字典是 Python 中的一种数据结构，用于以键值对（key-value pair）的形式存储数据。它就像现实中的词典，通过单词（键）找到对应的解释（值）。
字典的特点：
- 键必须是唯一的，而值可以重复。
- 键和值可以是不同类型的数据，例如字符串、数字等。
在 Python 中，字典的表现形式是：
user_info = {"Name": "Alice", "Age": 30, "Role": "Admin"}- 键 Name 的值是 Alice，表示用户的名字。
- 键 Age 的值是 30，表示用户的年龄。
为什么开发中要使用字典？
- 快速查找： 通过键查找值的效率非常高。
- 灵活性： 键和值可以是不同的数据类型，例如字符串、数字、甚至是嵌套字典。
- 动态修改： 可以随时增加、删除或修改键值对。
- 结构化表达： 字典非常适合描述一组结构化数据。
AI 产品经理为什么需要了解字典？
1. 处理结构化数据
AI 产品经理需要管理和分析大量数据。例如：
- 用户信息（用户 ID、行为数据）。
- 模型参数（学习率、批大小）。
- 配置文件（功能开关）。
字典让这些复杂信息以清晰的结构组织在一起，便于理解和操作。
2. 用于数据存储和交换
字典可以轻松转换为 JSON 格式，这是现代 AI 产品中常见的数据传输和存储格式。例如，通过 API 发送请求时，字典可以表示参数：
request_payload = {
"model": "gpt-4",
"temperature": 0.7,
"max_tokens": 100
}3. 简化代码逻辑
在程序设计中，字典可以替代复杂的 if-else 语句，通过键值直接映射逻辑。例如，动态分配用户权限：
roles = {"Admin": "Full Access", "User": "Read-Only"}
print(roles["Admin"]) # 输出 Full Access4. 协助自动化和批量操作
无论是生成批量报告、读取数据配置，还是动态设置参数，字典都能显著简化任务。例如：
- 自动化处理用户行为日志。
- 动态设置机器学习模型的训练参数。
CSV 文件与字典的关系
字典是 CSV 文件 的天然伙伴，尤其适合读取和写入结构化数据。CSV 文件是一种常见的结构化数据格式，存储方式类似于电子表格，适合处理大规模的行列数据。而字典是操作结构化数据的理想工具，两者结合可以让数据处理更高效。
- 用途： 将 CSV 文件内容转为字典形式，便于通过键名直接访问数据。
- 场景： 读取用户反馈，提取特定字段的数据。
- 方法： Python 提供了
csv.DictReader，可以将 CSV 文件的每一行读取为一个字典，表头作为键，数据作为值。
import csv
with open("feedback.csv", "r", encoding="utf-8") as file:
reader = csv.DictReader(file)
for row in reader:
print(f"用户 {row['User ID']} 的反馈是：{row['Feedback']}")
2. 使用字典写入 CSV
- 用途： 将字典中的数据保存为结构化的 CSV 文件。
- 场景： 导出用户信息、模型训练结果或配置文件。
- 方法： Python 提供了
csv.DictWriter，可以将字典的数据写入 CSV 文件。
示例：
字典的高级应用场景
1. 配置文件管理
在 AI 系统中，模型参数或实验配置通常以字典形式存储和使用：
config = {
"learning_rate": 0.001,
"batch_size": 32,
"num_epochs": 10
}
print(config["learning_rate"]) # 输出 0.001
2. 统计和计数
使用字典进行数据统计，例如计算每个反馈的出现次数：
feedback = ["Good", "Bad", "Good", "Neutral"]
feedback_count = {}
for f in feedback:
feedback_count[f] = feedback_count.get(f, 0) + 1
print(feedback_count) # 输出 {'Good': 2, 'Bad': 1, 'Neutral': 1}3. 嵌套字典处理复杂数据
AI 项目经常需要存储层级结构数据，例如用户行为：
user_data = {
"User1": {"Name": "Alice", "Clicks": 10},
"User2": {"Name": "Bob", "Clicks": 5}
}
print(user_data["User1"]["Clicks"]) # 输出 10案例：筛选特定用户反馈
任务描述：从用户反馈中，筛选包含关键词 but 的反馈，生成新文件 filtered_feedback.csv。
解决方案：
import csv
with open("feedback.csv", "r", encoding="utf-8") as infile, open("filtered_feedback.csv", "w", newline="", encoding="utf-8") as outfile:
reader = csv.DictReader(infile)
fieldnames = reader.fieldnames # 获取表头
writer = csv.DictWriter(outfile, fieldnames=fieldnames)
writer.writeheader() # 写入表头
for row in reader:
if "but" in row["Feedback"]:
writer.writerow(row) # 写入符合条件的行说明：
- 使用
DictReader和DictWriter结合处理 CSV 文件。 - 筛选并保存特定数据。
案例：统计用户反馈关键词
任务描述：统计每个关键词在用户反馈中出现的次数。
解决方案：
import csv
from collections import Counter
with open("feedback.csv", "r", encoding="utf-8") as file:
reader = csv.DictReader(file)
feedback_list = [row["Feedback"] for row in reader]
# 统计关键词频率
keywords = []
for feedback in feedback_list:
keywords.extend(feedback.split()) # 分割成单词列表
keyword_count = Counter(keywords)
print("关键词统计：", keyword_count)说明：
- 如何从字典中提取特定字段的数据。
- 使用
Counter类统计关键词频率。
案例：合并多张数据表
任务描述：将 feedback.csv 和 filtered_feedback.csv 合并到一个新的文件 all_feedback.csv。
解决方案：
import csv
files = ["feedback.csv", "filtered_feedback.csv"]
output_file = "all_feedback.csv"
# 合并文件
with open(output_file, "w", newline="", encoding="utf-8") as outfile:
writer = None
for file_name in files:
with open(file_name, "r", encoding="utf-8") as infile:
reader = csv.DictReader(infile)
if writer is None:
# 初始化写入器，写入表头
writer = csv.DictWriter(outfile, fieldnames=reader.fieldnames)
writer.writeheader()
# 写入数据
for row in reader:
writer.writerow(row)
print(f"文件已合并，生成新文件：{output_file}")
说明：
- 动态检测表头并确保文件格式一致。
- 批量处理多个文件的数据。
练习：
- 从
feedback.csv文件中筛选所有包含user-friendly的反馈。 - 统计每个用户的反馈字数，生成新文件
feedback_length.csv。 - 合并
user_data.csv和feedback.csv文件到一个新的文件中，确保字段对齐。
你可以自己尝试撰写，也可以设计自己的提示词，让大语言模型帮你完成这3个编程任务。试着比较你们写的内容有什么不同。
AI 助教
提示：您可在此提出学习中遇到的问题。回答由 AI 生成，可能存在错误，请注意甄别。