Python系列看到Part 2

> 写这篇是因为刷Medium看到个付费连载《Python for Data Science — Part 2》，试读部分正好卡在数据结构讲完、OOP正要展开就没了。干脆把自己踩过的坑和梳理出来的思路整理一遍，给同样卡在这个阶段的人参考。

---

先泼盆冷水：数据结构没用对，后面全白搭

花了整整一个下午拿Python跑一个某电商平台脱敏后的交易数据，100万行CSV。用list去存每条记录，再套两层for循环去做分组汇总，结果跑了快二十分钟没出结果。后来改成 dict 做分组键映射，配合 collections.defaultdict，速度直接降到两分钟以内。

from collections import defaultdict

# 糟糕的写法：list套list
result = []
for row in raw_data:
    for item in result:
        if item[0] == row["category"]:
            item[1] += row["amount"]
            break
    else:
        result.append([row["category"], row["amount"]])

# 正确的姿势：以dict的键来做聚合
total = defaultdict(float)
for row in raw_data:
    total[row["category"]] += row["amount"]

OOP在这里真的有用吗？

如果是刚上手做数据分析，我个人觉得不用急着套class。但有一种情况必须用——当你的数据清洗逻辑里包含多种状态流转、多个参数联动的时候。比如处理用户行为日志里的事件序列，写成一个 SessionProcessor 类，把清洗规则和状态属性封装在一起，比散落一地的函数舒服得多，也方便复用。

推导式是Python里最值得早点习惯的糖

列表推导式、字典推导式、集合推导式，这三个能极大压缩代码行数。最关键的是，跑同样逻辑时推导式比普通for循环快一些，因为底层做了优化：

# 普通循环
squared = []
for x in range(100):
    if x % 2 == 0:
        squared.append(x * x)

# 推导式
squared = [x * x for x in range(100) if x % 2 == 0]

后来对比过同样处理一万条记录，推导式版本平均快了15%左右。

Pandas其实已经把这些都封装好了

说句大实话，真到了跑数据科学任务，我80%的时间都在用pandas的DataFrame，对象导向和原生数据结构其实用得不算多。但pandas报错的时候，不懂底层的Python数据结构是真的看不懂它在报什么。所以说，这一章内容虽然基础，但它是后面所有pandas、numpy操作能理解的前提。

---

顺带一提，Medium上这篇Part 2是付费的，我没看完全文原文。想白嫖完整版的话，可以直接跳去读Python官方文档的 Data Structures 和 Classes 两章，内容完全覆盖，而且更新更及时。

这个系列如果继续出Part 3，我猜会开始讲NumPy和Pandas实战了，到时候再看要不要跟着写一篇。