3. Python 基础回顾：变量、数据类型、列表、字典、元组、集合

在深入数据分析和实时监控大屏开发之前，必须牢固掌握 Python 的核心数据结构。本章将系统回顾变量与六大内置类型，重点对比它们的可变性、有序性及适用场景，为后续的 Pandas 数据处理和 WebSocket 数据推送打下坚实基础。

3.1 变量与动态类型

Python 是动态类型语言，变量无需声明类型，赋值即创建。变量名本质上是对象的引用。

特性	说明	示例
动态类型	变量类型由运行时赋值决定	x = 10 → int；x = "abc" → str
强类型	不同类型间不会隐式转换	"1" + 2 抛出 TypeError
引用语义	变量存储对象的内存地址	a = [1,2]; b = a 指向同一列表
命名规则	字母/下划线开头，区分大小写	_count、dataStream 合法

3.2 基本数据类型

Python 内置的基本类型包括数字、字符串和布尔值，它们是构建复杂数据结构的原子单元。

• 整数 (int)：无大小限制，支持二进制、八进制、十六进制字面量。
• 浮点数 (float)：双精度 64 位，注意精度问题（如 0.1 + 0.2）。
• 字符串 (str)：不可变序列，支持 Unicode，常用方法 split()、join()、format()。
• 布尔值 (bool)：True / False，是 int 的子类（True == 1）。
• 空值 (NoneType)：None 表示缺失或空状态。

# 基本类型示例
count = 1024                # int
temperature = 36.5          # float
device_id = "sensor_01"     # str
is_online = True            # bool
last_value = None           # NoneType

# 类型检查
print(type(count))          # <class 'int'>
print(isinstance(temperature, float))  # True

3.3 列表 (List) —— 有序可变序列

列表是最常用的容器，支持任意类型混合存储，适合存储时序数据点或待处理任务队列。

操作	代码示例	结果
创建	data = [1, 2.5, "a"]	[1, 2.5, 'a']
索引	data[0]	1
切片	data[1:3]	[2.5, 'a']
追加	data.append(True)	[1, 2.5, 'a', True]
删除	data.pop(1)	返回 2.5，列表变为 [1, 'a', True]
推导式	[x*2 for x in range(5)]	[0, 2, 4, 6, 8]

3.4 字典 (Dict) —— 键值映射

字典通过哈希表实现 O(1) 查找，是配置参数、JSON 解析、聚合数据的核心结构。

# 字典定义与操作
sensor_config = {
    "id": "temp_01",
    "unit": "celsius",
    "threshold": 80.0,
    "alerts": []
}

# 访问与修改
print(sensor_config["unit"])          # celsius
sensor_config["threshold"] = 85.0     # 更新阈值
sensor_config["alerts"].append("高温") # 操作嵌套列表

# 安全获取
value = sensor_config.get("location", "default_room")

# 遍历
for key, val in sensor_config.items():
    print(f"{key}: {val}")

方法	作用	时间复杂度
dict[key]	获取值，key 不存在则抛出 KeyError	O(1)
dict.get(key, default)	安全获取，不存在返回默认值	O(1)
dict.setdefault(key, default)	key 不存在时插入默认值	O(1)
dict.update(other)	合并另一个字典	O(n)
dict.pop(key)	删除并返回值	O(1)

3.5 元组 (Tuple) —— 不可变序列

元组一旦创建不可修改，适合存储固定结构的数据，如坐标、数据库连接参数、函数多返回值。

• 定义：point = (10, 20) 或 single = (1,)（逗号不可省略）。
• 解包：x, y = point 直接赋值给多个变量。
• 作为字典键：元组可哈希，cache[(lat, lng)] = value。
• 性能：比列表占用更少内存，迭代速度略快。

# 元组典型用法
db_config = ("localhost", 5432, "monitor_db")
host, port, db_name = db_config   # 解包

# 函数返回多个值
def get_min_max(data):
    return min(data), max(data)

low, high = get_min_max([23, 45, 12, 67])
print(f"范围: {low} ~ {high}")

3.6 集合 (Set) —— 无序不重复

集合基于哈希表实现，用于去重、交集/并集/差集运算，在监控告警去重和标签管理中非常实用。

运算	符号	方法	示例
并集	|	union()	{1,2} | {2,3} → {1,2,3}
交集	&	intersection()	{1,2} & {2,3} → {2}
差集	-	difference()	{1,2} - {2,3} → {1}
对称差	^	symmetric_difference()	{1,2} ^ {2,3} → {1,3}
子集	<=	issubset()	{1} <= {1,2} → True

# 集合去重与告警标签管理
alert_tags = {"critical", "high", "medium", "low"}
active_alerts = {"high", "low", "info"}

# 找出需要升级的告警
critical_alerts = alert_tags & active_alerts
print(f"需关注: {critical_alerts}")

# 去重统计
device_ids = ["s1", "s2", "s1", "s3", "s2"]
unique_devices = set(device_ids)
print(f"独立设备数: {len(unique_devices)}")

3.7 数据结构对比总览

3.8 可变与不可变 —— 关键区别

理解可变性对数据刷新机制至关重要：可变对象（列表、字典、集合）可以在原地址修改，不可变对象（元组、字符串、数字）每次修改都会创建新对象。

# 可变性演示
# 列表可变
a = [1, 2, 3]
b = a
b.append(4)
print(a)  # [1, 2, 3, 4]  —— a 也被修改

# 元组不可变
c = (1, 2, 3)
d = c
# d[0] = 99  # TypeError: 'tuple' object does not support item assignment
d = (99, 2, 3)  # 创建新元组
print(c)  # (1, 2, 3)  —— 原元组不变

3.9 实践：监控数据包解析

综合运用上述数据结构，模拟解析一条来自传感器的 JSON 格式数据包。

# 模拟原始数据包（字符串）
raw_packet = '{"sensor_id":"S01","ts":1700000000,"values":[23.5,24.1,22.8],"tags":["indoor","floor1"]}'

import json
data = json.loads(raw_packet)  # 解析为字典

# 提取关键字段
sensor_id = data["sensor_id"]           # 字符串
timestamps = (data["ts"],)              # 元组包装
readings = data["values"]               # 列表
unique_tags = set(data["tags"])         # 集合去重

# 计算统计
avg_temp = sum(readings) / len(readings)
print(f"传感器 {sensor_id} 平均温度: {avg_temp:.1f}°C")
print(f"标签: {unique_tags}")