>>> p = (, )

 >>> from collections import namedtuple

 >>> Point = namedtuple('Point', ['x', 'y'])

 >>> p = Point(, )

 >>> p.x

 >>> p.y

 #namedtuple('名称', [属性list]):

 Circle = namedtuple('Circle', ['x', 'y', 'r'])

>>> from collections import deque

>>> q = deque(['a', 'b', 'c'])

>>> q.append('x')

>>> q.appendleft('y')

>>> q

deque(['y', 'a', 'b', 'c', 'x'])

 >>> from collections import OrderedDict

 >>> d = dict([('a', ), ('b', ), ('c', )])

 >>> d # dict的Key是无序的

 {'a': , 'c': , 'b': }

 >>> od = OrderedDict([('a', ), ('b', ), ('c', )])

 >>> od # OrderedDict的Key是有序的

 OrderedDict([('a', ), ('b', ), ('c', )])

>>> od = OrderedDict()

>>> od['z'] =

>>> od['y'] =

>>> od['x'] =

>>> od.keys() # 按照插入的Key的顺序返回

['z', 'y', 'x']

 >>> from collections import defaultdict

 >>> dd = defaultdict(lambda: 'N/A')

 >>> dd['key1'] = 'abc'

 >>> dd['key1'] # key1存在

 'abc'

 >>> dd['key2'] # key2不存在，返回默认值

 'N/A'

>>> from collections import defaultdict

>>> dd = defaultdict(list)

>>> dd

defaultdict(<type 'list'>, {})

>>> dd['foo']

[]

>>> dd

defaultdict(<type 'list'>, {'foo': []})

>>> dd['bar'].append('quux')

>>> dd

defaultdict(<type 'list'>, {'foo': [], 'bar': ['quux']})

c = Counter('abcdeabcdabcaba')

print c

输出：Counter({'a': , 'b': , 'c': , 'd': , 'e': })

 #常用方法

 .time.sleep(secs)

 (线程)推迟指定的时间运行。单位为秒。

 .time.time()

 获取当前时间戳

 %y 两位数的年份表示（-）

 %Y 四位数的年份表示（-）

 %m 月份（-）

 %d 月内中的一天（-）

 %H 24小时制小时数（-）

 %I 12小时制小时数（-）

 %M 分钟数（=）

 %S 秒（-）

 %a 本地简化星期名称

 %A 本地完整星期名称

 %b 本地简化的月份名称

 %B 本地完整的月份名称

 %c 本地相应的日期表示和时间表示

 %j 年内的一天（-）

 %p 本地A.M.或P.M.的等价符

 %U 一年中的星期数（-）星期天为星期的开始

 %w 星期（-），星期天为星期的开始

 %W 一年中的星期数（-）星期一为星期的开始

 %x 本地相应的日期表示

 %X 本地相应的时间表示

 %Z 当前时区的名称

 %% %号本身

 #导入时间模块

 >>>import time

 #时间戳

 >>>time.time()

 1500875844.800804

 #时间字符串

 >>>time.strftime("%Y-%m-%d %X")

 '2017-07-24 13:54:37'

 >>>time.strftime("%Y-%m-%d %H-%M-%S")

 '2017-07-24 13-55-04'

 #时间元组:localtime将一个时间戳转换为当前时区的struct_time

 time.localtime()

 time.struct_time(tm_year=, tm_mon=, tm_mday=,

 　　　　　　　　　　tm_hour=, tm_min=, tm_sec=,

                  tm_wday=, tm_yday=, tm_isdst=)

#时间戳-->结构化时间

#time.gmtime(时间戳)    #UTC时间，与英国伦敦当地时间一致

#time.localtime(时间戳) #当地时间。例如我们现在在北京执行这个方法：与UTC时间相差8小时，UTC时间+8小时 = 北京时间

>>>time.gmtime()

time.struct_time(tm_year=, tm_mon=, tm_mday=, tm_hour=, tm_min=, tm_sec=, tm_wday=, tm_yday=, tm_isdst=)

>>>time.localtime()

time.struct_time(tm_year=, tm_mon=, tm_mday=, tm_hour=, tm_min=, tm_sec=, tm_wday=, tm_yday=, tm_isdst=)

#结构化时间-->时间戳　

#time.mktime(结构化时间)

>>>time_tuple = time.localtime()

>>>time.mktime(time_tuple)

1500000000.0

#结构化时间-->字符串时间

#time.strftime("格式定义","结构化时间")  结构化时间参数若不传，则现实当前时间

>>>time.strftime("%Y-%m-%d %X")

'2017-07-24 14:55:36'

>>>time.strftime("%Y-%m-%d",time.localtime())

'2017-07-14'

#字符串时间-->结构化时间

#time.strptime(时间字符串,字符串对应格式)

>>>time.strptime("2017-03-16","%Y-%m-%d")

time.struct_time(tm_year=, tm_mon=, tm_mday=, tm_hour=, tm_min=, tm_sec=, tm_wday=, tm_yday=, tm_isdst=-)

>>>time.strptime("07/24/2017","%m/%d/%Y")

time.struct_time(tm_year=, tm_mon=, tm_mday=, tm_hour=, tm_min=, tm_sec=, tm_wday=, tm_yday=, tm_isdst=-)

#结构化时间 --> %a %b %d %H:%M:%S %Y串

#time.asctime(结构化时间) 如果不传参数，直接返回当前时间的格式化串

>>>time.asctime(time.localtime())

'Fri Jul 14 10:40:00 2017'

>>>time.asctime()

'Mon Jul 24 15:18:33 2017'

#%a %d %d %H:%M:%S %Y串 --> 结构化时间

#time.ctime(时间戳)  如果不传参数，直接返回当前时间的格式化串

>>>time.ctime()

'Mon Jul 24 15:19:07 2017'

>>>time.ctime()

'Fri Jul 14 10:40:00 2017' 

import time

true_time=time.mktime(time.strptime('2017-09-11 08:30:00','%Y-%m-%d %H:%M:%S'))

time_now=time.mktime(time.strptime('2017-09-12 11:00:00','%Y-%m-%d %H:%M:%S'))

dif_time=time_now-true_time

struct_time=time.gmtime(dif_time)

print('过去了%d年%d月%d天%d小时%d分钟%d秒'%(struct_time.tm_year-,struct_time.tm_mon-,

                                       struct_time.tm_mday-,struct_time.tm_hour,

                                       struct_time.tm_min,struct_time.tm_sec))

计算时间差

 >>> import random

 #随机小数

 >>> random.random()      # 大于0且小于1之间的小数

 0.7664338663654585

 >>> random.uniform(,) #大于1小于3的小数

 1.6270147180533838

 #随机整数

 >>> random.randint(,)  # 大于等于1且小于等于5之间的整数

 >>> random.randrange(,,) # 大于等于1且小于10之间的奇数

 #随机选择一个返回

 >>> random.choice([,'',[,]])  # #1或者23或者[,]

 #随机选择多个返回，返回的个数为函数的第二个参数

 >>> random.sample([,'',[,]],) # #列表元素任意2个组合

 [[, ], '']

 #打乱列表顺序

 >>> item=[,,,,]

 >>> random.shuffle(item) # 打乱次序

 >>> item

 [, , , , ]

 >>> random.shuffle(item)

 >>> item

 [, , , , ]

import random

def v_code():

    code = ''

    for i in range():

        num=random.randint(,)

        alf=chr(random.randint(,))

        add=random.choice([num,alf])

        code="".join([code,str(add)])

    return code

print(v_code())

生成随机验证码

 sys.argv           命令行参数List，第一个元素是程序本身路径

 sys.exit(n)        退出程序，正常退出时exit(),错误退出sys.exit()

 sys.version        获取Python解释程序的版本信息

 sys.path           返回模块的搜索路径，初始化时使用PYTHONPATH环境变量的值

 sys.platform       返回操作系统平台名称

 import sys

 try:

     sys.exit()

 except SystemExit as e:

     print(e)

比如，我们在python代码中计算的一个数据需要给另外一段程序使用，那我们怎么给？

现在我们能想到的方法就是存在文件里，然后另一个python程序再从文件里读出来。

但是我们都知道，对于文件来说是没有字典这个概念的，所以我们只能将数据转换成字典放到文件中。

你一定会问，将字典转换成一个字符串很简单，就是str(dic)就可以办到了，为什么我们还要学习序列化模块呢？

没错序列化的过程就是从dic 变成str(dic)的过程。现在你可以通过str(dic)，将一个名为dic的字典转换成一个字符串，

但是你要怎么把一个字符串转换成字典呢？

聪明的你肯定想到了eval()，如果我们将一个字符串类型的字典str_dic传给eval，就会得到一个返回的字典类型了。

eval()函数十分强大，但是eval是做什么的？e官方demo解释为：将字符串str当成有效的表达式来求值并返回计算结果。

ＢＵＴ！强大的函数有代价。安全性是其最大的缺点。

想象一下，如果我们从文件中读出的不是一个数据结构，而是一句"删除文件"类似的破坏性语句，那么后果实在不堪设设想。

而使用eval就要担这个风险。

所以，我们并不推荐用eval方法来进行反序列化操作(将str转换成python中的数据结构)

为什么要序列化

json

Json模块提供了四个功能：dumps、dump、loads、load

import json

dic = {'k1':'v1','k2':'v2','k3':'v3'}

str_dic = json.dumps(dic)  #序列化：将一个字典转换成一个字符串

print(type(str_dic),str_dic)  #<class 'str'> {"k3": "v3", "k1": "v1", "k2": "v2"}

#注意，json转换完的字符串类型的字典中的字符串是由""表示的

dic2 = json.loads(str_dic)  #反序列化：将一个字符串格式的字典转换成一个字典

#注意，要用json的loads功能处理的字符串类型的字典中的字符串必须由""表示

print(type(dic2),dic2)  #<class 'dict'> {'k1': 'v1', 'k2': 'v2', 'k3': 'v3'}

list_dic = [,['a','b','c'],,{'k1':'v1','k2':'v2'}]

str_dic = json.dumps(list_dic) #也可以处理嵌套的数据类型

print(type(str_dic),str_dic) #<class 'str'> [, ["a", "b", "c"], , {"k1": "v1", "k2": "v2"}]

list_dic2 = json.loads(str_dic)

print(type(list_dic2),list_dic2) #<class 'list'> [, ['a', 'b', 'c'], , {'k1': 'v1', 'k2': 'v2'}]

import json

f = open('json_file','w')

dic = {'k1':'v1','k2':'v2','k3':'v3'}

json.dump(dic,f)  #dump方法接收一个文件句柄，直接将字典转换成json字符串写入文件

f.close()

f = open('json_file')

dic2 = json.load(f)  #load方法接收一个文件句柄，直接将文件中的json字符串转换成数据结构返回

f.close()

print(type(dic2),dic2)

import json

f = open('file','w')

json.dump({'国籍':'中国'},f)

ret = json.dumps({'国籍':'中国'})

f.write(ret+'\n')

json.dump({'国籍':'美国'},f,ensure_ascii=False)

ret = json.dumps({'国籍':'美国'},ensure_ascii=False)

f.write(ret+'\n')

f.close()

pickle

用于序列化的两个模块

• json，用于字符串 和 python数据类型间进行转换
• pickle，用于python特有的类型 和 python的数据类型间进行转换

pickle模块提供了四个功能：dumps、dump(序列化，存）、loads（反序列化，读）、load  （不仅可以序列化字典，列表...可以把python中任意的数据类型序列化）

import pickle

dic = {'k1':'v1','k2':'v2','k3':'v3'}

str_dic = pickle.dumps(dic)

print(str_dic)  #一串二进制内容

dic2 = pickle.loads(str_dic)

print(dic2)    #字典

import time

struct_time  = time.localtime()

print(struct_time)

f = open('pickle_file','wb')

pickle.dump(struct_time,f)

f.close()

f = open('pickle_file','rb')

struct_time2 = pickle.load(f)

print(struct_time2.tm_year)

shelve

shelve也是python提供给我们的序列化工具，比pickle用起来更简单一些。
shelve只提供给我们一个open方法，是用key来访问的，使用起来和字典类似。

 import shelve

 f = shelve.open('shelve_file')

 f['key'] = {'int':, 'float':9.5, 'string':'Sample data'}  #直接对文件句柄操作，就可以存入数据

 f.close()

 import shelve

 f1 = shelve.open('shelve_file')

 existing = f1['key']  #取出数据的时候也只需要直接用key获取即可，但是如果key不存在会报错

 f1.close()

 print(existing)

这个模块有个限制，它不支持多个应用同一时间往同一个DB进行写操作。所以当我们知道我们的应用如果只进行读操作，我们可以让shelve通过只读方式打开DB

import shelve

f = shelve.open('shelve_file', flag='r')

existing = f['key']

f.close()

print(existing)

由于shelve在默认情况下是不会记录待持久化对象的任何修改的，所以我们在shelve.open()时候需要修改默认参数，否则对象的修改不会保存。

import shelve

f1 = shelve.open('shelve_file')

print(f1['key'])

f1['key']['new_value'] = 'this was not here before'

f1.close()

f2 = shelve.open('shelve_file', writeback=True)

print(f2['key'])

f2['key']['new_value'] = 'this was not here before'

f2.close()

writeback方式有优点也有缺点。优点是减少了我们出错的概率，并且让对象的持久化对用户更加的透明了；但这种方式并不是所有的情况下都需要，首先，使用writeback以后，shelf在open()的时候会增加额外的内存消耗，并且当DB在close()的时候会将缓存中的每一个对象都写入到DB，这也会带来额外的等待时间。因为shelve没有办法知道缓存中哪些对象修改了，哪些对象没有修改，因此所有的对象都会被写入。