Python的collections模块提供了很多高级的数据结构，使得我们在处理数据时能够更加方便和高效。下面我们将详细讲解collections模块中各个类的功能，并给出相应的样例。
- 导入模块
首先，我们需要导入collections模块：
import collections
2. Counter
Counter是一个字典子类，用于计数可哈希对象。这里我们用它来统计各国出现的次数。
from collections import Counter
一个包含各国名称的列表
countries = ['China', 'USA', 'India', 'China', 'Brazil', 'USA', 'India', 'Russia', 'China']
使用Counter来统计每个国家出现的次数
country_counts = Counter(countries)
打印统计结果
print(country_counts)
输出可能是：Counter({'China': 3, 'USA': 2, 'India': 2, 'Brazil': 1, 'Russia': 1})
找出出现次数最多的国家
most_common_country = country_counts.most_common(1)
print(most_common_country)
输出可能是：[('China', 3)]
计算两个Counter的合并
other_countries = ['Japan', 'Germany', 'USA', 'China']
other_counts = Counter(other_countries)
combined_counts = country_counts + other_counts
print(combined_counts)
输出可能是：Counter({'China': 4, 'USA': 3, 'India': 2, 'Brazil': 1, 'Russia': 1, 'Japan': 1, 'Germany': 1})
从一个Counter中减去另一个Counter
country_counts -= Counter(['India', 'Brazil'])
print(country_counts)
输出可能是：Counter({'China': 3, 'USA': 2, 'Russia': 1})
- deque
deque是一个双端队列，支持从两端添加和删除元素。
from collections import deque
创建一个deque对象
d = deque()
d.append('China')
d.append('USA')
d.appendleft('India')
print(d) # 输出：deque(['India', 'China', 'USA'])
从右端弹出元素
print(d.pop()) # 输出：'USA'
从左端弹出元素
print(d.popleft()) # 输出：'India'
4. defaultdict
defaultdict是一个字典子类，提供了默认值。
from collections import defaultdict
创建一个使用list作为默认值的defaultdict
dd = defaultdict(list)
dd['Asia'].append('China')
dd['Asia'].append('India')
dd['America'].append('USA')
print(dd) # 输出：defaultdict(<class 'list'>, {'Asia': ['China', 'India'], 'America': ['USA']})
创建一个使用int作为默认值的defaultdict
dd_int = defaultdict(int)
print(dd_int['Europe']) # 输出：0
5. namedtuple
namedtuple用于创建一个简单的类，用于存储具有固定字段的数据。
from collections import namedtuple
创建一个名为Country的namedtuple，包含name和population两个字段
Country = namedtuple('Country', ['name', 'population'])
创建一个Country对象
china = Country(name='China', population=1400000000)
访问字段
print(china.name) # 输出：'China'
print(china.population) # 输出：1400000000
非常抱歉，确实没有写完。下面是OrderedDict和ChainMap的完整样例，以及collections模块的总结。
- OrderedDict
OrderedDict是一个保持元素插入顺序的字典。
from collections import OrderedDict
创建一个OrderedDict对象
od = OrderedDict()
od['Asia'] = ['China', 'India']
od['America'] = ['USA', 'Brazil']
od['Europe'] = ['Russia', 'Germany']
遍历有序字典
for continent, countries in od.items():
print(continent, countries)
输出可能是：
Asia ['China', 'India']
America ['USA', 'Brazil']
Europe ['Russia', 'Germany']
移动元素到开头
od.move_to_end('Asia', last=False)
print(od) # 输出：OrderedDict([('Asia', ['China', 'India']), ('America', ['USA', 'Brazil']), ('Europe', ['Russia', 'Germany'])])
弹出元素
popped_item = od.popitem(last=False)
print(popped_item) # 输出可能是：('Asia', ['China', 'India'])
print(od) # 输出：OrderedDict([('America', ['USA', 'Brazil']), ('Europe', ['Russia', 'Germany'])])
7. ChainMap
ChainMap用于创建一个包含多个字典的单一视图，可以在多个字典中查找键。
from collections import ChainMap
创建两个字典
dict1 = {'China': 'Asia', 'USA': 'America'}
dict2 = {'India': 'Asia', 'Brazil': 'America', 'Russia': 'Europe'}
使用ChainMap合并这两个字典
chained_dict = ChainMap(dict1, dict2)
访问键
print(chained_dict['China']) # 输出：'Asia' (优先从dict1中查找)
print(chained_dict['India']) # 输出：'Asia' (从dict1中未找到，则从dict2中查找)
print(chained_dict['Russia']) # 输出：'Europe' (只在dict2中找到)
修改ChainMap中的值
chained_dict['China'] = 'New Asia'
print(chained_dict['China']) # 输出：'New Asia'
添加新值
chained_dict['Japan'] = 'Asia'
print(chained_dict['Japan']) # 输出：'Asia'
链中的字典可以动态变化
new_dict = {'Australia': 'Oceania'}
chained_dict.maps.append(new_dict)
print(chained_dict['Australia']) # 输出：'Oceania'
collections模块总结
collections模块为Python提供了许多有用的数据结构，这些数据结构扩展了Python内置的数据类型，使得处理复杂数据更加高效和方便。
• Counter：用于计数可哈希对象，返回一个字典，键是元素，值是计数。
• deque：双端队列，支持从两端添加和删除元素，适用于需要频繁在两端进行操作的场景。
• defaultdict：带有默认值的字典，当访问字典中不存在的键时，返回默认值，而不是引发错误。
• namedtuple：用于创建一个简单的类，用于存储具有固定字段的数据，比直接使用字典更节省空间。
• OrderedDict：保持元素插入顺序的字典，可以记住元素添加的顺序。
• ChainMap：创建一个包含多个字典的单一视图，可以在多个字典中查找键，并按顺序访问它们。
这些数据结构在特定应用场景中提供了更加高效和直观的处理方式，是Python程序员处理复杂数据的强大工具。根据具体需求，可以选择合适的数据结构来优化代码。