collections模块提供了高效的专业数据结构适用于特定场景。1.counter用于数据统计，如元素计数；2.defaultdict为字典提供默认值避免keyerror；3.deque实现高效的双端队列操作；4.namedtuple增强元组的可读性；5.ordereddict保持字典键的插入顺序。这些结构在数据统计分析、缓存实现、任务调度、数据结构设计及配置管理中尤为有用。选择时应根据具体需求如计数、默认值处理、两端操作效率、可读性和顺序保持等进行判断。
Python的collections模块，简单来说，就是一个扩展的容器数据类型模块。它在Python内建的dict、list、set和tuple的基础上，提供了更加专业、高效的数据结构，解决特定场景下的问题。你可能觉得用处不大，但一旦遇到合适的场景，它能让你少写很多代码，而且性能往往更好。
Counter、defaultdict、deque、namedtuple、OrderedDict，这些都是collections模块里的宝贝。
Counter：统计利器，快速计数
立即学习“Python免费学习笔记（深入）”；
如果让你统计一个列表中每个元素出现的次数，你会怎么做？ 传统的做法可能要用一个字典，循环遍历列表，判断元素是否在字典中，不在就添加，在就计数加一。代码不少，而且效率也不一定高。
from collections import Counter
my_list = ['a', 'b', 'a', 'c', 'b', 'b']
element_counts = Counter(my_list)
print(element_counts) # 输出：Counter({'b': 3, 'a': 2, 'c': 1})一行代码搞定！ Counter 会自动统计列表中每个元素的出现次数，并返回一个类似字典的对象，其中键是元素，值是计数。而且，它还提供了一些方便的方法，比如 most_common() 可以返回出现次数最多的元素。
defaultdict：字典的默认值救星
字典的一个常见问题是，当你尝试访问一个不存在的键时，会抛出 KeyError 异常。为了避免这种情况，你可能需要先判断键是否存在，或者使用 try-except 语句。defaultdict 可以帮你优雅地解决这个问题。
from collections import defaultdict # 使用 list 作为默认工厂 my_dict = defaultdict(list) my_dict['a'].append(1) my_dict['b'].append(2) my_dict['a'].append(3) print(my_dict) # 输出：defaultdict(, {'a': [1, 3], 'b': [2]}) # 访问不存在的键，不会抛出 KeyError，而是返回一个空列表 print(my_dict['c']) # 输出：[]
defaultdict 接受一个函数作为参数，这个函数被称为默认工厂。当访问一个不存在的键时，defaultdict 会自动调用这个工厂函数，生成一个默认值，并将其赋值给这个键。上面的例子中，我们使用 list 作为默认工厂，所以当访问不存在的键时，会返回一个空列表。
deque：高效的双端队列
deque (double-ended queue) 是一种双端队列，可以在队列的两端高效地添加和删除元素。 相比于Python内置的 list，deque 在两端操作的性能更好，因为 list 在头部插入或删除元素时，需要移动后面的所有元素。
from collections import deque my_deque = deque([1, 2, 3]) my_deque.append(4) # 在尾部添加元素 my_deque.appendleft(0) # 在头部添加元素 print(my_deque) # 输出：deque([0, 1, 2, 3, 4]) my_deque.pop() # 从尾部删除元素 my_deque.popleft() # 从头部删除元素 print(my_deque) # 输出：deque([1, 2, 3])
deque 特别适合用于实现队列和栈等数据结构，以及需要频繁在两端操作的场景。
namedtuple：让元组更具可读性
元组是一种不可变的序列，通常用于存储一组相关的数据。但是，元组的元素只能通过索引访问，这使得代码的可读性较差。namedtuple 可以让你给元组的每个元素命名，从而提高代码的可读性。
from collections import namedtuple
# 定义一个 namedtuple 类型 Point
Point = namedtuple('Point', ['x', 'y'])
# 创建一个 Point 对象
p = Point(10, 20)
# 通过属性名访问元素
print(p.x) # 输出：10
print(p.y) # 输出：20
# 仍然可以通过索引访问元素
print(p[0]) # 输出：10
print(p[1]) # 输出：20namedtuple 实际上是一个类，它继承自 tuple。你可以像访问类的属性一样访问元组的元素，这使得代码更加清晰易懂。
OrderedDict：记住插入顺序的字典
Python 3.7+ 的字典已经默认保持插入顺序了，但在之前的版本中，字典是无序的。如果你需要在旧版本中使用有序字典，或者需要明确地保证字典的插入顺序，可以使用 OrderedDict。
from collections import OrderedDict
my_dict = OrderedDict()
my_dict['a'] = 1
my_dict['b'] = 2
my_dict['c'] = 3
for key, value in my_dict.items():
print(key, value) # 输出：a 1 b 2 c 3OrderedDict 会记住键的插入顺序，并按照这个顺序迭代字典的元素。
collections模块中的数据结构在哪些场景下特别有用？
-
数据统计和分析：
Counter非常适合用于统计各种数据的出现次数，例如单词计数、用户行为分析等。 -
缓存：
OrderedDict可以用于实现 LRU (Least Recently Used) 缓存，当缓存达到最大容量时，可以删除最久未使用的元素。 -
任务调度：
deque可以用于实现任务队列，可以高效地添加和删除任务。 -
数据结构设计：
deque可以用于实现栈、队列等基本数据结构。namedtuple可以用于定义简单的数据结构，提高代码的可读性。 -
配置管理：
namedtuple可以用于存储配置信息，例如数据库连接信息、API 密钥等。
如何选择合适的数据结构？
选择合适的数据结构取决于具体的应用场景和需求。
-
如果需要统计数据的出现次数， 优先考虑
Counter。 -
如果需要一个默认值的字典， 优先考虑
defaultdict。 -
如果需要在两端高效地添加和删除元素， 优先考虑
deque。 -
如果需要提高元组的可读性， 优先考虑
namedtuple。 -
如果需要保持字典的插入顺序， 优先考虑
OrderedDict(或者使用 Python 3.7+ 的普通字典)。
collections模块还有哪些不常用的数据结构？
除了上面介绍的几种常用的数据结构，collections 模块还提供了一些不太常用的数据结构，例如：
- ChainMap： 将多个字典或映射组合成一个逻辑单元，用于查找值。
- UserDict、UserList、UserString： 用于创建自定义的字典、列表和字符串类。
这些数据结构在特定的场景下也可能很有用，但使用频率相对较低。
