Python基础——几个小知识点

1. 字符编码

【1】廖雪峰python教程——字符串和编码
【2】彻底弄懂 Unicode 编码

• 1个字节能表示的最大的整数就是255（二进制11111111=十进制255）
• 2个字节可以表示的最大整数是65535
• 4个字节可以表示的最大整数是4294967295

编码类型	内容	问题
ASCII	目前为止共定义了128个字符，包括大小写字母、数字和一些符号，如A-65，z-122（图1）	无法处理其他国家语言
GB2312	中文编码	各国有各国标准，在多语言混合文本中，会有冲突，显示乱码
Unicode	将所有语言统一到一套编码，最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）	如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上不划算
将Unicode编码转化为“可变长编码”的UTF-8编码	UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节	这样一来，如果传输的文本包含大量英文字符，用UTF-8编码就能节省空间（图2）

总结： 在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。

ord() 和 chr()

# ord()获取字符的整数表示，chr()把编码转换为对应字符
print(ord('A'))
print(ord('中'))
print(chr(66))
print(chr(25991))

>>> 65
>>> 20013
>>> B
>>> 文

encode() 和 decode()
Python的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节。如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes。

# python中对 bytes 类型的数据，用带 b前缀的单引号/双引号表示
# 注意区分‘ABC’和 b'ABC'，前者为 str，虽然内容显示相同，但后者 bytes 的每个字符都只占用一个字节
# 1.以 Unicode 表示的 str 通过encode()方法可以编码为指定的 bytes
print('ABC'.encode('ascii'))
print('中文'.encode('utf-8'))
>>> b'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'

# 2.要把 bytes 变为 str ，就需要用 decode() 方法
print(b'ABC'.decode('ascii'))
print(b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8'))
print(b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore'))  # 忽略小部分无效字节
>>> ABC
>>> 中文
>>> 中

2. list 和 tuple

• list 列表是一种有序集合，可以随时添加和删除其中元素
• tuple 元组是一种有序列表，但是tuple一旦初始化就不能修改，安全性更高

# '可变的'tuple
t = ('a', 'b', ['A','B'])
t[2][0] = 'X'
t[2][1] = 'Y'
print(t)
>>> ('a', 'b', ['X', 'Y'])

3. dict 和 list

和list比较，dict有以下几个特点：

• 查找和插入的速度极快，不会随着key的增加而变慢
• 需要占用大量的内存，内存浪费多

list相反：

• 查找和插入的时间随着元素的增加而增加
• 占用空间小，浪费内存很少

注意： dict的key必须是不可变对象，这是因为dict根据key来计算value的存储位置，如果每次计算相同的key得出的结果不同，那dict内部就完全混乱了。这个通过key计算位置的算法称为哈希算法。

hash()

• 作用：将大的文件映射成一个小字符串，但hash算法不可逆，即不能通过hash值逆向推出key的值，因为可能存在不同key值对应相同的hash值
• 可哈希的数据类型：不可变的数据结构(字符串str、元组tuple、对象集objects)
• 不可哈希的数据类型：可变的数据结构 (字典dict，列表list，集合set)

（待更新）