Python 数据结构学习重在理解设计原理与适用场景：字典基于哈希表，需注意可哈希性、扩容开销及键的正确实现；列表头部操作低效，应优先用 deque；集合宜预构建而非循环内创建；命名元组与 dataclass 兼顾可读性与性能。
Python 数据结构的学习，关键不在背语法，而在理解“为什么 这样设计”以及“在什么场景下最有效”。第 35 讲聚焦核心原理与真实问题的结合，不是罗列 list、dict、set 的用法，而是带你看到底层机制如何影响你的代码性能、可读性和健壮性。
从哈希表原理看字典为何快——不只是“平均 O(1)”
Python 的 dict 底层是开放寻址法实现的哈希表。这意味着：键必须可哈希（不可变）、冲突会引发探测序列、扩容时会重建整个表。实际开发中，如果你频繁对字典做大量插入 + 删除，又没预估好大小，可能触发多次 rehash，反而比预分配列表慢。
- 技巧：初始化大字典时，用 dict.fromkeys(keys, default) 比循环赋值更高效
- 注意：自定义类作字典键时，务必同时实现 __hash__ 和__eq__，否则逻辑错乱
- 验证：用 sys.getsizeof(my_dict) 观察 内存占用 变化，感受扩容临界点
列表的连续内存 vs. 链表直觉——何时该换 deque
list 看似像链表，实则基于动态数组。尾部操作 O(1)，头部插入 / 删除却是 O(n)——因为要整体平移元素。如果你写的是消息队列、滑动窗口或 BFS 遍历，用 list.pop(0)就是隐形性能杀手。
- 替换方案：导入from collections import deque，它用双向链表 + 块内存实现，两端操作稳定 O(1)
- 实战判断：只要代码里出现 list.insert(0, x) 或list.pop(0)，立刻检查是否可换成 deque.appendleft()/popleft()
- 小提醒：deque 不支持切片（如d[1:5]），需要转 list 再操作
集合去重背后的代价——别在循环里反复构造 set
set 查找快，但创建 set 本身有开销：要计算每个元素哈希值、处理冲突、分配内存。常见反模式是“for item in data: if item not in set(…): …”，每次迭代都新建一个 set。
立即学习“Python 免费学习笔记（深入）”；
- 正确做法：把待查集合提前构建好，比如valid_ids = set(config[‘allowed’])，再进循环
- 进阶技巧：用 frozenset 替代 set 做静态查找集，避免误修改，也稍省内存
- 调试提示：用 %timeit 对比 x in {1,2,3} 和x in [1,2,3]，差距在数据量>100 后急剧放大
命名元组与数据类——让结构体真正“自我说明”
用 tuple 存多字段数据（如(name, age, city)）节省内存，但可读性差；用 dict 灵活却失去结构约束。namedtuple 和 dataclass 是折中解：既有属性名语义，又保持轻量或可扩展。
- 轻量只读场景：用from collections import namedtuple，如Point = namedtuple(‘Point’, [‘x’, ‘y’])
- 需默认值 / 方法 / 类型提示：直接上from dataclasses import dataclass，一行 @dataclass 就能生成__init__/__repr__
- 关键 区别 ：namedtuple 实例不可变，dataclass 默认可变；但 dataclass 加@dataclass(frozen=True) 也能冻结
掌握这些，你写的就不是“能跑的代码”，而是“经得起压测、改得清逻辑、看得懂意图”的数据结构实践。不复杂但容易忽略。
