当前位置: 首页 > news >正文

办公室中的Python课 P06 【精准检索】字典:像查通讯录一样管理数据

💻 P06 【精准检索】字典:像查通讯录一样管理数据

🎯 学习目标:

  • 理解字典结构:掌握“键值对”(Key-Value)的核心概念。
  • 核心操作:学会字典的增、删、改、查。
  • AI 协作:利用通义灵码处理复杂的嵌套数据。

🌟 引导词

“在处理 Excel 时,你通常不会记‘第 5 行数据’,而是记‘张三的电话’或‘李四的工资’。
这种**通过‘名字’找‘信息’的逻辑,在 Python 里就叫字典 (Dictionary)
它是处理个人信息、配置参数、甚至解析复杂网页数据时最常用的工具。学会了字典,你就能从‘数数’的痛苦中解脱出来,直接通过关键词精准定位数据!


一、创建字典:键与值的配对

字典使用花括号{}**,内部每一组数据由键 (Key)值 (Value)组成,中间用冒号**隔开。

# 一个典型的员工信息字典employee={"姓名":"张三","部门":"销售部","工资":8500,"已入职":True}
  • 键 (Key):好比标签,必须是唯一的(通常用字符串)。
  • 值 (Value):好比盒子里存的东西,可以是任何类型。

二、字典的基本操作(增删改查)

1. 查(通过键获取值)

不同于列表用数字编号,字典直接用“名字”。

# 获取姓名print(employee["姓名"])# 输出:张三# 推荐用法:get() 方法(如果键不存在,程序不会报错,而是返回 None)print(employee.get("电话","未录入"))# 输出:未录入
2. 增与改(操作方法一样)

如果键不存在,就是新增;如果键已存在,就是覆盖旧值。

# 改:调整工资employee["工资"]=9000# 增:添加联系方式employee["电话"]="13800001111"
3. 删(剔除不需要的信息)
# 彻底删除某个键delemployee["已入职"]# 弹出并获取某个值dept=employee.pop("部门")

三、手把手 AI 实战:处理“字典列表”

在实际工作中,最常见的结构是**“列表中装着字典”**,就像 Excel 表格(列表是行,字典是列名)。

1. Ask 模式:生成结构化数据
  • 操作:打开通义灵码,输入指令:

请帮我写一段 Python 代码:创建一个名为 staff 的列表,里面包含三个字典,每个字典代表一名员工(包含姓名、业绩两个字段)。然后写一个循环,打印出业绩超过 5000 的员工姓名。

  • AI 会回复:一段包含列表嵌套字典的代码,并展示如何提取特定信息。
2. Agent 模式:环境诊断
  • 操作:在对话框输入/agent
  • 指令帮我检查当前脚本里 employee 这个字典里有哪些键,并帮我把所有键名保存到一个 txt 文件里。
  • 效果:AI 会读取你的代码逻辑,自动生成并执行相关操作。
3. Edit 模式:快速重构
  • 操作:选中一段乱糟糟的字典定义。
  • 动作:右键 ->通义灵码->智能编辑
  • 指令帮我把这个字典里的所有英文键名翻译成中文,并按照字母顺序排列。

🛠️ 课后练习

在 VS Code 中新建P06_dict.py,尝试:

  1. 创建一个变量my_info,包含你的name,city, 和job
  2. 给这个字典新增一个键language,值为Python
  3. 尝试打印:f"我在{my_info['city']}工作"

总结与预告

  • 列表:有序,像排队,适合存一串相似的东西(如纯名字)。
  • 字典:无序但精准,像档案,适合存属性复杂的东西(如个人资料)。

下一篇 (P07),我们将迎来 Python 的灵魂:条件判断 (if-else)。有了它,你的代码就有了“大脑”,能够根据不同的情况(如:如果工资大于 5000 就扣税,否则不扣)做出不同的决定!

http://www.cnnetsun.cn/news/151739.html

相关文章:

  • 转行网络安全必备:5 个免费学习平台 + 3 个实战靶场推荐
  • FaceFusion如何提升戴头巾人物的脸部轮廓还原?
  • Open-AutoGLM如何实现零延迟弹窗识别?:基于动态行为分析的自动化决策机制
  • FaceFusion在AI心理咨询形象信任感构建中的设计原则
  • Open-AutoGLM的上下文记忆如何突破长度限制:3大核心技术首次公开
  • 【Open-AutoGLM无代码自动化核心解密】:掌握底层逻辑的5大关键技术
  • 断点nt!KiDispatchInterrupt+0x4d可以截获CurrentThread被NextThread抢占后的线程切换的情况--server03调试指南
  • FaceFusion镜像提供API调用频率限制配置
  • 网络安全面试技巧深度指南:从“会做”到“会面”的降维打击
  • 24、5G网络中SDR、SDN与NFV技术深度解析
  • FaceFusion人脸融合在AI导游系统中的形象定制
  • 文献计量学考核的实施路径与优化策略研究
  • 文献综述写作期末指南:结构搭建、内容整合与学术规范要点解析
  • 【大模型任务编排新范式】:Open-AutoGLM如何实现毫秒级响应调度?
  • 从0到1突破UI识别瓶颈,Open-AutoGLM定位算法实战详解
  • SpringBoot 集成 Hera,让日志查看从 “找罪证” 变 “查答案”!
  • 软件测试之接口测试详解
  • Open-AutoGLM核心技术揭秘,为什么全球顶尖实验室都在抢着用这项多模态技术?
  • 期末文献整理高效策略与方法研究
  • 基于java的实时语音识别系统的设计与性能分析毕业设计源码
  • 3、Unity下载、安装与界面介绍
  • 【AI工程化成本控制指南】:如何通过Open-AutoGLM付费策略节省30%算力开销?
  • 9、游戏中3D对象的创建、导入与角色实现
  • 16、游戏音频与视觉效果的实现指南
  • 【Open-AutoGLM架构深度解析】:揭秘任务规划与执行解耦的5大核心技术优势
  • 多孔介质多相流、水驱油模型与达西两相流模型在Comsol中的应用
  • 课程论文自救指南:如何在48小时内完成一篇优秀课程论文
  • Open-AutoGLM vs 竞品:谁才是长链路AI任务处理的真正王者?
  • Web安全测试
  • 当AI实现想法易如反掌时,洞见真正的需求成为关键——某知名密码分析工具的用户反馈挖掘