最近在升级python版本之后发现字典变为了有序字典，所以在网上查了查资料：
在Python 3.5（含）以前，字典是不能保证顺序的，键值对A先插入字典，键值对B后插入字典，但是当你打印字典的Keys列表时，你会发现B可能在A的前面。
但是从Python 3.6开始，字典是变成有顺序的了。你先插入键值对A，后插入键值对B，那么当你打印Keys列表的时候，你就会发现B在A的后面。
不仅如此，从Python 3.6开始，下面的三种遍历操作，效率要高于Python 3.5之前：
1 for key in 字典 2 for value in 字典.values() 3 for key, value in 字典.items()
从Python 3.6开始，字典占用内存空间的大小，视字典里面键值对的个数，只有原来的30%~95%。
Python 3.6到底对字典做了什么优化呢？为了说明这个问题，我们需要先来说一说，在Python 3.5（含）之前，字典的底层原理。
当我们初始化一个空字典的时候，CPython的底层会初始化一个二维数组，这个数组有8行，3列，如下面的示意图所示：
my_dict = {} ‘‘‘ 此时的内存示意图 [[---, ---, ---], [---, ---, ---], [---, ---, ---], [---, ---, ---], [---, ---, ---], [---, ---, ---], [---, ---, ---], [---, ---, ---]] ‘‘‘
现在，我们往字典里面添加一个数据：
my_dict[‘name‘] = ‘kingname‘ ‘‘‘ 此时的内存示意图 [[---, ---, ---], [---, ---, ---], [---, ---, ---], [---, ---, ---], [---, ---, ---], [1278649844881305901, 指向name的指针, 指向kingname的指针], [---, ---, ---], [---, ---, ---]] ‘‘‘
这里解释一下，为什么添加了一个键值对以后，内存变成了这个样子：
首先我们调用Python 的 hash函数，计算 name这个字符串在当前运行时的hash值：
>>> hash(‘name‘) 1278649844881305901
特别注意，我这里强调了『当前运行时』，这是因为，Python自带的这个 hash函数，和我们传统上认为的Hash函数是不一样的。Python自带的这个 hash函数计算出来的值，只能保证在每一个运行时的时候不变，但是当你关闭Python再重新打开，那么它的值就可能会改变，如下图所示：
假设在某一个运行时里面， hash(‘name‘)的值为 1278649844881305901。现在我们要把这个数对8取余数：
>>> 1278649844881305901 % 8 5
余数为5，那么就把它放在刚刚初始化的二维数组中，下标为5的这一行。由于 name和 kingname是两个字符串，所以底层C语言会使用两个字符串变量存放这两个值，然后得到他们对应的指针。于是，我们这个二维数组下标为5的这一行，第一个值为 name的hash值，第二个值为 name这个字符串所在的内存的地址（指针就是内存地址），第三个值为 kingname这个字符串所在的内存的地址。
现在，我们再来插入两个键值对：
my_dict[‘age‘] = 26 my_dict[‘salary‘] = 999999 ‘‘‘ 此时的内存示意图 [[-4234469173262486640, 指向salary的指针, 指向999999的指针], [1545085610920597121, 执行age的指针, 指向26的指针], [---, ---, ---], [---, ---, ---], [---, ---, ---], [1278649844881305901, 指向name的指针, 指向kingname的指针], [---, ---, ---], [---, ---, ---]] ‘‘‘
那么字典怎么读取数据呢？首先假设我们要读取 age对应的值。
此时，Python先计算在当前运行时下面， age对应的Hash值是多少：
>>> hash(‘age‘) 1545085610920597121 现在这个hash值对8取余数： >>> 1545085610920597121 % 8 1
余数为1，那么二维数组里面，下标为1的这一行就是需要的键值对。直接返回这一行第三个指针对应的内存中的值，就是 age对应的值 26。
当你要循环遍历字典的Key的时候，Python底层会遍历这个二维数组，如果当前行有数据，那么就返回Key指针对应的内存里面的值。如果当前行没有数据，那么就跳过。所以总是会遍历整个二位数组的每一行。
每一行有三列，每一列占用8byte的内存空间，所以每一行会占用24byte的内存空间。
由于Hash值取余数以后，余数可大可小，所以字典的Key并不是按照插入的顺序存放的。
注意，这里我省略了与本文没有太大关系的两个点：
开放寻址，当两个不同的Key，经过Hash以后，再对8取余数，可能余数会相同。此时Python为了不覆盖之前已有的值，就会使用
开放寻址技术重新寻找一个新的位置存放这个新的键值对。当字典的键值对数量超过当前数组长度的2/3时，数组会进行扩容，8行变成16行，16行变成32行。长度变了以后，原来的余数位置也会发生变化，此时就需要移动原来位置的数据，导致插入效率变低。
在Python 3.6以后，字典的底层数据结构发生了变化，现在当你初始化一个空的字典以后，它在底层是这样的：
my_dict = {} ‘‘‘ 此时的内存示意图 indices = [None, None, None, None, None, None, None, None] entries = [] ‘‘‘
当你初始化一个字典以后，Python单独生成了一个长度为8的一维数组。然后又生成了一个空的二维数组。
现在，我们往字典里面添加一个键值对：
my_dict[‘name‘] = ‘kingname‘ ‘‘‘ 此时的内存示意图 indices = [None, 0, None, None, None, None, None, None] entries = [[-5954193068542476671, 指向name的指针, 执行kingname的指针]] ‘‘‘
为什么内存会变成这个样子呢？我们来一步一步地看：
在当前运行时， name这个字符串的hash值为 -5954193068542476671，这个值对8取余数是1：
>>> hash(‘name‘) -5954193068542476671 >>> hash(‘name‘) % 8 1
所以，我们把 indices这个一维数组里面，下标为1的位置修改为0。
这里的0是什么意思呢？0是二位数组 entries的索引。现在 entries里面只有一行，就是我们刚刚添加的这个键值对的三个数据：name的hash值、指向 name的指针和指向 kinganme的指针。所以 indices里面填写的数字0，就是刚刚我们插入的这个键值对的数据在二位数组里面的行索引。
好，现在我们再来插入两条数据：
my_dict[‘address‘] = ‘xxx‘ my_dict[‘salary‘] = 999999 ‘‘‘ 此时的内存示意图 indices = [1, 0, None, None, None, None, 2, None] entries = [[-5954193068542476671, 指向name的指针, 执行kingname的指针], [9043074951938101872, 指向address的指针，指向xxx的指针], [7324055671294268046, 指向salary的指针, 指向999999的指针] ] ‘‘‘
现在如果我要读取数据怎么办呢？假如我要读取 salary的值，那么首先计算 salary的hash值，以及这个值对8的余数：
>>> hash(‘salary‘) 7324055671294268046 >>> hash(‘salary‘) % 8 6
那么我就去读 indices下标为6的这个值。这个值为2.
然后再去读entries里面，下标为2的这一行的数据，也就是salary对应的数据了。
新的这种方式，当我要插入新的数据的时候，始终只是往 entries的后面添加数据，这样就能保证插入的顺序。当我们要遍历字典的Keys和Values的时候，直接遍历 entries即可，里面每一行都是有用的数据，不存在跳过的情况，减少了遍历的个数。
老的方式，当二维数组有8行的时候，即使有效数据只有3行，但它占用的内存空间还是 8 * 24 = 192 byte。但使用新的方式，如果只有三行有效数据，那么 entries也就只有3行，占用的空间为3 * 24 =72 byte，而 indices由于只是一个一维的数组，只占用8 byte，所以一共占用 80 byte。内存占用只有原来的41%。
资料转载至：https://blog.csdn.net/qq_39241986/article/details/104666984