数据处理——玩转文件与字典：Python的“数据管家”手册 📊

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”~

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！

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！

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！

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）。

数据处理——玩转文件与字典：Python的“数据管家”手册 📊

数据处理（第一部分）：文本文件——数据的“电子笔记本”📝

集合：自动去重的“数据筛子”🔍

数据处理（第二部分）：CSV 文件——Excel 表格的“平替”📈

字典：带标签的“数据收纳盒”📛

字典进阶：存储与复杂结构 🚀