数据处理（第一部分）：文本文件——数据的“电子笔记本” 📝
关键字
：文本文件读写、创建文件、追加内容、修改文件 内容详解： 文本文件是存数据的“基础容器”，Python操作它超简单：
- 📖 读取文本文件：用
open(路径, "r")打开，read()读全部内容，readlines()按行读：
读取整个文件
with open(“test.txt”, “r”, encoding=“utf-8”) as f: content = f.read() print(“文件内容：”, content)
按行读取
with open(“test.txt”, “r”, encoding=“utf-8”) as f: lines = f.readlines() print(“每行内容：”, lines) # 列表，每个元素是一行
- ✍️ 创建文本文件：用
"w"模式（覆盖旧文件）： with open(“new_file.txt”, “w”, encoding=“utf-8”) as f: f.write(“这是新文件的第一行\n”) f.write(“这是第二行”) - ➕ 追加内容到文件：用
"a"模式（在文件末尾加内容）： with open(“new_file.txt”, “a”, encoding=“utf-8”) as f: f.write(“\n这是追加的第三行”) - ✏️ 修改文件内容：文本文件不能直接改某一行，要“读→改→写”：
步骤1：读文件内容
with open(“test.txt”, “r”, encoding=“utf-8”) as f: lines = f.readlines()
步骤2：修改第二行
lines[1] = “修改后的第二行\n”
步骤3：写回文件
with open(“test.txt”, “w”, encoding=“utf-8”) as f: f.writelines(lines)
类比：文本文件像“纸质笔记本”——读是“翻看笔记”，写是“新写一页”，追加是“在最后补写”，修改是“撕下来重写”~
二、集合：自动去重的“数据筛子”
集合：自动去重的“数据筛子” 🔍
关键字
：集合、去重、集合运算 内容详解： 集合是
{元素1, 元素2}
格式，特点是“无序、无重复”——像个“自动筛子”，放进去的重复数据会被过滤：
# 创建集合：自动去重
nums = {1,2,2,3,4,4,4}
print(nums) # {1,2,3,4}（重复的2、4没了）
# 集合推导：快速生成集合（类似列表推导）
even_nums = {x for x in range(10) if x % 2 == 0}
print(even_nums) # {0,2,4,6,8}
集合还支持
集合运算
（交集、并集、差集）——比如找两个列表的共同元素：
list1 = [1,2,3,4]
list2 = [3,4,5,6]
set1 = set(list1)
set2 = set(list2)
# 交集：共同元素
print(set1 & set2) # {3,4}
# 并集：所有元素（去重）
print(set1 | set2) # {1,2,3,4,5,6}
# 差集：set1有但set2没有的元素
print(set1 - set2) # {1,2}
这在“去重”“数据对比”场景超实用！
三、数据处理（第二部分）：CSV文件——表格数据的“搬运工”
数据处理（第二部分）：CSV文件——Excel表格的“平替” 📈
关键字
：CSV文件、csv模块、表格数据处理 内容详解： CSV是“逗号分隔的文本文件”，像简化版Excel表格——Python用
csv
模块处理它：
- 📥 读取CSV文件：用
csv.reader（按行读）或csv.DictReader（按列名读）： import csv
按列名读（CSV第一行是列名）
with open(“data.csv”, “r”, encoding=“utf-8”) as f: reader = csv.DictReader(f) for row in reader:
按列名取数据
print(f”姓名：{row[‘name’]}，年龄：{row[‘age’]}”)
- 📤 写入CSV文件：用
csv.writer或csv.DictWriter： data = [ {“name”: “张三”, “age”: 18}, {“name”: “李四”, “age”: 19} ] with open(“new_data.csv”, “w”, encoding=“utf-8”, newline="") as f:
指定列名
writer = csv.DictWriter(f, fieldnames=[“name”, “age”]) writer.writeheader() # 写列名行 writer.writerows(data) # 写数据行
- 📊 分析CSV数据：结合列表推导/循环统计数据（比如算平均年龄）： ages = [] with open(“data.csv”, “r”, encoding=“utf-8”) as f: reader = csv.DictReader(f) for row in reader: ages.append(int(row[“age”])) avg_age = sum(ages) / len(ages) print(“平均年龄：”, avg_age)
注意：CSV和Excel可以互相转换——Excel能打开CSV，Python处理CSV比直接处理Excel更简单！
四、字典：带标签的“高级数据容器”
字典：带标签的“数据收纳盒” 📛
关键字
：字典、dict函数、字典推导、嵌套字典 内容详解： 字典是
{键:值}
格式，像“带标签的抽屉”——用“键”（标签）快速找“值”（内容）：
- 🔨 用dict函数创建字典：
用键值对参数创建
person = dict(name=“张三”, age=18)
用列表+元组创建
person2 = dict([(“name”, “李四”), (“age”, 19)]) print(person) # {‘name’: ‘张三’, ‘age’: 18}
- 📊 字典作频率表：统计元素出现次数（比如统计单词出现次数）： words = [“apple”, “banana”, “apple”, “orange”, “apple”] freq = {} for word in words: if word in freq: freq[word] += 1 else: freq[word] = 1 print(freq) # {‘apple’:3, ‘banana’:1, ‘orange’:1}
- 🗂️ 嵌套字典：值可以是字典，存更复杂的结构（比如用户信息+爱好）： user = { “name”: “张三”, “info”: { “age”: 18, “city”: “北京” }, “hobbies”: [“篮球”, “游戏”] }
取嵌套字典的值
print(user[“info”][“city”]) # 北京
- ✨ 字典推导：一行生成字典（比如把列表转成{元素:长度}的字典）： words = [“apple”, “banana”, “orange”] word_len = {word: len(word) for word in words} print(word_len) # {‘apple’:5, ‘banana’:6, ‘orange’:6}
字典是Python处理“结构化数据”的核心工具——比列表更灵活，比表格更轻便！
五、字典的进阶：存储与复杂结构
字典进阶：存储与复杂结构 🚀
关键字
：二进制存储字典、元组作键、有序字典 内容详解： 字典还有这些实用技巧：
- 💾 在二进制文件中存储字典：用
pickle模块把字典存成二进制文件（能存任意Python对象）： import pickle user = {“name”: “张三”, “age”: 18}
存字典到二进制文件
with open(“user.pkl”, “wb”) as f: pickle.dump(user, f)
从二进制文件读字典
with open(“user.pkl”, “rb”) as f: loaded_user = pickle.load(f) print(loaded_user) # {‘name’: ‘张三’, ‘age’: 18}
- 🔑 用元组作字典的键：元组是“不可变序列”，可以当字典的键（列表不行）——比如存坐标对应的数值：
键是( x,y )坐标，值是对应的温度
temp_map = { (0,0): 25, (0,1): 26, (1,0): 24 } print(temp_map[(0,0)]) # 25
- 🔢 有序字典：Python 3.7+的普通字典会保留插入顺序，也可以用
collections.OrderedDict（更灵活的有序控制）。