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
18 ноября, 2024
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