字典查找的底层逻辑

key1值先转换散列码，先取散列码右侧数组位数的值，取出与其等值的引索对应的key2, 对key1和key2进行哈希值验算，一样则取出来value,不一样则再取key1散列值右侧数组位，得到新引索，继续比较

键必须可散列，数字，字符串，元组

自定义键必须满足

支持hash()函数

支持_eq_()方法检测相等

a==b为真,则 hash(a)==hash(b)为真

字典底层原理

散列表：稀疏数组，数组的基本单元bucket

bucket包含key和value

key通过计算哈希值（散列码），根据数组位数从右向左取2进制值，并于散列表的索引对比，有空位就放入，无空位哈希值继续左移一个数组位数，继续配位。如果历遍仍无配位则数组扩容。

数组满60%，进行扩容

表格数据

r1={key1:value1,key2:value2,key3:value3}字典定义单行

r2={key1:value1,key2:value2,key3:value3}

tb=[r1,r2]，列表组件表格

访问值

tb[0].get("key")

序列解包

a,b,c=dict       a,b,c接受键

a,b,c=dict.values()  abc接受值

a,b,c=dict.items() abc接受键值对

字典修改

dict[键]=值， 添加新元素，key重复则覆盖

dict1.update(dict2),以dict2的内容加入dict1，键重复则覆盖。

del(dict[键1]) 删除键1和值

dict.pop("键1")，删除键1值对，并返回值

dict.clear()清空字典

dict.popitem()随机移除一个键值对

字典访问

dict.get("键"，“不存在时返回的值”)

dict.items() 显示所有键值对

dict.keys() 显示所有键

dict.values() 显示su

len(dict) 返回键值对数量

"键" in dict判断键是否在字典里

通过切片访问返回的还是元组

元组排序只能用sorted(),并生成列表

zip(list1,list2,list3),返回zip对象并将每个列表转化为元组

字典：键值对的无序可变序列

键为不可变数据，不可重复

a={键1:值1，键2:值2}

b=dict(键1=值1，键2=值2)

c=dict(  [  (键1，值1),(键2，值2)  ]  )

d=dict(zip(list1,list2))

e=dict.fromkeys([key1,key2 ,key3])

生成器推导式，产生生成器对象

s=(x*2 for x in range(5))

tuple(s) 转换为元组，用完一次s失效

s._next_()指针调动，输出当前值并下移

list.index(值,位置1，位置2)返回位置1-到位置2之间的第一个“值”的位置。

list.count(值)

成员资格

值 in (not in) list,返回True,False

元组是不可变序列

创建元组

a=(,,,)

a=tuple(字符，数字，列表)

多维列表：列表嵌套

a[一维引索][二维引索]

列表排序 修改原列表，不建立新列表

list.sort()默认升序排列

list.sort(reverse=True)降序排列

import random

random.shuffle(list)

列表排序，建立新列表

new_list=sorted(list),升序

new_list=sorted(list,reverse=True),降序

c=reversed(list)返回逆序排列的迭代器对象，只能用一次

max(list), min(list)

sum(list),数值型列表可用

列表元素提取

list[起始位置：终点位置：step], 从起始位置到终点-1位置，step为-1时反向提取

列表元素删除

del a[位置]，有数组拷贝，地址不变

list.pop(位置)，删除位置上的元素并返回元素值

list.remove(值)，删除第一个指定值，不存在就报错。

列表增加，删除

append(),

尽量减少在列表中间修改，涉及大量复制会消耗内存，尽量在尾部删，增。

a=a+[],非尾部添加，实际是创建新列表，耗内存

expend(),

原地址尾部添加

expend([50,60]),不改变地址，适合两个列表对接

insert(索引，值) 元素插入指定位置，设计大量拷贝，地址不变

列表乘法 a=a*3

pandas时间序列

现在我们有2015到2017年25万条911的紧急电话的数据，请统计出出这些数据中不同类型的紧急情况的次数，如果我们还想统计出不同月份不同类型紧急电话的次数的变化情况，应该怎么做呢？

为什么要学习pandas的时间序列

不管在什么行业，时间序列都是一种非常重要的数据形式，很多统计数据以及数据的规律也都和时间序列有着非常重要的联系

时间格式化

python中时间日期格式化符号：
%y 两位数的年份表示（00-99）
%Y 四位数的年份表示（000-9999）
%m 月份（01-12）
%d 月内中的一天（0-31）
%H 24小时制小时数（0-23）
%I 12小时制小时数（01-12）
%M 分钟数（00=59）
%S 秒（00-59）
%a 本地简化星期名称
%A 本地完整星期名称
%b 本地简化的月份名称
%B 本地完整的月份名称
%c 本地相应的日期表示和时间表示
%j 年内的一天（001-366）
%p 本地A.M.或P.M.的等价符
%U 一年中的星期数（00-53）星期天为星期的开始
%w 星期（0-6），星期天为星期的开始
%W 一年中的星期数（00-53）星期一为星期的开始
%x 本地相应的日期表示
%X 本地相应的时间表示
%Z 当前时区的名称
%% %号本身

pandas数据重采样

指的是将时间序列从一个频率转化为另一个另一个频率进行处理的过程，将高频率数据转化为低频率为降采样，低频率转化为高频率为升采样

关于索引和复合索引

merge——进行列合并，合并的是相同索引值得列默认的方式是inner，取交集，当没有相同的数的时候取空