Python数据结构学习重在理解设计原理与适用场景：字典基于哈希表，需注意可哈希性、扩容开销及键的正确实现；列表头部操作低效，应优先用deque；集合宜预构建而非循环内创建；命名元组与dataclass兼顾可读性与性能。
Python数据结构的学习，关键不在背语法，而在理解“为什么这样设计”以及“在什么场景下最有效”。第35讲聚焦核心原理与真实问题的结合，不是罗列list、dict、set的用法，而是带你看到底层机制如何影响你的代码性能、可读性和健壮性。
从哈希表原理看字典为何快——不只是“平均O(1)”
Python的dict底层是开放寻址法实现的哈希表。这意味着：键必须可哈希（不可变）、冲突会引发探测序列、扩容时会重建整个表。实际开发中，如果你频繁对字典做大量插入+删除，又没预估好大小，可能触发多次rehash，反而比预分配列表慢。
- 技巧：初始化大字典时，用dict.fromkeys(keys, default)比循环赋值更高效
- 注意：自定义类作字典键时，务必同时实现__hash__和__eq__，否则逻辑错乱
- 验证：用sys.getsizeof(my_dict)观察内存占用变化，感受扩容临界点
列表的连续内存 vs. 链表直觉——何时该换deque
list看似像链表，实则基于动态数组。尾部操作O(1)，头部插入/删除却是O(n)——因为要整体平移元素。如果你写的是消息队列、滑动窗口或BFS遍历，用list.pop(0)就是隐形性能杀手。
- 替换方案：导入from collections import deque，它用双向链表+块内存实现，两端操作稳定O(1)
- 实战判断：只要代码里出现list.insert(0, x)或list.pop(0)，立刻检查是否可换成deque.appendleft()/popleft()
- 小提醒：deque不支持切片（如d[1:5]），需要转list再操作
集合去重背后的代价——别在循环里反复构造set
set查找快，但创建set本身有开销：要计算每个元素哈希值、处理冲突、分配内存。常见反模式是“for item in data: if item not in set(...): ...”，每次迭代都新建一个set。
立即学习“Python免费学习笔记（深入）”；
- 正确做法：把待查集合提前构建好，比如valid_ids = set(config['allowed'])，再进循环
- 进阶技巧：用frozenset替代set做静态查找集，避免误修改，也稍省内存
- 调试提示：用%timeit对比x in {1,2,3}和x in [1,2,3]，差距在数据量>100后急剧放大
命名元组与数据类——让结构体真正“自我说明”
用tuple存多字段数据（如(name, age, city)）节省内存，但可读性差；用dict灵活却失去结构约束。namedtuple和dataclass是折中解：既有属性名语义，又保持轻量或可扩展。
- 轻量只读场景：用from collections import namedtuple，如Point = namedtuple('Point', ['x', 'y'])
- 需默认值/方法/类型提示：直接上from dataclasses import dataclass，一行@dataclass就能生成__init__/__repr__
- 关键区别：namedtuple实例不可变，dataclass默认可变；但dataclass加@dataclass(frozen=True)也能冻结
掌握这些，你写的就不是“能跑的代码”，而是“经得起压测、改得清逻辑、看得懂意图”的数据结构实践。不复杂但容易忽略。
