Python 字典 dict 的常用用法与底层原理

d.get("name")
d.get("salary", 0)

修改和新增其实是同一套语义：

d["age"] = 31
d["salary"] = 20000

key 存在就是改，不存在就是加。

删除常见的几种写法：

del d["age"]
value = d.pop("age", None)
d.clear()

pop 比 del 更顺手一些，至少你能带一个默认值，不会因为 key 不在就炸掉。

遍历字典

遍历 key 是默认行为：

for k in d:
    print(k)

只看 value：

for v in d.values():
    print(v)

最常用的是一起拿到 key 和 value：

for k, v in d.items():
    print(k, v)

实际项目里，大多数时候都是这个。

几个比较常用的进阶写法

字典推导式很适合做映射转换：

squares = {x: x * x for x in range(5)}
even = {x: x for x in range(10) if x % 2 == 0}

它和列表推导式思路差不多，只是结果换成了映射关系。

Python 3.9 之后可以直接合并字典：

a = {"x": 1}
b = {"y": 2}
c = a | b

旧版本常见写法是：

c = {**a, **b}

如果你在做计数、分组之类的事情，setdefault 能少写很多判断：

d = {}
d.setdefault("count", 0)
d["count"] += 1

更省事一点的方案是 defaultdict：

from collections import defaultdict
d = defaultdict(int)
d["a"] += 1

它特别适合计数、分组、构造层级结构。说白了，就是把'如果不存在先初始化'这步交给容器自己做。

在真实代码里，dict 经常出现在哪

dict 不是一个'教科书里的抽象概念'，它在工程里很具体。

处理 JSON 时，你拿到的数据通常就是一层层嵌套的字典：

request_data["user"]["id"]

配置信息也经常长这样：

settings = {"DEBUG": True, "DB_HOST": "localhost"}

数据库查询结果、ORM 返回值、缓存结构，很多时候也都是字典或字典的变体：

row = {"id": 1, "name": "张三"}
cache[user_id] = user_info

这类场景里，dict 的价值不在'语法好看'，而在于它足够直接，读取路径也清楚。

它为什么快

dict 的底层是哈希表。

大致流程是：

1. 对 key 计算 hash
2. 根据 hash 找到存储位置
3. 发生冲突时再做处理

所以查询、插入、删除的平均复杂度都接近 O(1)。

查询：O(1)
插入：O(1)
删除：O(1)

这也是 dict 在 Python 里这么核心的原因。很多时候你以为自己在写业务，其实就是在不停地构建、查询和更新一张映射表。

常见坑

第一个坑是把不可 hash 的对象当 key：

d[[1, 2]] = "x"  # TypeError

list、dict 这类可变对象不能做 key。

第二个坑是默认 key 一定存在：

d["not_exist"]  # KeyError

如果不确定，还是用 get 更稳一点。

第三个坑是遍历时修改字典本身：

for k in d:
    del d[k]  # 错误

这种写法容易直接出问题。要删就先把 key 列表拷出来：

for k in list(d.keys()):
    del d[k]

和其他类型怎么选

如果你的问题是'我知道名字，想直接拿到对应内容'，那大概率就是 dict 的场景。

收个尾

dict 不是那种只在入门课里出现一次的类型，它几乎贯穿了 Python 的日常编程。理解它的 key 约束、访问方式、遍历习惯和哈希表特性，后面写 JSON、配置、缓存、统计代码都会顺很多。真正需要注意的，往往不是'会不会用'，而是你有没有选对访问方式，避免那些本来可以顺手绕开的坑。