概述
Python 中常见的数据结构可以分为内置数据结构和扩展数据结构（主要来自第三方库）两类，以下是详细介绍：
一、内置数据结构（Python 自带）
这些是 Python 解释器原生支持的数据结构，无需额外导入模块。
1. 列表（List）
- 特点：有序、可变（可修改）、允许重复元素，可存储不同类型数据。
- 用途：最常用的数据结构，适合存储序列型数据。
- 示例：
fruits = ["apple", "banana", 3, True] fruits.append("orange") # 添加元素 fruits[0] = "grape" # 修改元素
2. 元组（Tuple）
- 特点：有序、不可变（创建后不能修改）、允许重复元素。
- 用途：存储不可变的序列数据（如坐标、配置参数）。
- 示例：
point = (3, 4) # 坐标点 colors = ("red", "green", "blue") # 元组不可修改，以下代码会报错： # colors[0] = "yellow"
3. 字典（Dictionary）
- 特点：无序（Python 3.7+ 后保证插入顺序）、可变，以键值对（key: value）存储，键唯一。
- 用途：存储具有映射关系的数据（如对象属性、配置项）。
- 示例：
person = {"name": "Alice","age": 30,"is_student": False } print(person["name"]) # 访问值 person["age"] = 31 # 修改值
4. 集合（Set）
- 特点：无序、可变、无重复元素，支持数学集合运算（交集、并集等）。
- 用途：去重、成员关系判断、集合运算。
- 示例：
numbers = {1, 2, 3, 3, 4} # 自动去重，结果为 {1,2,3,4} numbers.add(5) # 添加元素 set1 = {1,2,3} set2 = {3,4,5} print(set1 & set2) # 交集 {3}
5. 字符串（String）
- 特点：有序、不可变，由字符组成，本质是字符的序列。
- 用途：文本处理。
- 示例：
text = "Hello World" print(text[0]) # 访问第一个字符 'H' print(text.split()) # 分割为列表 ['Hello', 'World']
二、扩展数据结构（第三方库）
需通过 import 导入，主要用于特定场景（如数据分析、高效运算）。
1. NumPy 数组（ndarray）
- 特点：同类型元素的多维数组，支持高效数值运算。
- 用途：科学计算、矩阵运算。
- 示例：
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr * 2) # 元素级运算 [2 4 6 8]
2. Pandas 数据框（DataFrame）
- 特点：二维表格结构，带行索引和列名，支持异构数据（不同列可存不同类型）。
- 用途：数据分析、清洗、处理结构化数据（如表格、CSV）。
- 描述：在数据分析中，DataFrame 是 pandas 库中最核心的数据结构，你可以把它理解为一个二维表格，类似于 Excel 表格、数据库表或者 CSV 文件的结构。它是处理结构化数据（有行有列的数据）的主要工具。
- 示例：
import pandas as pd df = pd.DataFrame({'name': ['张三', '李四', '王五'],'age': [18, 19, 18],'score': [90, 85, 92],'gender': ['男', '女', '男'] }) print(df["age"]) # 访问"age"列
3. Pandas 系列（Series）
- 特点：一维带标签的数组，可视为 DataFrame 的单列。
- 用途：单列数据处理，支持索引操作和统计计算。
- 示例：
s = pd.Series([10, 20, 30], name="scores") print(s.mean()) # 平均值 20
4. 队列（deque，来自 collections 模块）
- 特点：双端队列，支持高效的首尾元素添加 / 删除。
- 用途：实现队列、栈等数据结构，处理滑动窗口问题。
- 示例：
from collections import deque q = deque([1, 2, 3]) q.append(4) # 尾部添加 q.popleft() # 头部删除，结果为 1
5. 有序字典（OrderedDict，来自 collections 模块）
- 特点：保留插入顺序的字典（Python 3.7+ 后普通字典已支持此功能，使用率下降）。
- 示例：
from collections import OrderedDict od = OrderedDict() od["a"] = 1 od["b"] = 2
总结
- 日常编程优先使用内置结构（列表、字典、集合等）。
- 数据分析首选 Pandas DataFrame/Series 和 NumPy 数组。
- 特殊场景（如高效队列、有序映射）可使用 collections 模块的扩展结构。
根据需求选择合适的数据结构，能显著提高代码效率和可读性。