Python基础：Python切片，浅拷贝深拷贝和赋值，排序，Reduce函数
Posted 大饼博士X
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python基础：Python切片，浅拷贝深拷贝和赋值，排序，Reduce函数相关的知识，希望对你有一定的参考价值。
文章目录
整理一下Python常用操作，包括Python切片操作、拷贝、排序、Numpy基础等，会持续更新，主要是自己mark用。主要以Python3来记录。
Python切片操作
经常会需要从某个对象中抽取部分值的情况，Python通过切片操作来实现。包括list、dict、字符串、tuple等都是可以的，且切片原理是一样的。这一部分主要参考了[1]。
索引方式包括：正索引和负索引两部分，如下图所示，以list对象a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]为例：
一个完整的切片表达式包含两个“:”，用于分隔三个参数(start_index、end_index、step)。当只有一个“:”时，默认第三个参数step=1；当一个“:”也没有时，start_index=end_index，表示切取start_index指定的那个元素。
object[start_index:end_index:step]
-
start_index：表示起始索引（包含该索引对应值）；该参数省略时，表示从对象“端点”开始取值，至于是从“起点”还是从“终点”开始，则由step参数的正负决定，step为正从“起点”开始，为负从“终点”开始。
-
end_index：表示终止索引（不包含该索引对应值）；该参数省略时，表示一直取到数据“端点”，至于是到“起点”还是到“终点”，同样由step参数的正负决定，step为正时直到“终点”，为负时直到“起点”。
-
step：正负数均可，其绝对值大小决定了切取数据时的‘‘步长”，正表示“从左往右”取值，负表示“从右往左”取值。当step省略时，默认为1，即从左往右以步长1取值。
基本用法
>>>a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>>a[0]
0
>>>a[-4]
6
当索引只有一个数时，表示切取某一个元素。
>>>a[:]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
从左往右取全部
>>>a[::]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
从左往右取全部
>>>a[::-1]
[9, 8, 7, 6, 5, 4, 3, 2, 1, 0]
从右往左倒序取，这几个很常用
>>>b = a[::2]
[0, 2, 4, 6, 8]
取偶数
>>>b = a[1::2]
[1, 3, 5, 7, 9]
取奇数
需要注意：“取单个元素（不带“:”）”时，返回的是对象的某个元素，其类型由元素本身的类型决定，而与母对象无关，如上面的a[0]=0、a[-4]=6，元素0和6都是“数值型”，而母对象a却是“list”型；“取连续切片（带“:”）”时，返回结果的类型与母对象相同，哪怕切取的连续切片只包含一个元素，如a[-1:]=[9]，返回的是一个只包含元素“9”的list，而非数值型“9”。
根据索引取部分数据
>>>a[1:6]
[1, 2, 3, 4, 5]
step=1，从左往右取值，start_index=1到end_index=6同样表示从左往右取值。
>>>a[1:6:-1]
[]
输出为空列表，说明没取到数据。
step=-1，决定了从右往左取值，而start_index=1到end_index=6决定了从左往右取值，
两者矛盾，所以为空。
>>>a[:6]
[0, 1, 2, 3, 4, 5]
step=1，表示从左往右取值，而start_index省略时，表示从端点开始，
因此这里的端点是“起点”，即从“起点”值0开始一直取到end_index=6（该点不包括）。
>>>a[:6:-1]
[9, 8, 7]
step=-1，从右往左取值，而start_index省略时，表示从端点开始，
因此这里的端点是“终点”，即从“终点”值9开始一直取到end_index=6（该点不包括）。
>>>a[-1:-6]
[]
step=1，从左往右取值，而start_index=-1到end_index=-6决定了从右往左取值，两者矛盾，所以为空。
索引-1在-6的右边
>>>a[-1:-6:-1]
[9, 8, 7, 6, 5]
step=-1，从右往左取值，start_index=-1到end_index=-6同样是从右往左取值。
>>>a[:-6]
[0, 1, 2, 3]
step=1，从左往右取值，从“起点”开始一直取到end_index=-6（该点不包括）。
>>>a[-6::-1]
[4, 3, 2, 1, 0]
step=-1，从右往左取值，从start_index=-6开始，一直取到“起点”。
>>>a[-1:6:-1]
[9, 8, 7]
start_index=-1在end_index=6的右边，因此从右往左取值，而step=-1同样决定了从右往左取值，因此结果正确。
>>>a[2+1:3*2:7%3]
[3, 4, 5]
即：a[2+1:3*2:7%3] = a[3:6:1]
注意：
-
start_index、end_index、step三者可同为正、同为负，或正负混合。但必须遵循一个原则，即：当start_index表示的实际位置在end_index的左边时，从左往右取值，此时step必须是正数（同样表示从左往右）；当start_index表示的实际位置在end_index的右边时，表示从右往左取值，此时step必须是负数（同样表示从右往左），即两者的取值顺序必须相同。
-
当start_index或end_index省略时，取值的起始索引和终止索引由step的正负来决定，这种情况不会有取值方向矛盾（即不会返回空列表[]），但正和负取到的结果顺序是相反的，因为一个向左一个向右。
-
step的正负是必须要考虑的，尤其是当step省略时。比如a[-1:]，很容易就误认为是从“终点”开始一直取到“起点”，即a[-1:]= [9, 8, 7, 6, 5, 4, 3, 2, 1, 0]，但实际上a[-1:]=[9]（注意不是9），原因在于step省略时step=1表示从左往右取值，而起始索引start_index=-1本身就是对象的最右边元素了，再往右已经没数据了，因此结果只含有9一个元素。
多层切片
>>>a[:8][2:5][-1:]
[4]
相当于：
a[:8]=[0, 1, 2, 3, 4, 5, 6, 7]
a[:8][2:5]= [2, 3, 4]
a[:8][2:5][-1:] = [4]
理论上可无限次多层切片操作，只要上一次返回的是非空可切片对象即可。
其他对象的切片操作
>>> (0, 1, 2, 3, 4, 5)[:3]
(0, 1, 2)
元组的切片操作
>>>'ABCDEFG'[::2]
'ACEG'
字符串的切片操作
>>>for i in range(1,100)[2::3][-5:]:
print(i)
87
90
93
96
99
就是利用range()函数生成1-99的整数，然后从start_index=2（即3）开始以step=3取值，
直到终点，再在新序列中取最后五个数。
修改单个元素、在某个位置插入元素
>>>a[3] = ['A','B']
[0, 1, 2, ['A', 'B'], 4, 5, 6, 7, 8, 9]
修该第四个元素为一个list
>>>a[3:3] = ['A','B','C']
[0, 1, 2, 'A', 'B', 'C', 3, 4, 5, 6, 7, 8, 9]
插入几个元素，而不是修该，也不是插入一个list
>>>a[0:0] = ['A','B']
['A', 'B', 0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
Python赋值、浅拷贝、深拷贝的区别
[:]和.copy()都属于“浅拷贝”，只拷贝最外层元素，外层元素是独立内存；内层嵌套元素则通过引用方式共享，而非独立分配内存。使用 copy 模块的 copy.copy（ 浅拷贝 ）和 copy.deepcopy（深拷贝），其中deepcopy是构建了一个完全独立的对象。
1、b = a: 赋值引用，a 和 b 都指向同一个对象。
2、b = a.copy(): 浅拷贝, a 和 b 是一个独立的对象，但他们的子对象（内层嵌套对象）还是指向统一对象（是引用）。
3、b = copy.deepcopy(a): 深度拷贝, a 和 b 完全拷贝了父对象及其子对象，两者是完全独立的。
例子：
>>>a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>>b = a[:]
>>>print(b)
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>>print(id(a)) #41946376
>>>print(id(b)) #41921864
或
>>>b = a.copy()
>>>print(b)
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>>print(id(a)) #39783752
>>>print(id(b)) #39759176
>>>a = [1,2,['A','B']]
>>>print('a='.format(a))
>>>b = a[:]
>>>b[0] = 9 #修改b的最外层元素，将1变成9
>>>b[2][0] = 'D' #修改b的内嵌层元素
>>>print('a='.format(a))
>>>print('b='.format(b))
>>>print('id(a)='.format(id(a)))
>>>print('id(b)='.format(id(b)))
a=[1, 2, ['A', 'B']] #原始a
a=[1, 2, ['D', 'B']] #b修改内部元素A为D后，a中的A也变成了D，说明共享内部嵌套元素，但外部元素1没变。
b=[9, 2, ['D', 'B']] #修改后的b
id(a)=38669128
id(b)=38669192
深拷贝：
import copy
a = [1, 2, 3, 4, ['a', 'b']] #原始对象
b = a #赋值，传对象的引用
c = copy.copy(a) #对象拷贝，浅拷贝
d = copy.deepcopy(a) #对象拷贝，深拷贝
a.append(5) #修改对象a
a[4].append('c') #修改对象a中的['a', 'b']数组对象
print( 'a = ', a )
print( 'b = ', b )
print( 'c = ', c )
print( 'd = ', d )
输出：
'a = ', [1, 2, 3, 4, ['a', 'b', 'c'], 5]
'b = ', [1, 2, 3, 4, ['a', 'b', 'c'], 5]
'c = ', [1, 2, 3, 4, ['a', 'b', 'c']]
'd = ', [1, 2, 3, 4, ['a', 'b']]
Python常用内置对象的排序
Python中对各种数据结构：列表、元组、字典（list、tuple、dict）进行排序，用到sort、sorted、heapq、Counter等[4]。
sort
sort 是对 list 进行原地址排序，也就是改变原有的 list 。因此，不会增加内存的占用，但会产出数据被修改的副作用
>>>x = [2, 5, 3, 4, 1]
>>>x.sort()
>>>print(x)
[1, 2, 3, 4, 5]
从小到大排序
>>>x = [2, 5, 3, 4, 1]
>>>x.sort(reverse=True)
>>>print(x)
[5, 4, 3, 2, 1]
从大到小排序
sorted
很多时候，我们只是想得到排序的结果，而不想改变原数据。sorted 则没有对原数据进行操作，而是构建一个新的数据，这样就保留了原数据，但会增加内存的占用。不过，sorted 要比 sort 适用更广泛，可以应用于 list 、tuple 和 dict 等数据结构。
x = [2, 5, 3, 4, 1]
y = sorted(x, reverse=True)
print('x:', x)
print('y:', y)
x: [2, 5, 3, 4, 1]
y: [5, 4, 3, 2, 1]
这与 sort 的基础用法很类似，但接下来就是 sorted 强大之处了，可以对字典按照value排序
a = 'a': 2, 'b': 5, 'c': 3, 'd': 4, 'e': 1
b = sorted(a.items(), key=lambda x: x[1], reverse=True)
print(b)
[('b', 5), ('d', 4), ('c', 3), ('a', 2), ('e', 1)]
heapq
有时候，我们需要 动态 地进行排序，快速找出 TOP 的数据，此时 heapq （堆排序）就可以大显身手了。普通排序和sorted比没什么优势，如果遇到动态添加数据的时候，它的优势就显现出来了，比如：在线投票，需要实时出现结果。如果用 sorted 排序，那么每次都需要重排，时间复杂度极高。heapd 可以持续往里面添加，并快速完成新元素的排序。
import heapq
x = [2, 5, 3, 4, 1]
heap = []
for i in x:
heapq.heappush(heap, i)
print(heap[:])
[1, 2, 3, 4, 5]
实现堆排序
print([heapq.heappop(heap) for _ in range(len(x))])
[1, 2,以上是关于Python基础：Python切片，浅拷贝深拷贝和赋值，排序，Reduce函数的主要内容，如果未能解决你的问题，请参考以下文章