Part1前言

上期文章我们学习了 Python 组合数据类型中的列表，详细介绍了列表增、删、改、查元素操作方法以及其他相关函数。

本期文章，我们将学习 Python 组合数据类型中的集合，为了更好地介绍集合类型，我们还将引入 Python 中可变数据类型与不可变数据类型的概念。

Part2集合有哪些特点

Python 中的集合是最典型的集合类型，Python 语言中的集合与数学中的集合概念十分相似，还记得数学中集合的三大特性吗？请看下表。

上表中的集合三大特性依然适用于 Python 中的集合。不同的是，Python 中数据类型十分多样，Python 集合能够存储的类型也不少，并不限于数字。为了能够满足集合的确定性与互异性，Python 集合要求其中的元素必须是确定的数据，既保证存入的数据不能再次发生变化。这种不能再次改变的数据类型就是 Python 中的不可变数据类型，与之相反的则是可变数据类型。

Part3什么是可变数据类型，什么是不可变数据类型？

Python 中所有的数据类型可以被分为两类，一类是可变数据类型，另一类是不可变数据类型，没有模棱两可的情况。

从字面意义上解释，可变数据类型在创建之后，还可以再进行增、删、改等操作。比如列表就属于可变数据类型，我们定义一个列表之后，还可以向列表中添加元素、删除元素或者修改列表中的元素，如下图所示。

而不可变数据类型在定义之后就不会再发生变化，始态即终态。比如字符串就是不可变类型，如下图所示。

从内存层面来说，我们在定义（或声明）一个变量的时候，系统会在内存中开辟出一块空间，用来存放这个变量被赋予的值，而这个变量（名）存储的，并不是存放在内存空间的数据值，而是这个值所在指向这块内存空间的内存地址。变量（名）正是通过内存地址来访问数据的。可变数据类型与不可变数据类型的定义也是从这个角度出发的：

可变数据类型：变量引用的数据类型，在更改数据的时候，不会开辟新的内存空间来保存修改后的数据，此数据类型为可变数据类型。

不可变数据类型：变量引用的数据类型，在更改数据的时候，会开辟新的内存空间来保存修改后的数据，此数据类型为不可变数据类型。

在 Python 中，可以使用 id() 函数来查看变量名所引用数据的内存地址，如下图所示。

当我们修改可变数据类型列表的值，并查看修改前后该列表的内存地址，会发现内存地址没有变化，即系统没有开辟新的内存空间来存储修改后的列表，如下图所示。

当我们 “修改” 不可变数据类型字符串的值，并查看修改前后该字符串的内存地址，会发现内存地址发生了变化，说明系统开辟了新的内存空间来存储修改后的字符串。事实上，我们并不是真的改变了字符串的值，而是将新的字符串重新赋值给了原来的变量名。如下图所示。

我们现在知道了可变数据类型与不可变数据类型之间的区别，那有没有什么方法快速检测一个数据是哪种数据类型呢？当然是有的。我们可以使用 Python 自带的 hash() 函数来查看数据的哈希值，如果数据是不可变数据类型，那该数据就是可哈希的，函数会直接返回该数据的哈希值；如果该数据是可变数据类型，由于可变数据是不可哈希的，程序会报告错误。

那么哈希值是什么呢？我们可以把哈希值理解为数据或文件的身份证。它是根据文件大小、时间、类型、创作者，机器等计算出来的，很容易就会发生变化，谁也不能预料下一个号码是多少，也没有能够更改他的软件。哈希算法将任意长度的二进制值映射为固定长度的较小二进制值，这个小的二进制值被称为哈希值。也就是说，一台计算机在同一时间点，不可能存在两个不同的数据拥有同一个哈希值，而相同的（不可变）数据必然拥有一样的哈希值。Python 集合在计算机正是使用哈希值来判断是否出现重复的元素并去重，如果有多个哈希值相同的元素，则自动保留其中一个。由于哈希算法的运算效率非常高，这使得集合类型的运算性能也非常可观。

介绍完可变数据类型与不可变数据类型的区别，那么在 Python 基础数据类型中有哪些是不可变数据类型，哪些是可变数据类型呢？如下表所示。

注意上表中的集合是可变数据类型。虽然集合只存储不可变类型的数据，但集合存在增、删等操作，能够动态变化，所以集合属于可变数据类型。不像列表中还能存储列表一样，集合中就不能再存储集合了。

Part4如何创建集合

Python 集合是无序的组合类型数据，集合中各元素之间使用逗号分隔，所有元素被包裹在花括号 {} 中。集合的形式如下图所示。

创建集合时，仿照上图中的形式即可，但是要注意集合中只能存储不可变数据类型，如下图所示。

如果想要创建空集合，我们不能直接将一对花括号赋值给变量，这是因为 Python 中的字典也是使用花括号括起来的，系统默认一对空的花括号是一个空字典，而不是一个空集合。演示代码和正确创建空集合的方法如下图所示。

除了上面这种方式之外，我们还可以使用 set() 函数将具有序列属性的一维对象转化为集合，前提是该一维对象中不含可变数据类型。转化为集合后，会自动删除原序列中重复出现的元素，每个元素至多出现一次。示例代码如下图所示。

另外，我们还可以使用 list() 函数将集合转为列表，这样一来，我们就可以利用集合的互异性来对列表进行去重，这也是集合类型极其常见的使用场景，具体怎么操作呢？我们先使用 set() 函数将待去重的列表转为集合，这一步就完成了去重的工作，随后再使用 list() 函数将得到的集合转回列表即可。这样做有一点需要注意，由于集合的无序性，列表转集合的过程中，列表元素的顺序会被打乱。示例代码如下图所示。

Part5如何增、删、改、查集合中的元素

1集合中添加元素

使用 add() 函数向集合中添加元素，每次添加一个元素，如果要添加的元素已经在集合中出现了，那么此次操作是无效的，但程序不会报错。示例代码如下图所示。

除了上述方法之外，还可以使用 update() 函数一次性向集合中更新多个元素，使用方法如下图所示：

2删除集合中的元素

我们可以使用 remove() 函数删除集合中指定的元素，如果要删除的元素不在集合中，程序会报错，使用示例如下图所示。

如果不希望看到报错，我们可以使用 discard() 函数来删除集合中的元素，它与 remove() 的区别在于，如果要删除的元素不在集合中，则不执行任何操作，也不会报错。使用示例如下图所示。

除此之外还有一个 pop() 函数能够删除集合中的元素，它的功能是随机删除集合中的一个元素，如果使用 pop() 执行删除元素操作前集合已经是空集合了，那么程序会报错。使用示例如下图所示。

同列表的操作方法类似，也存在清空集合这种操作，用法与清空列表完全一致，都是使用 clear() 函数。使用示例如下图所示。

3修改集合中的元素

由于集合是无序的，没有索引属性，我们无法直接从集合中获取元素，所以不能直接修改集合中的元素。但可以另辟蹊径，如果想要修改集合中的元素，我们可以先删除需要改变的元素，再将新的元素添加到集合中即可；或者先将集合转为列表，随后修改列表中的元素，最后再将其转回集合。

4查找集合中的元素

集合类型不关心元素之间的顺序，它在乎的是元素是否在集合中。我们使用成员运算符 in 或 not in 可以直接判断元素是否在集合中。使用示例如下图所示。

如果想要查看集合中元素的数量，可以使用 len() 函数，这是一个公用的方法，适用于所有组合数据类型，使用示例如下图所示。

Part6集合运算（含案例）

还记得吗？我们学习数学中的集合时，曾经学过集合的运算，包括交集运算、差集运算、并集运算、补集运算等。这些运算同样存在于 Python 中。集合的运算在数据分析中的使用频率非常高，下面我们将举例说明。首先，给定两个元素不完全相同的两个集合 S、T，则两个集合之间的运算符号和功能如下表所示：

下面我们将通过几个实例来介绍集合运算的用法。

一位同学手中有两份数据，其中一份数据是截至2021年底杭州市有注册商标的农民专业合作社部分信息，导入到 Python 后变量名为 ShangBiao_data。样例数据如下图所示（一家合作社可能有多个商标）。

另一份数据是截至2021年底杭州市持有专利的农民专业合作社部分信息，导入到 Python 后变量名为 ZhuanLi_data。样例数据如下图所示（一家合作社可能有多个专利）。

这两份数据使用相同标准的 ID，也就是图中所示的合作社ID字段。我们先把两份数据的 ID 都转为集合，顺势计算出两份数据中合作社的数量。代码如下图所示。

经过计算，截至2021年底，杭州市持有商标的合作社有 992 家，持有专利的合作社有 63 家。下面我们使用集合运算来处理更加具体的问题。

1并集运算

问题：找出持有商标或申请专利的合作社，统计其数量。

这意味着我们需要求出两份数据共涉及多少家合作社，此时我们可以使用集合并集运算来解决问题，代码如下图所示：

根据集合并集运算，得出持有商标或者专利的合作社共有 1006 家，并且获得了这些合作社的 ID。

2差集运算

问题：计算仅持有商标，未持有专利的合作社数量。

根据问题，我们使用持有商标的合作社 ID 集合与持有专利的合作社 ID 集合做差集即可得到所需合作社的 ID。代码如下图所示。

根据集合差集运算，我们得到仅持有商标，未持有专利的合作社共 943 家，并且获得了这些合作社的 ID。

3交集运算

问题：计算同时持有商标和专利的合作社数量。

我们使用持有商标的合作社 ID 集合与持有专利的合作社 ID 集合做交集运算即可。代码如下图所示。

根据集合交集运算，我们得到同时持有商标和专利的合作社合作社共 49 家，并且获得了这些合作社的 ID。

4交集的补集

问题：获取仅持有商标、专利其中一项的合作社数量。

根据问题，我们可以使用集合的补集运算来解决问题，代码如下图所示。

根据运算，我们得到了仅持有商标、专利其中一项的合作社共 957 家，并且获得了这些合作社的 ID。

以上就是 Python 中组合数据类型——集合的详细介绍啦。

Part7结束语

本期文章我们详细介绍了 Python 中集合的概念以及相关操作方法。实际的数据处理中，使用集合进行去重以及集合的四种运算是最常见的，也是最重要的。

此外，了解集合的特性对学习另一种组合数据类型——字典也有巨大的帮助，下期文章我们将介绍剩余的两种组合数据类型，字典和元组。

点击搜索你感兴趣的内容吧

往期推荐

数据Seminar

这里是大数据、分析技术与学术研究的三叉路口

文 | 两米哥