивающую возможность быстрого поиска. Благодаря специальным методам, существует возможность проводить различные преобразования над словарями, в числе которых:
- добавление новых элементов (обновление словаря);
- очищение словаря;
- удаление определенной пары по ключу;
- возвращение ключей или значений по отдельности;
- копирование словаря;
Каждую из вышеприведённых операций мы подробно и на примерах рассмотрим далее.
Методы работы со словарями в Python: несколько практических примеров
Одним из самых известных методов работы со словарями является метод pop(), который в качестве параметра принимает ключ и удаляет его и соответствующее ему значение [1]:
d = {'dict1': 1, 'dict2': 2, 'dict3':3}
d.pop('dict1')
d
# {'dict2': 2, 'dict3': 3}
Также еще одним немаловажным методом является метод copy(), который возвращает копию исходного словаря. Представим, например, что нам необходимо удалить одну пару из текущего словаря, но мы знаем, что этот словарь нам еще понадобится в исходном виде в дальнейшем. Для этого можно просто сделать его копию и работать далее уже с ней [1]:
d = {'dict1': 1, 'dict2': 2, 'dict3':3}
copy = d.copy()
d.pop('dict1')
# {'dict2': 2, 'dict3': 3}
copy
# {'dict1': 1, 'dict2': 2, 'dict3': 3}
Для того, чтобы получить значение по указанному ключу, используется метод get() [1]:
d = {'dict1': 1, 'dict2': 2, 'dict3':3}
d.get('dict2')
# 2
Бывает также, что в уже существующий словарь необходимо добавить новую пару или даже целый словарь. За добавление новых пар или включение нового словаря в уже существующий словарь отвечает метод update() [1]:
d = {'dict1': 1, 'dict2': 2, 'dict3':3}
d_2 = {'dict4': 4, 'dict5': 5, 'dict6':6}
d.update(d_2)
d
# {'dict1': 1, 'dict2': 2, 'dict3': 3, 'dict4': 4, 'dict5': 5, 'dict6': 6}
Для возвращения пар ключ/значение из существующего словаря используется метод items() [1]:
d = {'dict1': 1, 'dict2': 2, 'dict3':3}
d.items()
# dict_items([('dict1', 1), ('dict2', 2), ('dict3', 3)])
Для возвращения ключей и значений словаря по отдельности используются методы keys() и values() [1]:
d = {'dict1': 1, 'dict2': 2, 'dict3':3}
d.keys()
# dict_keys(['dict1', 'dict2', 'dict3'])
d.values()
# dict_values([1, 2, 3])
И, наконец, для того, чтобы полностью очистить словарь, используется метод clear(), удаляющий все пары из текущего словаря [1]:
d = {'dict1': 1, 'dict2': 2, 'dict3':3}
d.clear()
d
Таким образом, благодаря словарям и методам работы с ними, в Python существует возможность создавать гибкие структуры данных, обеспечивающих довольно быструю производительность. Это делает Python универсальным и надежным средством для работы с производительными приложениями, а также с Big Data обработкой.
Computer vision на Python
Код курса
VISI
Ближайшая дата курса
24 февраля, 2025
Продолжительность
40 ак.часов
Стоимость обучения
90 000 руб.
Освоить Python на профессиональном уровне в разработчика различных приложений и прочих прикладных областях Data Science вы сможете на практических курсах по Python в нашем лицензированном учебном центре обучения и повышения квалификации ИТ-специалистов в Москве:
- DPREP: Подготовка данных для Data Mining на Python
- Разработка и внедрение ML-решений
- Графовые алгоритмы. Бизнес-приложения
- Нейронные сети на Python
- NLP с Python
Источники
