python+tuple类型

不少程序员都抱怨 Python 代码跑的慢，尤其是当处理的数据集比较大的时候。对此，本文作者指出：只需不到 100 行 Rust 代码就能解决这个问题。

原文链接：https://ohadravid.github.io/posts/2023-03-rusty-python/

未经授权，禁止转载！

作者 | Ohad Ravid译者 | 弯月 责编 | 郑丽媛出品 | CSDN（ID：CSDNnews）

最近，我们的一个核心 Python 库遇到了性能问题。这是一个非常庞大且复杂的库，是我们 3D 处理管道的支柱，使用了 NumPy 以及其他 Python 数据科学库来执行各种数学和几何运算。

具体来说，我们的系统必须在 CPU 资源有限的情况下在本地运行，虽然起初的性能还不错，但随着并发用户数量的增长，我们开始遇到问题，系统也出现了超负载。

我们得出的结论是：系统至少需要再快 50 倍才能处理这些增加的工作负载——而我们认为，Rust 可以帮助我们实现这一目标。

因为我们遇到的性能问题很常见，所以下面，我来简单介绍一下解决过程：

（a）基本的潜在问题；

（b）我们可以通过哪些优化来解决这个问题。

我们的运行示例

首先，我们通过一个小型库来展示最初的性能问题。

假设有一个多边形列表和一个点列表，且都是二维的，出于业务需求，我们需要将每个点“匹配”到一个多边形。

我们的库需要完成下列任务：

▶ 从点和多边形的初始列表（全部为 2D）着手。

▶ 对于每个点，根据与中心的距离，找到离点最近的多边形的子集。

▶ 从这些多边形中，选择一个“最佳”多边形。

代码大致如下：

from typing import List, Tupleimport numpy as npfrom dataclasses import dataclassfrom functools import cached_propertyPoint = np.array@dataclassclass Polygon:x: np.arrayy: np.array@cached_propertydef center(self) -> Point: ...def area(self) -> float: ...def find_close_polygons(polygon_subset: List[Polygon], point: Point, max_dist: float) -> List[Polygon]:...def select_best_polygon(polygon_sets: List[Tuple[Point, List[Polygon]]]) -> List[Tuple[Point, Polygon]]:...def main(polygons: List[Polygon], points: np.ndarray) -> List[Tuple[Point, Polygon]]:...

性能方面最主要的难点在于，Python 对象和 numpy 数组的混合。

下面，我们简单地分析一下这个问题。

需要注意的是，对于上面这段代码，我们当然可以把一切都转化成 numpy 的向量计算，但真正的库不可能这么做，因为这会导致代码的可读性和可修改性大大降低，收益也非常有限。此外，使用任何基于 JIT 的技巧（PyPy / numba）产生的收益都非常小。

为什么不直接使用 Rust 重写所有代码？

虽然重写所有代码很诱人，但有一些问题：

▶ 该库的大量计算使用了 numpy，Rust 也不一定能提高性能。

▶ 该库庞大而复杂，关系到核心业务逻辑，而且高度算法化，因此重写所有代码需要付出几个月的努力，而我们可怜的本地服务器眼看就要挂了。

▶ 一群好心的研究人员积极努力改进这个库，实现了更好的算法，并进行了大量实验。他们不太愿意学习一门新的编程语言，而且还要等待编译，还要研究复杂的借用检查器——他们不希望离开舒适区太远。

小心探索

下面，我来介绍一下我们的分析器。

Python 有一个内置的 Profiler (cProfile)，但对于我们来说，选择这个工具不太合适：

▶它会为所有 Python 代码引入大量开销，却不会给原生代码带来额外开销，因此测试结果可能有偏差。

▶我们将无法查看原生代码的调用帧，这意味着我们也无法查看 Rust 代码。

所以，我们计划使用 py-spy，它是一个采样分析器，可以查看原生帧。他们还将预构建的轮子发布到了 pypi，因此我们只需运行 pip install py-spy 即可。

此外，我们还需要一些测量指标。

# measure.pyimport timeimport poly_matchimport os# Reduce noise, actually improve perf in our case.os.environ["OPENBLAS_NUM_THREADS"] = "1"polygons, points = poly_match.generate_example()# We are going to increase this as the code gets faster and faster.NUM_ITER = 10t0 = time.perf_counter()for _ in range(NUM_ITER):poly_match.main(polygons, points)t1 = time.perf_counter()took = (t1 - t0) / NUM_ITERprint(f"Took and avg of {took * 1000:.2f}ms per iteration")

这些测量指标虽然不是很科学，但可以帮助我们优化性能。

运行该脚本，我们就可以获得测量基准：

$ python measure.pyTook an avg of 293.41ms per iteration

对于原来的库，我们使用了 50 个不同的样本来确保涵盖所有情况。

这个测量结果与实际的系统性能相符，这意味着，我们的工作就是突破这个数字。

我们还可以使用 PyPy 进行测量：

$ conda create -n pypyenv -c conda-forge pypy numpy && conda activate pypyenv$ pypy measure_with_warmup.pyTook an avg of 1495.81ms per iteration

先测量

首先，我们来找出什么地方如此之慢。

$py-spy record --native -o profile.svg -- python measure.py Sampling process 100 times a second. Press Control-C to exit.Took an avg of 365.43ms per iteration Stopped sampling because process exited Wrote flamegraph data to 'profile.svg'. Samples: 391 Errors: 0

我们可以看到开销非常小。相较而言，使用 cProfile 得到的数据如下：

$ python -m cProfile measure.pyTook an avg of 546.47ms per iteration7551778 function calls (7409483 primitive calls) in 7.806 seconds…

下面是我们获得的火焰图：

每个方框都是一个函数，我们可以看到每个函数花费的相对时间，包括它正在调用的函数（沿着图形/栈向下）。

要点总结：

▶ 绝大部分时间花在 find_close_polygons 上。

▶ 大部分时间都花在执行 norm，这是一个 numpy 函数。

下面，我们来仔细看看 find_close_polygons：

def find_close_polygons(polygon_subset: List[Polygon], point: np.array, max_dist: float) -> List[Polygon]:close_polygons = []for poly in polygon_subset:if np.linalg.norm(poly.center - point) < max_dist:close_polygons.append(poly)return close_polygons

我们打算用 Rust 重写这个函数。

在深入细节之前，请务必注意以下几点：

▶ 此函数接受并返回复杂对象（Polygon、np.array）。

▶ 对象的大小非常重要（因此复制需要一定的开销）。

▶ 这个函数被调用了很多次（所以我们引入的开销可能会引发问题）。

我的第一个 Rust 模块

PyO3 是一个用于 Python 和 Rust 之间交互的 crate ，拥有非常好的文档。

我们将调用自己的 poly_match_rs，并添加一个名为 find_close_polygons 的函数。

mkdir poly_match_rs && cd "$_"pip install maturinmaturin init --bindings pyo3maturin develop

刚开始的时候，我们的 crate 大致如下：

use pyo3::prelude::*;#[pyfunction]fn find_close_polygons() -> PyResult)> {Ok(())}#[pymodule]fn poly_match_rs(_py: Python, m: &PyModule) -> PyResult {m.add_function(wrap_pyfunction!(find_close_polygons, m)?)?;Ok(())}

我们还需要记住，每次修改 Rust 库时都需要执行 maturin develop。

改动就这么多。下面，我们来调用新函数，看看情况会怎样。

>>> poly_match_rs.find_close_polygons(polygons, point, max_dist)E TypeError: poly_match_rs.poly_match_rs.find_close_polygons() takes no arguments (3 given)

第一版：Rust 转换

首先，我们来定义 API。

PyO3 可以帮助我们将 Python 转换成 Rust：

#[pyfunction]fn find_close_polygons(polygons: Vec, point: PyObject, max_dist: f64) -> PyResult>> {Ok(vec![])}

PyObject （顾名思义）是一个通用、“一切皆有可能”的 Python 对象。稍后，我们将尝试与它进行交互。

这样程序应该就可以运行了（尽管不正确）。

我直接把原来的 Python 函数复制粘帖进去，并修复了语法问题。

#[pyfunction]fn find_close_polygons(polygons: Vec, point: PyObject, max_dist: f64) -> PyResult> {let mut close_polygons = vec![];for poly in polygons {if norm(poly.center - point) < max_dist {close_polygons.push(poly)}}Ok(close_polygons)}

可惜未能通过编译：

% maturin develop...error[E0609]: no field `center` on type `Py`--> src/lib.rs:8:22|8 | if norm(poly.center - point) < max_dist {| ^^^^^^ unknown fielderror[E0425]: cannot find function `norm` in this scope--> src/lib.rs:8:12|8 | if norm(poly.center - point) < max_dist {| ^^^^ not found in this scopeerror: aborting due to 2 previous errors ] 58/59: poly_match_rs

我们需要 3 个 crate 才能实现函数：

# For Rust-native array operations.ndarray = "0.15"# For a `norm` function for arrays.ndarray-linalg = "0.16"# For accessing numpy-created objects, based on `ndarray`.numpy = "0.18"

首先，我们将 point: PyObject 转换成可以使用的东西。

我们可以利用 PyO3 来转换 numpy 数组：

use numpy::PyReadonlyArray1;#[pyfunction]fn find_close_polygons(// An object which says "I have the GIL", so we can access Python-managed memory.py: Python,polygons: Vec,// A reference to a numpy array we will be able to access.point: PyReadonlyArray1,max_dist: f64,) -> PyResult<Vec<PyObject>> {// Convert to `ndarray::ArrayView1`, a fully operational native array.let point = point.as_array();...}

现在 point 变成了 ArrayView1，我们可以直接使用了。例如：

// Make the `norm` function available.use ndarray_linalg::Norm;assert_eq!((point.to_owned() - point).norm(), 0.);

接下来，我们需要获取每个多边形的中心，然后将其转换成 ArrayView1。

let center = poly.getattr(py, "center")? // Python-style getattr, requires a GIL token (`py`)..extract::>(py)? // Tell PyO3 what to convert the result to..as_array() // Like `point` before..to_owned(); // We need one of the sides of the `-` to be "owned".

虽然信息量有点大，但总的来说，结果就是逐行转换原来的代码：

use pyo3::prelude::*;use ndarray_linalg::Norm;use numpy::PyReadonlyArray1;#[pyfunction]fn find_close_polygons(py: Python,polygons: Vec,point: PyReadonlyArray1,max_dist: f64,) -> PyResult> {let mut close_polygons = vec![];let point = point.as_array();for poly in polygons {let center = poly.getattr(py, "center")?.extract::>(py)?.as_array().to_owned();if (center - point).norm() < max_dist {close_polygons.push(poly)}}Ok(close_polygons)}

对比一下原来的代码：

def find_close_polygons(polygon_subset: List[Polygon], point: np.array, max_dist: float) -> List[Polygon]:close_polygons = []for poly in polygon_subset:if np.linalg.norm(poly.center - point) < max_dist:close_polygons.append(poly)return close_polygons

我们希望这个版本优于原来的函数，但究竟有多少提升呢？

$ (cd ./poly_match_rs/ && maturin develop)$ python measure.pyTook an avg of 609.46ms per iteration

看起来 Rust 非常慢？实则不然，使用maturin develop --release运行，就能获得更好的结果：

$ (cd ./poly_match_rs/ && maturin develop --release)$ python measure.pyTook an avg of 23.44ms per iteration

这个速度提升很不错啊。

我们还想查看我们的原生代码，因此发布时需要启用调试符号。即便启用了调试，我们也希望看到最大速度。

# added to Cargo.toml[profile.release]debug = true # Debug symbols for our profiler.lto = true # Link-time optimization.codegen-units = 1 # Slower compilation but faster code.

第二版：用 Rust 重写更多代码

接下来，在 py-spy 中通过 --native 标志，查看 Python 代码与新版的原生代码。

再次运行 py-spy：

$ py-spy record --native -o profile.svg -- python measure.py Sampling process 100 times a second. Press Control-C to exit.

这次得到的火焰图如下所示（添加红色之外的颜色，以方便参考）：

看看分析器的输出，我们发现了一些有趣的事情：

1.find_close_polygons::...::trampoline（Python 直接调用的符号）和__pyfunction_find_close_polygons（我们的实现）的相对大小。

▶ 可以看到二者分别占据了样本的 95% 和 88%，因此额外开销非常小。

2.实际逻辑(if (center - point).norm() < max_dist { ... }) 是 lib_v1.rs:22（右侧非常小的框），大约占总运行时间的 9%。

▶ 所以应该可以实现 10 倍的提升。

3.大部分时间花在 lib_v1.rs:16 上，它是 poly.getattr(...).extract(...)，可以看到实际上只是 getattr 以及使用 as_array 获取底层数组。

也就是说，我们需要专心解决第 3 点，而解决方法是用 Rust 重写 Polygon。

我们来看看目标类：

@dataclassclass Polygon:x: np.arrayy: np.array_area: float = None@cached_propertydef center(self) -> np.array:centroid = np.array([self.x, self.y]).mean(axis=1)return centroiddef area(self) -> float:if self._area is None:self._area = 0.5 * np.abs(np.dot(self.x, np.roll(self.y, 1)) - np.dot(self.y, np.roll(self.x, 1)))return self._area

我们希望尽可能保留现有的 API，但我们不需要 area 的速度大幅提升。

实际的类可能有其他复杂的东西，比如 merge 方法——使用了 scipy.spatial 中的 ConvexHull。

为了降低成本，我们只将 Polygon 的“核心”功能移至 Rust，然后从 Python 中继承该类来实现 API 的其余部分。

我们的 struct 如下所示：

// `Array1` is a 1d array, and the `numpy` crate will play nicely with it.use ndarray::Array1;// `subclass` tells PyO3 to allow subclassing this in Python.#[pyclass(subclass)]struct Polygon {x: Array1,y: Array1,center: Array1,}

下面，我们需要实现这个 struct。我们先公开 poly.{x, y, center}，作为：

▶ 属性

▶ numpy 数组

我们还需要一个 constructor，以便 Python 创建新的 Polygon：

use numpy::{PyArray1, PyReadonlyArray1, ToPyArray};#[pymethods]impl Polygon {#[new]fn new(x: PyReadonlyArray1, y: PyReadonlyArray1) -> Polygon {let x = x.as_array();let y = y.as_array();let center = Array1::from_vec(vec![x.mean().unwrap(), y.mean().unwrap()]);Polygon {x: x.to_owned(),y: y.to_owned(),center,}}// the `Py` in the return type is a way of saying "an Object owned by Python".#[getter] fn x(&self, py: Python<'_>) -> PyResult>> {Ok(self.x.to_pyarray(py).to_owned()) // Create a Python-owned, numpy version of `x`.}// Same for `y` and `center`.}

我们需要将这个新的 struct 作为类添加到模块中：

#[pymodule]fn poly_match_rs(_py: Python, m: &PyModule) -> PyResult {m.add_class::()?; // new.m.add_function(wrap_pyfunction!(find_close_polygons, m)?)?;Ok(())}

然后更新 Python 代码：

class Polygon(poly_match_rs.Polygon):_area: float = Nonedef area(self) -> float:...

下面，编译代码——虽然可以运行，但速度非常慢！

为了提高性能，我们需要从 Python 的 Polygon 列表中提取基于 Rust 的 Polygon。

PyO3 可以非常灵活地处理这类操作，所以我们可以通过几种方法来完成。我们有一个限制是我们还需要返回 Python 的 Polygon，而且我们不想克隆任何实际数据。

我们可以针对每个 PyObject 调用 .extract::(py)?，但也可以要求 PyO3 直接给我们 Py。

这是对 Python 拥有的对象的引用，我们希望它包含原生 pyclass 结构的实例（或子类，在我们的例子中）。

#[pyfunction]fn find_close_polygons(py: Python,polygons: Vec>, // References to Python-owned objects.point: PyReadonlyArray1,max_dist: f64,) -> PyResult<Vec<Py<Polygon>>> { // Return the same `Py` references, unmodified.let mut close_polygons = vec![];let point = point.as_array();for poly in polygons {let center = poly.borrow(py).center // Need to use the GIL (`py`) to borrow the underlying `Polygon`..to_owned();if (center - point).norm() < max_dist {close_polygons.push(poly)}}Ok(close_polygons)}

下面，我们来看看使用这些代码的效果如何：

$ python measure.pyTook an avg of 6.29ms per iteration

我们快要成功了，只需再提升一倍的速度即可。

第三版：避免内存分配

我们再来看一看分析器的结果。

1.首先，我们看到 select_best_polygon，现在它调用的是一些 Rust 代码（在获取 x 和 y 向量时）。

▶ 我们可以解决这个问题，但这是一个非常小的提升（大约为 10%）。

2.我们看到 extract_argument 花费了大约 20% 的时间（在 lib_v2.rs:48 下），这个开销相对比较大。

▶ 但大部分时间都花在了 PyIterator::next 和 PyTypeInfo::is_type_of 中，这可不容易修复。

3.我们看到大量时间花在了内存分配上。

▶ lib_v2.rs:58 是我们的 if 语句，我们还看到了drop_in_place和to_owned。

▶ 实际的代码大约占总时间的 35%，远超我们的预期。所有数据都已存在，所以这一段本应非常快。

下面，我们来解决最后一点。

有问题的代码如下：

let center = poly.borrow(py).center.to_owned();if (center - point).norm() < max_dist { ... }

我们希望避免 to_owned。但是，我们需要一个已拥有的 norm 对象，所以我们必须手动实现。

具体的写法如下：

use ndarray_linalg::Scalar;let center = &poly.as_ref(py).borrow().center;if ((center[0] - point[0]).square() + (center[1] - point[1]).square()).sqrt() < max_dist {close_polygons.push(poly)}

然而，借用检查器报错了：

error[E0505]: cannot move out of `poly` because it is borrowed--> src/lib.rs:58:33|55 | let center = &poly.as_ref(py).borrow().center;| ------------------------| || borrow of `poly` occurs here| a temporary with access to the borrow is created here ......58 | close_polygons.push(poly);| ^^^^ move out of `poly` occurs here59 | }60 | }| - ... and the borrow might be used here, when that temporary is dropped and runs the `Drop` code for type `PyRef`

借用检查器是正确的，我们使用内存的方式不正确。

更简单的修复方法是直接克隆，然后 close_polygons.push(poly.clone()) 就可以通过编译了。

这实际上是一个开销很低的克隆，因为我们只增加了 Python 对象的引用计数。

然而，在这个例子中，我们也可以通过一个 Rust 的常用技巧：

let norm = {let center = &poly.as_ref(py).borrow().center;((center[0] - point[0]).square() + (center[1] - point[1]).square()).sqrt()};if norm < max_dist {close_polygons.push(poly)}

由于 poly 只在内部范围内被借用，如果我们接近 close_polygons.pus，编译器就可以知道我们不再持有引用，因此就可以通过编译。

最后的结果：

$ python measure.pyTook an avg of 2.90ms per iteration

相较于原来的代码，整体性能得到了 100 倍的提升。

总结

我们原来的 Python 代码如下：

@dataclassclass Polygon:x: np.arrayy: np.array_area: float = None@cached_propertydef center(self) -> np.array:centroid = np.array([self.x, self.y]).mean(axis=1)return centroiddef area(self) -> float:...def find_close_polygons(polygon_subset: List[Polygon], point: np.array, max_dist: float) -> List[Polygon]:close_polygons = []for poly in polygon_subset:if np.linalg.norm(poly.center - point) < max_dist:close_polygons.append(poly)return close_polygons# Rest of file (main, select_best_polygon).

我们使用 py-spy 对其进行了分析，即便用最简单的、逐行转换的 find_close_polygons，也可以获得 10 倍的性能提升。

我们反复进行分析-修改代码-测量结果，并最终获得了 100 倍的性能提升，同时 API 仍然保持与原来的库相同。

最终得到的 Python 代码如下：

import poly_match_rsfrom poly_match_rs import find_close_polygonsclass Polygon(poly_match_rs.Polygon):_area: float = Nonedef area(self) -> float:...# Rest of file unchanged (main, select_best_polygon).

调用的 Rust 代码如下：

use pyo3::prelude::*;use ndarray::Array1;use ndarray_linalg::Scalar;use numpy::{PyArray1, PyReadonlyArray1, ToPyArray};#[pyclass(subclass)]struct Polygon {x: Array1,y: Array1,center: Array1,}#[pymethods]impl Polygon {#[new]fn new(x: PyReadonlyArray1, y: PyReadonlyArray1) -> Polygon {let x = x.as_array();let y = y.as_array();let center = Array1::from_vec(vec![x.mean().unwrap(), y.mean().unwrap()]);Polygon {x: x.to_owned(),y: y.to_owned(),center,}}#[getter]fn x(&self, py: Python) -> PyResult>> {Ok(self.x.to_pyarray(py).to_owned())}// Same for `y` and `center`.}#[pyfunction]fn find_close_polygons(py: Python,polygons: Vec>,point: PyReadonlyArray1,max_dist: f64,) -> PyResult>> {let mut close_polygons = vec![];let point = point.as_array();for poly in polygons {let norm = {let center = &poly.as_ref(py).borrow().center;((center[0] - point[0]).square() + (center[1] - point[1]).square()).sqrt()};if norm < max_dist {close_polygons.push(poly)}}Ok(close_polygons)}#[pymodule]fn poly_match_rs(_py: Python, m: &PyModule) -> PyResult {m.add_class::()?;m.add_function(wrap_pyfunction!(find_close_polygons, m)?)?;Ok(())}

要点总结

▶ Rust（在 PyO3 的帮助下）能够以非常小的代价换取 Python 代码性能的大幅提升。

▶ 对于研究人员来说，Python API 非常优秀，同时使用 Rust 快速构建基本功能是一个非常强大的组合。

▶ 分析非常有趣，可以帮助你了解代码中的一切。

","gnid":"918b7aee31f9b45eb","img_data":[{"flag":2,"img":[{"desc":"","height":"80","s_url":"https://p0.ssl.img.360kuai.com/t013d73ffee4a20366b_1.gif","title":"","url":"https://p0.ssl.img.360kuai.com/t013d73ffee4a20366b.gif","width":"640"},{"desc":"","height":"721","title":"","url":"https://p0.ssl.img.360kuai.com/t01da4846299d113f5f.jpg","width":"1080"},{"desc":"","height":"848","title":"","url":"https://p0.ssl.img.360kuai.com/t01ea7d2cd6db126bf5.jpg","width":"1080"},{"desc":"","height":"909","title":"","url":"https://p0.ssl.img.360kuai.com/t01531ee17ba244a27f.jpg","width":"1080"},{"desc":"","height":"1056","title":"","url":"https://p0.ssl.img.360kuai.com/t01536c120bd4de3b1f.jpg","width":"1080"},{"desc":"","height":"341","title":"","url":"https://p0.ssl.img.360kuai.com/t018d020b01aaa63987.jpg","width":"1080"}]}],"original":0,"pat":"art_src_1,fts0,sts0","powerby":"hbase","pub_time":1682322792000,"pure":"","rawurl":"http://zm.news.so.com/55b31776919e3f81acc590d9ad1f7842","redirect":0,"rptid":"03f976c5d782827b","rss_ext":[],"s":"t","src":"CSDN","tag":[],"title":"让 Python 速度提高 100 倍，只需不到 100 行 Rust 代码！

---

tup是什么意思
tup的意思是元组。元组是Python中的一种数据结构，用于存储多个元素。它类似于列表，但有一些重要的区别。以下是关于元组的详细解释：元组的基本定义和特性 元组是一种不可变序列，意味着一旦创建了一个元组，就不能修改它的内容。这是它与列表的主要区别之一。元组通常用于存储一组相关的数据，这些数据可...

tup是什么意思在编程中
在编程中，tup通常指的是元组（tuple）数据类型。元组是Python中不可变序列的一种，它类似于列表（list）但不可修改。元组通常用于存储一组相关的数据，如(x, y, z)代表一个三维空间的坐标，或者(name, age, address)代表一个人的基本信息。通常，元组中的每个元素可以是不同的数据类型，如整数，浮...

Python基础数据类型——tuple浅析
元组，作为Python中的有序列表，拥有独特的性质。与列表相似，元组的特点在于其元素一旦创建就无法修改，这在定义时通过使用小括号而非方括号来区分。创建元组相当直接，只需将元素以逗号隔开放入括号，如tup3所示，即使没有显式使用小括号，单个元素后面也需要添加逗号以明确其元组类型。元组支持索引和切片...

tuple在python中的含义
Python中的tuple表示元组，是一种不可变序列类型。接下来对tuple进行 1. 基本定义：tuple是Python中的一种基本数据类型，用于表示一系列有序且不可更改的元素集合。与列表不同，元组中的元素一旦组合在一起，就不能进行修改。2. 不可变性：tuple的不可变性意味着一旦创建了一个tuple，就不能添加、删除...

tuple在python中什么意思
tuple在python中什么意思一、创建元组代码如下：tup1=('physics','chemistry',1997,2000);tup2=(1,2,3,4,5);tup3="a","b","c","d";创建空元组代码如下:tup1=();元组中只包含一个元素时，需要在元素后面添加逗号来消除歧义代码如下:tup1=(50,);元组与字符串类似，下标索引从0开始，...

eval和tup的区别
eval和tup的区别如下：eval可以计算指定表达式的值。也就是说它要执行的Python代码只能是单个运算表达式(注意eval不支持任意形式的赋值操作),而不能是复杂的代码逻辑，这一点和lambda表达式比较相似。tup（TelephoneUserPart）即电话用户部分，它是ITU—TCCS7信令方式的第4功能级用户部分之一，也是最早提出的...

tuple在python中的用法
在Python编程中，元组（Tuple）是一种特殊的序列类型，与列表相似，但有一个显著的区别：元组是不可变的，一旦创建后就不能进行修改。创建元组有空元组和包含元素的元组两种方式，通常使用小括号（）来包裹元素，元素之间用逗号分隔。尽管元组可以包含不同类型的元素，但创建时需要注意的是，如果仅写一个...

tuple在python中的用法
python中list，tuple，dict，set是最常用的集合类型。list列表，相当于一个数组，不过list的长度是自动变化的而且列表元素自由的，不必每个元素都是同一种类型。它的简洁的定义方式是a＝［］。有序组合tuple也是一个组合。不过tuple在定义好之后就不能再变化。它的简洁的定义方式是a＝1，3也可以是a＝（...

python小括号代表什么
代表tuple元组数据类型。python中的小括号（）：代表tuple元组数据类型，元组是一种不可变序列。创建方法很简单，大多时候都是用小括号括起来的。在使用python做项目的过程中发现这种语言使用了很多种类型的括号来表达数据类型。

python什么是元组?
Python中元组是一个不变的序列，元组可以包含其他复合对象，包括列表，字典和其他元组。因此，元组可以嵌套在其他元组内部。元组通常写为 (可选)匹配括号中包含的项目序列 。元组简单的理解就是将一堆数据存放到一个容器中，但这个容器有一个特点，就是很固执，一旦定义了之后就不可改变，从某种意义上来...

愈子17694779173问： python的内置字典数据类型为? - ？
屯留县活胃回答： python中有六个标准的数据类型: Number(数字)、String(字符串)、List(列表)、Tuple(元组)、Sets(集合)、Dictionary(字典) 字典只是其中之一

愈子17694779173问： Python中内置数据类型list,tuple,dict,set的区别和用法 - ？
屯留县活胃回答： python 中list,tuple,dict,set是最常用的集合类型.list列表,相当于一个数组,不过list的长度是自动变化的而且列表元素自由的,不必每个元素都是同一种类型.它的简洁的定义方式是a=[].有序组合 tuple也是一个组合.不过tuple在定义...

愈子17694779173问： python数据类型有哪些分类 - ？
屯留县活胃回答： 大分类两种: 1、数值型(简单数据类型):整型(int)、浮点型(float)、布尔型(bool)、复数型(complex) 2、非数值型(复杂数据类型):字符串型(str)、列表型(list)、元组型(tuple)、字典型(dict) 数据类型的分类,有课程.传智播客官网直接可以领取.

愈子17694779173问： Python基本内置数据类型有哪些 - ？
屯留县活胃回答： 内置类型是指任何语言在设计初期定义的类型,如C语言中的int、double、char等.它也是在一种语言中最基本的类型,与编译器编译出的代码具有重大关系.值得一提的是,不同语言也拥有不同的内置类型, 但是所有内置类型的定义都与计算...

愈子17694779173问： python3 tuple是无序还是有序 - ？
屯留县活胃回答： tuple是另一种有序的列表,中文翻译为“ 元组 ”.tuple 和 list 非常类似,但是,tuple一旦创建完毕,就不能修改了.>>> t = ('Adam', 'Lisa', 'Bart') 创建tuple和创建list唯一不同之处是用( )替代了[ ].

愈子17694779173问： Python中的几种特殊数据类型小结 - ？
屯留县活胃回答： 下面介绍了Python中的6种特殊数据类型: 1.list:列表 是一种有序的数据集合,在列表数据结构中的类型并不唯一 定义形式:L=['Micha',100,True] 输出整个列表的时候显示为['Micha',100,True] 输出单个的数值则为:Micha a.访问,直接使用L[0]...

愈子17694779173问： Python中,tuple的优势是什么? - ？
屯留县活胃回答： 一、首先,看看三者最基本的区别:1. List是顺序的,可变的.2. Dictrionary是无顺序的,可变的.Dictionary是内置数据类型之一,它定义了键和值之间一对一的关系.每一个元素都是一个 key-value 对, 整个元素集合用大括号括起来.3. Tuple...

愈子17694779173问： python tuple - ？
屯留县活胃回答： def words_divide(word_tuple):________res={} ________for word in word_tuple:________________try:________________________res[word[0]].append(word) ________________except:________________________res[word[0]]=[] _________...

愈子17694779173问： Python中,tuple的优势是什么? - ？
屯留县活胃回答： 一、首先,看看三者最基本的区别:List是顺序的,可变的.Dictrionary是无顺序的,可变的.Dictionary是内置数据类型之一,它定义了键和值之间一对一的关系.每一个元素都是一个 key-v...

愈子17694779173问： python索引 - ？
屯留县活胃回答： (＂a＂,)代表是一个tuple.(＂a＂)代表一个字符串.这个地方也是一个坑,有时候想初始化一个只有一个元素的元组,很容易就写成了(＂a＂),然后就有问题了.可以使用下面的代码查看下: y = (＂a＂, ) z = (＂a＂) print type(y) print type(z)

---