外觀
Data Science › Python Foundations › 核心資料型別
核心資料型別 (Core Data Types)
Python 內建容器只有幾種,但幾乎所有資料處理腳本都建立在它們上面。重點是知道什麼情境該選哪個容器,以及什麼時候改用 collections。
先看兩個軸:順序與可變性
| 型別 | 有序? | 可變? | 重複? | 取值方式 | 典型用途 |
|---|---|---|---|---|---|
list | 是 | 是 | 可 | index / slice | 一串會增刪改的資料 |
tuple | 是 | 否 | 可 | index / unpack | 固定結構的一筆記錄、多重回傳值、dict key |
dict | 插入順序(3.7+) | 是 | key 唯一 | key | 欄位名 → 值、mapping、JSON |
set | 否 | 是 | 不可 | 只能 in / 迭代 | 去重、membership test、集合運算 |
str | 是 | 否 | 可 | index / slice | 文字(不可變序列) |
| 操作 | list | set / dict |
|---|---|---|
x in container | O(n),逐一比對 | 平均 O(1),hash 查找 |
| 依位置取值 | O(1) | 不支援(set)/ 用 key(dict) |
若題目一直在做
x in ...、交集、差集(例如比對兩份基因 ID 清單),就該用set,不是list。
List
python
genes = ["TP53", "BRCA1"]
genes[0], genes[-1] # 'TP53', 'BRCA1'
genes.append("EGFR") # 加一個元素
genes.extend(["MYC", "KRAS"]) # 合併另一個 iterable
last = genes.pop() # 移除並回傳最後一個:'KRAS'
longer = genes + ["PTEN"] # + 是串接,產生新 list
copy_ = list(genes) # 淺複製(shallow copy),等同 genes.copy() / genes[:]
sorted(genes) # 回傳新 list,不改原資料
genes.sort() # 原地排序,回傳 None別名與淺複製 (Aliasing & Shallow Copy)
| 寫法 | 結果 |
|---|---|
b = a | 同一個物件,改 b 就是改 a |
b = a.copy() / list(a) | 新的外層 list,但內層物件仍共用 |
b = copy.deepcopy(a) | 連巢狀物件都複製 |
python
import copy
a = [[1, 2], [3, 4]]
b = a.copy()
b[0].append(99)
a # [[1, 2, 99], [3, 4]] 內層被一起改到
c = copy.deepcopy(a) # 完全獨立
grid = [[0] * 3] * 2 # 陷阱:兩列是同一個 list;改用 [[0] * 3 for _ in range(2)]NumPy 切片與 pandas 也有類似的共用記憶體問題,見 NumPy view vs copy 與 pandas Copy-on-Write。
Tuple
python
point = (25.03, 121.56)
chrom, pos = ("chr17", 7_675_088) # 解包 (unpacking)
first, *rest = (1, 2, 3, 4) # first=1, rest=[2, 3, 4]
pairs = list(zip(["A", "B"], [1, 2])) # [('A', 1), ('B', 2)]
for i, (name, n) in enumerate(pairs): # 同時取索引與值
...
single = ("butter",) # 單元素 tuple 靠逗號;("butter") 只是 str選 tuple 而不選 list 的理由:表達固定結構的記錄、不希望被意外修改、可當 dict key(只要內容都可 hash)。
String
字串不可變;大部分清理動作都會回傳新字串。
python
name = " Alice "
name.strip().lower() # 'alice'
f"{name.strip()} scored {0.8765:.2f}" # f-string 格式化:'Alice scored 0.88'
", ".join(["3", "4", "7"]) # '3, 4, 7':分隔符把 iterable 黏起來
"sample_01.fastq".endswith(".fastq") # True
"ATGC".replace("T", "U") # 'AUGC'規則變複雜時改用 regex,見 文字清理與正規表示式。
Dict
python
person = {"name": "Alice", "age": 30}
person["name"] # 'Alice'
person.get("email") # None:key 不存在不會報錯
person.get("email", "not found") # 指定預設值
person["city"] = "Taipei" # 新增 / 覆寫
person.update({"age": 31, "role": "analyst"})
person | {"age": 32} # 3.9+:合併成新 dict,右邊優先
for key, value in person.items():
...
{"AG32": 10, "AG32": 20}["AG32"] # 20:literal 裡重複的 key,後者覆蓋前者且不警告
profile = {"user": {"contact": {"email": "a@example.com"}}}
profile["user"]["contact"]["email"] # 巢狀結構常見於 JSON / API 回應dict[key]遇到不存在的 key 會丟KeyError;讀可能缺值的欄位用get()。- key 必須可 hash:
str、int、tuple可以,list、dict不行。
Set
python
s = set(["chr1", "chr2", "chr1"]) # {'chr1', 'chr2'}:去重
s.add("chrX")
s.update(["chr3", "chr4"])
s.discard("chr9") # 不存在也不報錯;remove() 會報 KeyError
a = {"TP53", "BRCA1", "EGFR"}
b = {"TP53", "MYC"}
a | b # 聯集 union
a & b # 交集 intersection:{'TP53'}
a - b # 差集 difference:{'BRCA1', 'EGFR'}
a ^ b # 對稱差:只出現在其中一邊
# s[0] # TypeError:set 不能用 index
sorted(s) # 要看排序結果先轉,回傳的是 listset 的迭代順序不保證,不要依賴它產生輸出順序;寫檔或比對前先
sorted(),結果才可重現。
數值型別 (Numeric Types)
| 型別 | 特性 | 用途 |
|---|---|---|
int | 任意精度,不會溢位 | 計數、索引、基因座位置 |
float | IEEE 754 雙精度,近似值 | 一般科學計算 |
Decimal | 十進位精確小數 | 金額、需要精確小數的計算 |
python
0.1 + 0.2 == 0.3 # False:浮點誤差
import math
math.isclose(0.1 + 0.2, 0.3) # True:比較浮點數用容差(numpy 用 np.isclose / np.allclose)
from decimal import Decimal
Decimal("19.99") * Decimal("1.05") # Decimal('20.9895');要從字串建,Decimal(19.99) 會帶入誤差collections:內建容器不夠用時
| 工具 | 用途 | 例子 |
|---|---|---|
Counter | 頻率統計 | k-mer、類別計數 |
defaultdict | 自動補預設值,免判斷 key 是否存在 | 分組收集、累加 |
namedtuple | 有欄位名的不可變記錄 | 輕量資料列(可變或需型別註記改用 dataclass,見 類別) |
deque | 兩端 O(1) 增刪 | 佇列、滑動視窗 |
python
from collections import Counter, defaultdict, namedtuple, deque
seq = "ATGCGATACGCTTGA"
kmers = Counter(seq[i:i + 3] for i in range(len(seq) - 2))
kmers.most_common(2) # 出現最多的兩個 3-mer
by_chrom = defaultdict(list)
for chrom, pos in [("chr1", 100), ("chr2", 50), ("chr1", 300)]:
by_chrom[chrom].append(pos) # {'chr1': [100, 300], 'chr2': [50]}
Variant = namedtuple("Variant", ["chrom", "pos", "ref", "alt"])
v = Variant("chr17", 7675088, "C", "T")
v.pos, v[0] # 7675088, 'chr17'
window = deque(maxlen=3) # 只保留最近 3 個元素選擇速查
| 需求 | 用 |
|---|---|
| 一串會增刪改、需要順序 / index | list |
| 一筆固定結構記錄、多重回傳值 | tuple / namedtuple |
| 欄位名對應值、查表 | dict |
| 去重、membership、集合比對 | set |
| 計數 | Counter |
| 分組收集 | defaultdict(list) |
| 大量同型別數值運算 | NumPy array(見 NumPy) |