pythondict內存

Ⅰ python dict字典類型內存佔用問題

應該吧文件切開來讀，一次讀一部分，read()括弧里寫讀取大小。否則一次性開到內存去，開銷灰常大，灰常不合算

Ⅱ Python中dict為什麼比list浪費內存

不知道你對c有沒有了解，python解釋器就是基於c寫的，這個兩個數據結構應該對應c的哈希表和數組。

因為哈希表需要額外內存記錄映射關系，而數組只需要通過索引就能計算出下一個節點的位置，所以哈希表佔用的內存比數組大，也就是dict比list佔用的內存大些。

不過使用python說明對性能沒有極端的要求，具體使用哪個主要還是要看項目的需要。

如果解決了您的問題請採納！
如果未解決請繼續追問

Ⅲ Python中內置數據類型list，tuple，dict，set的區別和用法

這篇文章主要給大家介紹了Python中內置數據類型list,tuple,dict,set的區別和用法，都是非常基礎的知識，十分的細致全面，有需要的小夥伴可以參考下。

Python語言簡潔明了，可以用較少的代碼實現同樣的功能。這其中Python的四個內置數據類型功不可沒，他們即是list, tuple, dict, set。這里對他們進行一個簡明的總結。
List
字面意思就是一個集合，在Python中List中的元素用中括弧[]來表示，可以這樣定義一個List:
L = [12, 'China', 19.998]

可以看到並不要求元素的類型都是一樣的。當然也可以定義一個空的List:
L = []

Python中的List是有序的，所以要訪問List的話顯然要通過序號來訪問，就像是數組的下標一樣，一樣是下標從0開始：
>>> print L[0]
12

千萬不要越界，否則會報錯
>>> print L[3]
Traceback (most recent call last):
File "<stdin>", line 1, in <mole>
IndexError: list index out of range

List也可以倒序訪問，通過「倒數第x個」這樣的下標來表示序號，比如-1這個下標就表示倒數第一個元素：
>>> L = [12, 'China', 19.998]
>>> print L[-1]
19.998

-4的話顯然就越界了
>>> print L[-4]

Traceback (most recent call last):
File "<pyshell#2>", line 1, in <mole>
print L[-4]
IndexError: list index out of range
>>>

List通過內置的append()方法來添加到尾部，通過insert()方法添加到指定位置（下標從0開始）：
>>> L = [12, 'China', 19.998]
>>> L.append('Jack')
>>> print L
[12, 'China', 19.998, 'Jack']
>>> L.insert(1, 3.14)
>>> print L
[12, 3.14, 'China', 19.998, 'Jack']
>>>

通過pop()刪除最後尾部元素，也可以指定一參數刪除指定位置：
>>> L.pop()
'Jack'
>>> print L
[12, 3.14, 'China', 19.998]
>>> L.pop(0)
12
>>> print L
[3.14, 'China', 19.998]

也可以通過下標進行復制替換
>>> L[1] = 'America'
>>> print L
[3.14, 'America', 19.998]

Tuple
Tuple可以看做是一種「不變」的List，訪問也是通過下標，用小括弧（）表示：
>>> t = (3.14, 'China', 'Jason')
>>> print t
(3.14, 'China', 'Jason')

但是不能重新賦值替換：
>>> t[1] = 'America'

Traceback (most recent call last):
File "<pyshell#21>", line 1, in <mole>
t[1] = 'America'
TypeError: 'tuple' object does not support item assignment

也沒有pop和insert、append方法。
可以創建空元素的tuple:
t = ()
或者單元素tuple (比如加一個逗號防止和聲明一個整形歧義):
t = (3.14,)
那麼tuple這個類型到底有什麼用處呢？要知道如果你希望一個函數返回多個返回值，其實只要返回一個tuple就可以了，因為tuple裡面的含有多個值，而且是不可變的（就像是java裡面的final）。當然，tuple也是可變的，比如:
>>> t = (3.14, 'China', 'Jason', ['A', 'B'])
>>> print t
(3.14, 'China', 'Jason', ['A', 'B'])
>>> L = t[3]
>>> L[0] = 122
>>> L[1] = 233
>>> print t
(3.14, 'China', 'Jason', [122, 233])

這是因為Tuple所謂的不可變指的是指向的位置不可變，因為本例子中第四個元素並不是基本類型，而是一個List類型，所以t指向的該List的位置是不變的，但是List本身的內容是可以變化的，因為List本身在內存中的分配並不是連續的。
Dict
Dict是Python中非常重要的數據類型，就像它的字面意思一樣，它是個活字典，其實就是Key-Value鍵值對，類似於HashMap，可以用花括弧{}通過類似於定義一個C語言的結構體那樣去定義它：
>>> d = {
'Adam': 95,
'Lisa': 85,
'Bart': 59,
'Paul': 75
}
>>> print d
{'Lisa': 85, 'Paul': 75, 'Adam': 95, 'Bart': 59}

可以看到列印出來的結果都是Key:Value的格式，可以通過len函數計算它的長度（List，tuple也可以）：
>>> len(d)
4
可以直接通過鍵值對方式添加dict中的元素：
>>> print d
{'Lisa': 85, 'Paul': 75, 'Adam': 95, 'Bart': 59}
>>> d['Jone'] = 99
>>> print d
{'Lisa': 85, 'Paul': 75, 'Adam': 95, 'Jone': 99, 'Bart': 59}

List和Tuple用下標來訪問內容，而Dict用Key來訪問： (字元串、整型、浮點型和元組tuple都可以作為dict的key)
>>> print d['Adam']
95

如果Key不存在，會報錯：
>>> print d['Jack']

Traceback (most recent call last):
File "<pyshell#40>", line 1, in <mole>
print d['Jack']
KeyError: 'Jack'

所以訪問之前最好先查詢下key是否存在：
>>> if 'Adam' in d : print 'exist key'

exist key

或者直接用保險的get方法：
>>> print d.get('Adam')
95
>>> print d.get('Jason')
None

至於遍歷一個dict，實際上是在遍歷它的所有的Key的集合，然後用這個Key來獲得對應的Value:
>>> for key in d : print key, ':', d.get(key)

Lisa : 85
Paul : 75
Adam : 95
Bart : 59

Dict具有一些特點：
查找速度快。無論是10個還是10萬個，速度都是一樣的，但是代價是耗費的內存大。List相反，佔用內存小，但是查找速度慢。這就好比是數組和鏈表的區別，數組並不知道要開辟多少空間，所以往往開始就會開辟一個大空間，但是直接通過下標查找速度快；而鏈表佔用的空間小，但是查找的時候必須順序的遍歷導致速度很慢
沒有順序。Dict是無順序的，而List是有序的集合，所以不能用Dict來存儲有序集合
Key不可變，Value可變。一旦一個鍵值對加入dict後，它對應的key就不能再變了，但是Value是可以變化的。所以List不可以當做Dict的Key，但是可以作為Value:

>>> print d
{'Lisa': 85, 'Paul': 75, 'Adam': 95, 'Jone': 99, 'Bart': 59}
>>> d['NewList'] = [12, 23, 'Jack']
>>> print d
{'Bart': 59, 'NewList': [12, 23, 'Jack'], 'Adam': 95, 'Jone': 99, 'Lisa': 85, 'Paul': 75}

Key不可重復。（下面例子中添加了一個'Jone':0，但是實際上原來已經有'Jone'這個Key了，所以僅僅是改了原來的value）

>>> print d
{'Bart': 59, 'NewList': [12, 23, 'Jack'], 'Adam': 95, 'Jone': 99, 'Lisa': 85, 'Paul': 75}
>>> d['Jone'] = 0
>>> print d
{'Bart': 59, 'NewList': [12, 23, 'Jack'], 'Adam': 95, 'Jone': 0, 'Lisa': 85, 'Paul': 75}

Dict的合並，如何將兩個Dict合並為一個，可以用dict函數：
>>> d1 = {'mike':12, 'jack':19}
>>> d2 = {'jone':22, 'ivy':17}
>>> dMerge = dict(d1.items() + d2.items())
>>> print dMerge
{'mike': 12, 'jack': 19, 'jone': 22, 'ivy': 17}

或者
>>> dMerge2 = dict(d1, **d2)
>>> print dMerge2
{'mike': 12, 'jack': 19, 'jone': 22, 'ivy': 17}

方法2比方法1速度快很多，方法2等同於：
>>> dMerge3 = dict(d1)
>>> dMerge3.update(d2)
>>> print dMerge
{'mike': 12, 'jack': 19, 'jone': 22, 'ivy': 17}

set
set就像是把Dict中的key抽出來了一樣，類似於一個List，但是內容又不能重復，通過調用set()方法創建：
>>> s = set(['A', 'B', 'C'])
就像dict是無序的一樣，set也是無序的，也不能包含重復的元素。
對於訪問一個set的意義就僅僅在於查看某個元素是否在這個集合裡面：
>>> print 'A' in s
True
>>> print 'D' in s
False

大小寫是敏感的。
也通過for來遍歷：
s = set([('Adam', 95), ('Lisa', 85), ('Bart', 59)])
#tuple
for x in s:
print x[0],':',x[1]

>>>
Lisa : 85
Adam : 95
Bart : 59

通過add和remove來添加、刪除元素（保持不重復），添加元素時，用set的add()方法：
>>> s = set([1, 2, 3])
>>> s.add(4)
>>> print s
set([1, 2, 3, 4])

如果添加的元素已經存在於set中，add()不會報錯，但是不會加進去了：
>>> s = set([1, 2, 3])
>>> s.add(3)
>>> print s
set([1, 2, 3])

刪除set中的元素時，用set的remove()方法：
>>> s = set([1, 2, 3, 4])
>>> s.remove(4)
>>> print s
set([1, 2, 3])

如果刪除的元素不存在set中，remove()會報錯：
>>> s = set([1, 2, 3])
>>> s.remove(4)
Traceback (most recent call last):
File "<stdin>", line 1, in <mole>
KeyError: 4

所以如果我們要判斷一個元素是否在一些不同的條件內符合，用set是最好的選擇，下面例子：
months = set(['Jan','Feb','Mar','Apr','May','Jun','Jul','Aug','Sep','Oct','Nov','Dec',])
x1 = 'Feb'
x2 = 'Sun'

if x1 in months:
print 'x1: ok'
else:
print 'x1: error'

if x2 in months:
print 'x2: ok'
else:
print 'x2: error'

>>>
x1: ok
x2: error

Ⅳ python 如何計算一個數組所佔的內存

list類似於
Vector
對象和
指針數組
是分開分配的，數組是在堆上。指針數組的大小是動態分配的，分配的內存肯定要多於實際的。既然是動態分配的，那麼realloc調整大小就會移動數據，復制數據，大量數據還是用
鏈表
比較好。
dict類似於
Hash
table
字典本身默認有元素容量，不夠的才去堆上分配。需要擴容或者收縮，就會動態重新分配內存，重新hash。dict的keys()等調用生成list
如果數量很大，建議用
迭代器
。

Ⅳ python的內存問題該這么解決

1.沒有開gc，或者gc設為debug狀態，導致交叉引用沒有被回收調
2.如果一個數據在邏輯上不應該存在，但是因為代碼上沒有做相關清除操作，導致他還存在，也是一種泄漏
舉個栗子，例如我要記錄最近50天的某個基金的日化收益率，定義一個全局的字典global_dict，運行了一個腳本進行計算，沒10分鍾算一次，但是我沒有進行clear操作，每次的計算只是單純的賦值dict[date] = rate，按理來說dict["五十天前"]的收益率都是不需要的，就是一種泄漏。
3.這種情況出現在python3.4之前，因為3.4已經修復了，是這樣的，如果一個類定義了__del__，並且該類存在循環引用的情況，這時候gc就會把這個類放在gc.garbage當中，不會去做回收，可以說是跳出了分代回收的機制，但是3.4之後的版本就沒有這種情況，會把他回收調。

Ⅵ python 的 dict真的不會隨著key的增加而變慢嗎

當然會啊。不管你用什麼數據結構，只要你內存用的越來越多，肯定會導致的cache miss增大的，從而讓整體性能下降。如果用的更多，就會開始用硬碟來做內存，那就更慢了（逃。如果還繼續用，你就得修改你的程序的架構，做分布式的東西了。現在內存匯流排變成了網線，慢的一比。
相比起不會數據結構的，我覺得那些學了數據結構然後就覺得系數無所謂的，更不能要。

Ⅶ 如何用python dict存儲大量數據

我們以往的經驗，生成對比信息的字典代碼如下：

def getCurrentCompareMessageDict0(dict0, dict1):
'''未被優化的獲取當前對比信息字典'''
dlist0=list(dict0.keys())
dlist1=list(dict1.keys())
dict2={}
for i in range(len(dlist1)):
if dlist1[i] not in dlist0:
key=dlist1[i]
value=[0, dict1[dlist1[i]]]
dict2[key]=value
else:
if dict1[dlist1[i]]/100.0 != dict0[dlist1[i]]:
key=dlist1[i]
value=[dict0[dlist1[i]], dict1[dlist1[i]]]
dict2[key]=value
return dict2
即，先構建兩個dict的key列表。

然後，以key列表的長度為上限，進行for循環，採用DICT[KEY]的方式來進行列表數據的篩選。
這個方法的運行是超級慢的。

Ⅷ python中flask如何降低內存

Dict
在小型程序中，特別是在腳本中，使用Python自帶的dict來表示結構信息非常簡單方便：

>>> ob = {'x':1, 'y':2, 'z':3}

>>> x = ob['x']

>>> ob['y'] = y

由於在Python 3.6中dict的實現採用了一組有序鍵，因此其結構更為緊湊，更深得人心。但是，讓我們看看dict在內容中佔用的空間大小：

>>> print(sys.getsizeof(ob))

240

如上所示，dict佔用了大量內存，尤其是如果突然虛需要創建大量實例時：

實例數

對象大小

1 000 000

240 Mb

10 000 000

2.40 Gb

100 000 000

24 Gb

類實例

有些人希望將所有東西都封裝到類中，他們更喜歡將結構定義為可以通過屬性名訪問的類：

class Point:

#

def __init__(self, x, y, z):

self.x = x

self.y = y

self.z = z

>>> ob = Point(1,2,3)

>>> x = ob.x

>>> ob.y = y

類實例的結構很有趣：

欄位

大小(比特)

PyGC_Head

24

PyObject_HEAD

16

__weakref__

8

__dict__
8

合計：

56

在上表中，__weakref__是該列表的引用，稱之為到該對象的弱引用(weak reference)；欄位__dict__是該類的實例字典的引用，其中包含實例屬性的值(注意在64-bit引用平台中佔用8位元組)。從Python3.3開始，所有類實例的字典的鍵都存儲在共享空間中。這樣就減少了內存中實例的大小：

>>> print(sys.getsizeof(ob), sys.getsizeof(ob.__dict__))

56 112

因此，大量類實例在內存中佔用的空間少於常規字典(dict)：

實例數

大小

1 000 000
168 Mb
10 000 000
1.68 Gb
100 000 000

16.8 Gb

不難看出，由於實例的字典很大，所以實例依然佔用了大量內存。

帶有__slots__的類實例

為了大幅降低內存中類實例的大小，我們可以考慮幹掉__dict__和__weakref__。為此，我們可以藉助 __slots__：

class Point:

__slots__ = 'x', 'y', 'z'

def __init__(self, x, y, z):

self.x = x

self.y = y
self.z = z
>>> ob = Point(1,2,3)
>>> print(sys.getsizeof(ob))

64

如此一來，內存中的對象就明顯變小了：

欄位

大小(比特)

PyGC_Head

24

PyObject_HEAD
16
x
8

y

8
z
8
總計：

64

在類的定義中使用了__slots__以後，大量實例占據的內存就明顯減少了：

實例數

大小

1 000 000

64 Mb

10 000 000

640 Mb

100 000 000
6.4 Gb
目前，這是降低類實例佔用內存的主要方式。
這種方式減少內存的原理為：在內存中，對象的標題後面存儲的是對象的引用(即屬性值)，訪問這些屬性值可以使用類字典中的特殊描述符：

>>> pprint(Point.__dict__)

mappingproxy(

....................................

'x': ,

'y': ,

'z': })

為了自動化使用__slots__創建類的過程，你可以使用庫namedlist(https://pypi.org/project/namedlist)。namedlist.namedlist函數可以創建帶有__slots__的類：

>>> Point = namedlist('Point', ('x', 'y', 'z'))

還有一個包attrs(https://pypi.org/project/attrs)，無論使用或不使用__slots__都可以利用這個包自動創建類。

元組

Python還有一個自帶的元組(tuple)類型，代表不可修改的數據結構。元組是固定的結構或記錄，但它不包含欄位名稱。你可以利用欄位索引訪問元組的欄位。在創建元組實例時，元組的欄位會一次性關聯到值對象：

>>> ob = (1,2,3)

>>> x = ob[0]

>>> ob[1] = y # ERROR

元組實例非常緊湊：

>>> print(sys.getsizeof(ob))

72

由於內存中的元組還包含欄位數，因此需要佔據內存的8個位元組，多於帶有__slots__的類：

欄位

大小(位元組)

PyGC_Head

24

PyObject_HEAD

16

ob_size

8

[0]

8

[1]

8

[2]
8
總計：
72
命名元組

由於元組的使用非常廣泛，所以終有一天你需要通過名稱訪問元組。為了滿足這種需求，你可以使用模塊collections.namedtuple。

namedtuple函數可以自動生成這種類：

>>> Point = namedtuple('Point', ('x', 'y', 'z'))

如上代碼創建了元組的子類，其中還定義了通過名稱訪問欄位的描述符。對於上述示例，訪問方式如下：
class Point(tuple):
#

@property

def _get_x(self):

return self[0]
@property
def _get_y(self):

return self[1]

@property

def _get_z(self):
return self[2]
#
def __new__(cls, x, y, z):
return tuple.__new__(cls, (x, y, z))
這種類所有的實例所佔用的內存與元組完全相同。但大量的實例佔用的內存也會稍稍多一些：

實例數

大小
1 000 000
72 Mb

10 000 000

720 Mb

100 000 000

7.2 Gb

記錄類：不帶循環GC的可變更命名元組

由於元組及其相應的命名元組類能夠生成不可修改的對象，因此類似於ob.x的對象值不能再被賦予其他值，所以有時還需要可修改的命名元組。由於Python沒有相當於元組且支持賦值的內置類型，因此人們想了許多辦法。在這里我們討論一下記錄類(recordclass，https://pypi.org/project/recordclass)，它在StackoverFlow上廣受好評(https://stackoverflow.com/questions/29290359/existence-of-mutable-named-tuple-in)。

此外，它還可以將對象佔用的內存量減少到與元組對象差不多的水平。

recordclass包引入了類型recordclass.mutabletuple，它幾乎等價於元組，但它支持賦值。它會創建幾乎與namedtuple完全一致的子類，但支持給屬性賦新值(而不需要創建新的實例)。recordclass函數與namedtuple函數類似，可以自動創建這些類：

>>>Point = recordclass('Point', ('x', 'y', 'z'))

>>>ob = Point(1, 2, 3)

類實例的結構也類似於tuple，但沒有PyGC_Head：

欄位

大小(位元組)

PyObject_HEAD

16

ob_size

8

x

8

y

8

z
8
總計：
48
在默認情況下，recordclass函數會創建一個類，該類不參與垃圾回收機制。一般來說，namedtuple和recordclass都可以生成表示記錄或簡單數據結構(即非遞歸結構)的類。在Python中正確使用這二者不會造成循環引用。因此，recordclass生成的類實例默認情況下不包含PyGC_Head片段(這個片段是支持循環垃圾回收機制的必需欄位，或者更准確地說，在創建類的PyTypeObject結構中，flags欄位默認情況下不會設置Py_TPFLAGS_HAVE_GC標志)。

大量實例佔用的內存量要小於帶有__slots__的類實例：

實例數

大小

1 000 000

48 Mb10 000 000

480 Mb

100 000 000
4.8 Gb
dataobject
recordclass庫提出的另一個解決方案的基本想法為：內存結構採用與帶__slots__的類實例同樣的結構，但不參與循環垃圾回收機制。這種類可以通過recordclass.make_dataclass函數生成：
>>> Point = make_dataclass('Point', ('x', 'y', 'z'))

這種方式創建的類默認會生成可修改的實例。

另一種方法是從recordclass.dataobject繼承：

class Point(dataobject):

x:int

y:int

z:int

這種方法創建的類實例不會參與循環垃圾回收機制。內存中實例的結構與帶有__slots__的類相同，但沒有PyGC_Head：

欄位

大小(位元組)

PyObject_HEAD

16

ob_size

8

x

8

y

8

z

8

總計：

48

>>> ob = Point(1,2,3)

>>> print(sys.getsizeof(ob))

40

如果想訪問欄位，則需要使用特殊的描述符來表示從對象開頭算起的偏移量，其位置位於類字典內：

mappingproxy({'__new__': ,

.......................................

'x': ,

'y': ,

'z': })

大量實例佔用的內存量在CPython實現中是最小的：

實例數

大小

1 000 000

40 Mb

10 000 000

400 Mb

100 000 000

4.0 Gb

Cython

還有一個基於Cython(https://cython.org/)的方案。該方案的優點是欄位可以使用C語言的原子類型。訪問欄位的描述符可以通過純Python創建。例如：

cdef class Python:

cdef public int x, y, z

def __init__(self, x, y, z):

self.x = x

self.y = y

self.z = z

本例中實例佔用的內存更小：

>>> ob = Point(1,2,3)

>>> print(sys.getsizeof(ob))

32

內存結構如下：

欄位

大小(位元組)

Ⅸ python dict 實現原理 2019-04-17

dict對象是Python中一個原始的數據類型，按照鍵值對的方式存儲，中文名為字典，其通過鍵名查找對應的值有很高的效率，時間復雜度在常數級別O(1)。Python dict的底層是依靠哈希表(Hash Table)進行實現的，使用開放地址法解決沖突。所以其查找的時間復雜度會是O(1)，why？

哈希表是key-value類型的數據結構，通過關鍵碼值直接進行訪問。通過散列函數進行鍵和數組的下標映射從而決定該鍵值應該放在哪個位置，哈希表可以理解為一個鍵值需要按一定規則存放的數組，而哈希函數就是這個規則。

演算法中時間和空間是不能兼得的，哈希表就是一種用合理的時間消耗去減少大量空間消耗的操作，這取決於具體的功能要求。

創建一個數組，數組下標是索引號，數組中的值是要獲得的數據，這樣只需要O(1)的時間復雜度就可以完成操作，但是擴展性不強，有以下兩個方面的考慮：
-1- 新添加的元素超出數組索引范圍，這就需要重新申請數組進行遷移操作。
-2- 假設一種極端的情況：只存在兩個元素，索引號分別是1和100000000001，按照先前的設計思路，會浪費很大的存儲空間。
會不會存在一個方法，為已有的索引創建新的索引，通過壓縮位數，讓新索引可以和原有的大范圍的稀疏索引進行一一對應，新索引所需要的存儲空間要大大減小，這就是哈希思想。

上面的例子中哈希函數的設計很隨意，但是從這個例子中我們也可以得到信息：
哈希函數就是一個映射，因此哈希函數的設定很靈活，只要使得任何關鍵字由此所得的哈希函數值都落在表長允許的范圍之內即可；
因為新的索引對舊的索引進行了空間上的壓縮，所以不可能所有的輸入都只對應唯一一個輸出，也就是哈希函數式有可能發生沖突的，哈希函數不可能做成一對一的映射關系，其本質是一個多對一的映射。

直接定址法：很容易理解，key=Value+C； 這個「C」是常量。Value+C其實就是一個簡單的哈希函數。
除法取余法： 很容易理解， key=value%C;解釋同上。
數字分析法：這種蠻有意思，比如有一組value1=112233，value2=112633，value3=119033，針對這樣的數我們分析數中間兩個數比較波動，其他數不變。那麼我們取key的值就可以是key1=22,key2=26,key3=90。
平方取中法。此處忽略，見名識意。
折疊法：這種蠻有意思,比如value=135790，要求key是2位數的散列值。那麼我們將value變為13+57+90=160，然後去掉高位「1」,此時key=60，哈哈，這就是他們的哈希關系，這樣做的目的就是key與每一位value都相關，來做到「散列地址」盡可能分散的目地。

當兩個不同的數據元素的哈希值相同時，就會發生沖突。解決沖突常用的手法有2種：
開放地址法：
如果兩個數據元素的哈希值相同，則在哈希表中為後插入的數據元素另外選擇一個表項。當程序查找哈希表時，如果沒有在第一個對應的哈希表項中找到符合查找要求的數據元素，程序就會繼續往後查找，直到找到一個符合查找要求的數據元素，或者遇到一個空的表項。
鏈接法：
將哈希值相同的數據元素存放在一個鏈表中，在查找哈希表的過程中，當查找到這個鏈表時，必須採用線性查找方法。

python的dict採用了哈希表，最低能在 O(1)時間內完成搜索，在發生哈希沖突的時候採用的是開放定址法。java的HashMap也是採用了哈希表實現，但是在發生哈希沖突的時候採用的是鏈接法。

Ⅹ python中list和字典在內存佔用上有哪些區別

list類似於 Vector
對象和指針數組是分開分配的，數組是在堆上。指針數組的大小是動態分配的，分配的內存肯定要多於實際的。既然是動態分配的，那麼realloc調整大小就會移動數據，復制數據，大量數據還是用鏈表比較好。

dict類似於 Hash table
字典本身默認有元素容量，不夠的才去堆上分配。需要擴容或者收縮，就會動態重新分配內存，重新hash。dict的keys()等調用生成list 如果數量很大，建議用迭代器。