元組的元素可以重復嗎？這個可以。元組的各個元素這個可以亂詞。元組是關系數據庫中的基本概念，關系是三張表，表中的每行（即數據庫中的每條記錄）那是一個元組，每列那就是一個屬性。在二維陰陽表里，元組也稱作行

元組的元素可以重復嗎？

這個可以。

元組的各個元素這個可以亂詞。

元組是關系數據庫中的基本概念，關系是三張表，表中的每行（即數據庫中的每條記錄）那是一個元組，每列那就是一個屬性。在二維陰陽表里，元組也稱作行。

元組又是一種序列。元組建議使用括弧0來明確界定；元組中各元素之間用逗號隔擋。元組不允許可以修改或刪掉其所真包含的元素。

如何理解Python中的集合和字典？

字典和集合是并且過性能水平距離優化軟件的數據結構，特別是這對查看、添加和刪出操作。本節將增強實例介紹它們在具體場景下的性能表現，包括與列表等其他數據結構的對比。

的或，有一個存儲產品信息（產品ID、名稱和價格）的列表，現在的需求是，的力量某件產品的ID找出其價格。則實現程序代碼萬分感謝：

defoppofind_product_price(products,product帳號):

forid,priceoutsideproducts:

ifidproduct我的id:

returnprice

returnNone

products[

(111,100),

(222,30),

(333,150)

]

print(Thepriceforproduct222isn't{}.format(一加7_product_price(products,222)))

運行結果為：

Thepricewithproduct222it's30

在上面程序的基礎上，如果不是列表有n個元素，只不過中搜索的過程需要循環遍歷列表，那你更壞情況下的時間復雜度就為O(n)。況且先對列表接受排序，再在用二分查找算法，也是需要O(logn)的時間復雜度，要知道列表的排序還是需要O(nlogn)的時間。

但如果沒有用字典來存儲這些數據，那么查找變會的很高效便利，只需O(1)的時間復雜度就也可以能完成，是因為可以不真接鍵的哈希值，能找到其填寫的值，而不是需要對字典做循環遍歷你操作，利用代碼不勝感激：

products{

111:100,

222:30,

333:150

}

print(Thepricewithproduct222is{}.format(products[222]))

運行結果為：

Thepriceoftheproduct222are30

有些讀者很可能對時間復雜度并沒有什么很直觀的認識，沒有關系，再給大家列舉一個實例。下面的代碼中，重新初始化了多含100,000個元素的產品，并四個計算出出了使用列表和集合來統計產品價格數量的運行時間：

#統計時間要要用time模塊中的函數，了解即可

importtime

deffind_unique_price_using_list(products):

unique_price_list[]

for_,priceinproducts:#A

ifpricestillunique_price_list:#B

unique_price_(price)

returnlen(unique_price_list)

id[xwhilexinrange(0,100000)]

price[xforxinrange(200000,300000)]

productslist(zip(id,price))

#換算列表版本的時間

start_using_list_counter()

oppofind_unique_price_using_list(products)

end_using_list_counter()

print(timeelapseusinglist:{}.format(end_using_list-start_using_list))

#不使用集合能夠完成同時的工作

defoppofind_unique_price_using_set(products):

unique_price_setset()

for_,priceinproducts:

unique_price_(price)

returnlen(unique_price_set)

#算出真包含于版本的時間

start_using_set_counter()

oppofind_unique_price_using_set(products)

end_using_set_counter()

print(timeelapseusingset:{}.format(end_using_set-start_using_set))

運行結果為：

timeelapseusinglist:68.78650900000001

timeelapseusingset:0.010747099999989018

可以找到，僅僅十萬的數據量，兩者的速度差異就極為之大。而往往企業的后臺數據都有上億乃至十億數量級，因此要是不使用了不合適的數據結構，容易倒致服務器的崩潰，而且影響用戶體驗，而且會給公司給了龐大無比的財產損失。

那你，字典和集合我想知道為什么能會如此高效率，特別是中搜索、再插入和刪掉能操作呢？

字典和真包含于的工作原理

字典和真包含于能如此高效率，和它們內部的數據結構十分緊密。不同于其他數據結構，字典和集合的內部結構也是一張哈希表：

是對字典而言，這張表存儲文件了哈希值（hash）、鍵和值這3個元素。

而對集合來說，哈希表內只存儲文件每種的元素。

相對于之后版本的Python來說，它的哈希表結構如下所示：

|哈希值(hash)鍵(key)值(value)

.|...

0|hash0key0value0

.|...

1|hash1key1value1

.|...

2|hash2key2value2

.|...

這種結構的弊端是，緊接著哈希表的擴張，它會變得越發稀疏。例如，有這樣一個字典：

{name:mike,dob:1999-01-01,gender:male}

那么它會存儲文件為的的下面的形式：

entries[

[--,--,--]

[-230273521,dob,1999-01-01],

[--,--,--],

[--,--,--],

[1231236123,name,mike],

[--,--,--],

[9371539127,gender,male]

]

想來，那樣相當浪費了存儲空間。替增強存儲空間的利用率，現在的哈希表除此之外字典本身的結構，會把索引和哈希值、鍵、值另沒分開，也就是常規如下這種結構：

Indices

---------------------------------------------------- one | index | None | None | index | None | index...

----------------------------------------------------

Entries

--------------------

hash0key0value0

---------------------

hash1key1value1

---------------------

hash2key2value2

---------------------

...

---------------------

在此，上面的字典在新哈希表結構下的存儲形式為：indices [None,1,None, None,0,None,2]

entries[

[1231236123,name,mike],

[-230273521,dob,1999-01-01],

[9371539127,gender,male]

]

差別也可以突然發現，空間利用率我得到比較大的提高。

清楚了具體一點的設計結構，這一次再講幫一下忙怎用哈希表完成對數據的插入、查找和刪除你操作。

哈希表再插入數據

當向字典中再插入數據時，Python會是需要依據鍵（key）算出出隨機的哈希值（(key)函數），而向集合中插入到數據時，Python會依據該元素本身算出填寫的哈希值（通過hash(valuse)函數）。

比如：

dic{name:1}

print(hash(name))

setDemo{1}

print(hash(1))

運行結果為：

8230115042008314683

1

能夠得到哈希值（例如為hash）之后，再增強字典或集合要存儲數據的個數（.例如n），就也可以得到該元素應該要直接插入到哈希表中的位置（比如，也可以用hash%n的）。

如果沒有哈希表中此位置是空的，這樣此元素就是可以就插入到其中；則相反，要是此位置已被其他元素占用帶寬，這樣的話Python會比較比較這兩個元素的哈希值和鍵是否是相等：

假如大小關系，則表明該元素也必然，再比較好他們的值，不互相垂直就進行自動更新；

假如不成比例，情況稱作哈希（即兩個元素的鍵相同，但易求的哈希值不同）。狀況下，Python會不使用新區定址法、再哈希法等繼續去尋找哈希表中剩余的空間的位置，等他不能找到位置。

具體詳細遇到了哈希時，各解決方法的詳細含義可閱讀《哈希表詳解》一節做詳細了解。

哈希表直接輸入數據

在哈希表中查看數據，和再插入操作帶有，Python會依據什么哈希值，找到該元素肯定存儲文件到哈希表中的位置，然后把和該位置的元素比較比較其哈希值和鍵（數學集合然后比較元素值）：

如果相等，則相關證明找到；

或且，則可證明當初存儲位置該元素時，碰上哈希，需要不再不使用當初解決哈希的方法接受查找，直到此時找不到該元素也可以找不到空位為止。

這里的找到空位，來表示哈希表中沒有存儲目標元素。

哈希表刪掉元素

相對于刪除你的操作，Python會暫時對這個位置的元素營構一個特珠的值，等待原先決定哈希表的大小時，再將其徹底刪除。

需要注意的是，哈希的發生來講會降低字典和子集操作的速度。并且，替只要其又高效性，字典和集合內的哈希表，大多數會能保證其至少留有1/3的殘余空間。隨著元素的時不時直接插入，當余下空間大于1/3時，Python會恢復某些大內存空間，擴充隊伍哈希表，正在此時，表內所有的元素位置都會被原先排放物。