Python Dictionary - einfach erklärt!

Das Python Dictionary wird genutzt, um Schlüssel-Wert-Paare in einer Variablen speichern zu können. Es ist eines von insgesamt vier Datenstrukturen, die bei Python bereits vorinstalliert sind. Neben dem Dictionary zählen dazu auch das Tuple, das Set und die Liste.

Ein Python Dictionary definieren wir, indem wir das Key-Value Paar in geschweiften Klammern und mit Doppelpunkt getrennt schreiben. Wir können in einem Python Dictionary Elemente mit unterschiedlichen Datentypen speichern.

Die Elemente des Dictionaries können wir unter Angabe des Schlüssels in eckigen Klammern abfragen. Dann erhalten wir den entsprechenden Wert, der für diesen Schlüssel gespeichert wurde.

Was sind grundlegende Eigenschaften eines Python Dictionaries?

Seit der Python Version 3.7 ist das Dictionary geordnet. Das heißt, dass auch die Reihenfolge in der wir die Schlüssel-Wert-Paare abspeichern eine Rolle spielt. In den Versionen davor hat die Reihenfolge im Gegensatz dazu keine Bedeutung. Darüber hinaus ist das Python Dictionary auch änderbar, d.h. nachdem es erstellt wurde können Elemente geändert, hinzugefügt oder aus dem Dictionary gelöscht werden.

Die wichtigste Eigenschaft des Dictionaries ist, dass keine doppelten Schlüssel-Wert-Paare erlaubt sind. In anderen Datenformaten in Python sind doppelte Elemente hingegen erlaubt. Wenn wir dem Python Dictionary ein Schlüssel-Wert-Paar hinzufügen wollen, dessen Schlüssel bereits existiert, wird das alte Paar ohne Benachrichtigung überschrieben.

Wie kann man Elemente abfragen?

Es gibt verschiedene Informationen und Elemente, die wir von einem Dictionary abfragen können.

Wie wir bereits gesehen haben, können wir den Wert abfragen, indem wir den zugehörigen Schlüssel in eckigen Klammern definieren. Analog dazu liefert die “get()” Methode dasselbe Ergebnis:

Mit den Befehlen “.keys()” und “.values()” gibt uns Python eine Liste von allen Schlüsseln und Werten zurück. Die Reihenfolge der Listen entspricht auch der, wie sie im Dictionary gespeichert sind. Das bedeutet auch, dass die Liste der Werte Duplikate enthalten kann.

Wenn wir hingegen die vollständigen Schlüssel-Wert-Paare abfragen wollen, nutzen wir die Methode “.items()”, die die Paare als eine Liste von Tupeln zurückgibt:

Diese Funktion erzeugen sogenannte Dictionary Ansichten, die eine sehr leistungsstarke und effiziente Funktion in Python sind. Damit lassen sich beispielsweise auch dynamische Aktualisierungen effizient vornehmen und sie bieten auch sonst erheblich Vorteile, da sie die Daten nicht kopieren. Hier sind einige Punkte, warum Python Dictionary Ansichten die Arbeit vereinfachen:

1. Effizienz: Anstatt das komplette Dictionary zu kopieren, ermöglichen die Ansicht das Iterieren über alle Schlüssel-Wert-Paare direkt im Dictionary. Dadurch wird Rechenzeit und Speicherplatz gespart, weshalb die Arbeit damit deutlich effizienter ist als andere Vorgehensweisen.

2. Echtzeitaktualisierungen: Wenn sich das zugrundliegende Python Dictionary ändert, ändern sich auch die Ansichten direkt mit. Dadurch können Änderungen direkt sichtbar werden und müssen nicht erst mit zusätzlichen Aufwand aktualisiert oder eine Kopie erstellt werden.

3. Schlüssel-, Wert- und Elementansichten: Allgemein unterscheidet man drei verschiedene Ansichten: dict_keys um über die Schlüssel zu iterieren, dict_values um über die Werte zu iterieren und dict_items um über die Schlüssel-Wert-Paare zu itierieren. Dadurch kann sich auf verschiedene Aspekte des Dictionaries konzentriert werden und die spezialisierte Funktion für den jeweiligen Anwendungsfall genutzt werden.

4. Schnelle Iteration: Python Dictionary Ansichten ermöglichen eine schnelle Integration über die Elemente ohne, dass die komplette Datenstruktur durchlaufen werden muss.

5. Einsparung von Speicherplatz: Durch die Python Dictionary Ansichten werden keine neuen Kopien der Daten erstellt und somit vor allem bei großen Dictionaries erheblich Speicherplatz gespart. Dies kann auch positive Auswirkungen auf die Rechenzeiten haben.

Abschließend sind Python Dictionary Ansichten eine effiziente Möglichkeit auf die Daten in einem Dictionary zuzugreifen und mit diesen Berechnungen oder Veränderungen durchzuführen. Sie helfen dabei, Speicherplatz zu sparen, Daten in Echtzeit bereitzustellen und die Rechenzeit zu reduzieren. Deshalb sind sie ein wichtiger Bestandteil von Dictionaries und sollten bei der Arbeit mit dieser Datenstruktur bedacht werden.

Wie können Elemente abgefragt werden, wenn sie möglicherweise nicht existieren?

In diesem Artikel haben wir bereits eine Methode kennengelernt, wie man auf die Werte eines Dictionaries zugreifen können. Mithilfe von eckigen Klammern und dem entsprechenden Schlüssel können die Werte einfach abgefragt werden. Jedoch kann es dazu kommen, dass sich das Dictionary ändert und deshalb der angefragte Schlüssel nicht vorhanden ist oder aber der Schlüssel schlichtweg falsch ist. In einem solchen Fall kommt es zu einem “KeyError” und das Programm stoppt.

Um den Programmstopp und den Fehler zu vermeiden schauen wir uns in diesem Kapitel zwei Abfragemöglichkeiten an, die das ganze umgehen, auch wenn der angefragte Schlüssel nicht vorhanden ist.

Verwendung von get() zum Zugriff auf Dictionary-Elemente:

Mithilfe der Funktion get() kann ein Dictionary-Wert durch die Angabe eines Schlüssels abgefragt werden. Im Gegensatz zu der Abfrage mit eckigen Klammern, wird jedoch als zweites Argument ein Default-Wert übergeben, der ausgespielt wird, falls der angefragte Key nicht existiert. Dadurch lassen sich KeyError-Fehler elegant umgehen.

Hier ist ein Beispiel:

In diesem Beispiel ist der Schlüssel “Alice” im Python Dictionary student_grades vorhanden, weshalb die Note 92 zurückgegeben wird. Der Student David hingegen ist nicht Teil der Klasse bzw. des Dictionaries. Durch die Nutzung von .get() wird deshalb der Standardwert “N/A” zurückgegeben.

Verwendung von setdefault() zum Zugriff und Setzen von Dictionary-Elementen:

Die Funktion setdefault() wird sowohl für den Zugriff auf ein Dictionary als auch für die Abfrage von Elementen genutzt. Damit lässt sich ein bestimmter Key abfragen und wenn dieser vorhanden ist, passiert nichts. Wenn der Schlüssel jedoch nicht vorhanden ist, wird ein neues Schlüssel-Wert-Paar angelegt mit dem Wert, der als Default hinterlegt ist. Dadurch lässt sich sicherstellen, dass ein bestimmter Schlüssel im Dictionary vorhanden ist, wenn auch mit einem Standardwert.

Hier ist ein Beispiel:

In diesem Beispiel wird überprüft, ob Orange bereits als Schlüssel existiert. Falls dies nicht der Fall ist, wird der Wert für Orange auf 0 gesetzt, da null Orangen vorhanden sind.

Diese beiden Funktionen sind wertvolle Werkzeuge bei der Arbeit mit Python Dictionaries, da sie sicherstellen, dass es zu keinen Fehlern kommt. Insbesondere wenn sich Dictionaries häufig verändern oder von einem externen Benutzer verändert werden können, ist der Umgang mit diesen Werkzeugen unumgänglich.

Wie können Elemente eines Dictionaries geändert werden?

Wenn wir einzelne Werte innerhalb des Dictionaries ändern wollen, können wir das über den Schlüssel direkt tun. Da es keine doppelten Schlüssel geben darf, wird der alte Werte einfach überschrieben. Falls wir mehrere Paare auf einmal ändern wollen, nutzen wir dafür die “.update()” Methode und definieren darin die neuen Schlüssel-Werte-Paare.

Wie kann man Elemente löschen?

Wenn wir ein einzelnes Element aus dem Python Dictionary löschen wollen, können wir entweder unter Angabe des Keys und mit der Methode “pop()” das Element gezielt löschen oder mit “popitem()” das letzte hinzugefügte Schlüssel-Wert Paar löschen:

Schließlich kann man mit der Methode “clear()” das komplette Python Dictionary leeren:

Was ist der Unterschied zwischen einer Pandas Series und einem Python Dictionary?

Obwohl sowohl Pandas Series als auch Python Dictionaries Schlüssel-Wert-Paare sind, gibt es einige wichtige Unterschiede zwischen ihnen:

Indizierung: In einer Pandas Series kann ein benutzerdefinierter Index verwendet werden, der nicht unbedingt numerisch oder sequenziell sein muss. Das Python Dictionary hingegen kann nur hashbare Objekte als Schlüssel verwenden, sodass meistens entweder Strings, Zahlen oder Tuple genutzt werden.
Ordnung: Die Elemente in einer Pandas Series sind geordnet. Das Python Dictionary war ursprüngliche eine ungeordnete Datenstruktur, dies hat sich jedoch ab der Python Version 3.7 geändert.
Datentyp: Eine Pandas Reihe kann für alle Elemente lediglich einen einzigen Datentyp genutzt werden. Dies bedeutet nicht, dass nicht mehr Datentypen gespeichert werden können, diese werden jedoch alle zu einem “Object” umgewandelt. Das Python Dictionary hingegen lässt nativ verschiedene Datentypen als Werte zu.
Funktionen: Eine Pandas Series kann für die Datenmanipulation und -analyse verwendet werden, indem die eingebauten Funktionen, beispielsweise für die Anzahl oder den Durchschnitt, genutzt werden. Das Python Dictionary hat diese Funktionen zur Datenmanipulation nicht.
Speicherverbrauch: Der Speicherverbrauch für eine Pandas Series ist deutlich höher als bei einem vergleichbaren Python Dictionary, da die Daten in einem Tabellenformat mit Index und Spaltenbeschriftungen gespeichert wird. Die Struktur in Dictionaries ist dagegen deutlich speicheroptimaler.

Die Pandas Series ist eine spezialisierte Datenstruktur für die Datenanalyse und ist dafür auch optimiert. Das Python Dictionary hingegen ist eine allgemeinere Datenstruktur, die für unterschiedlichste Anwendungen in Frage kommen kann.

Wie schneidet das Python Dictionary im Vergleich zu anderen Datenstrukturen ab?

Die Python Dictionaries sind eine der grundlegendsten Datenstrukturen in Python, die für einen effizienten Zugriff auf Schlüssel-Wert-Paare bekannt sind. Jedoch stellt sich vor allem bei großen Datensätzen die Fragen, ob sie die richtige Wahl sind oder durch effizientere Datenstrukturen ersetzt werden können. Deshalb vergleichen wir in diesem Abschnitt die Leistungsfähigkeit und Komplexität von Python Dictionaries.

Konstante Zeit (O(1)) Durchschnittliche Komplexität: Python Dictionaries werden als Hash Tabellen abgespeichert, sodass die Operationen auf einem Dictionary eine konstante Zeitkomplexität von O(1) besitzen. Für die meisten gängigen Operationen, wie der Zugriff oder das Einfügen von Paaren, gilt diese Zeitkomplexität.
Effizientes Nachschlagen von Schlüsseln: Jeder Schlüssel im Python Dictionary wird mit einem Hash versehen, der es ermöglicht, den Speicherort zu bestimmen. Dadurch wird eine nahezu sofortige Schlüsselsuche ermöglicht und das Python Dictionary eignet sich entsprechend für Szenarien, in denen ein schneller Datenzugriff erfolgen muss.
Kollisionsbehandlung: Theoretisch kann es zu sogenannten Hash-Kollisionen kommen, wenn zwei verschiedene Schlüssel auf denselben Hash-Wert zugreifen. In Python wird eine solche Kollision jedoch effizient behandelt durch die offene Adressierung und Sondierungstechniken. Dadurch wird sichergestellt, dass die Schlüssel-Wert-Paare korrekt abgespeichert werden und somit auch abgerufen werden können.
Speichereffizienz: Python Dictionaries sind bekannt dafür, besonders speichereffizient zu arbeiten, da kein Speicher für leere Slots in Anspruch genommen wird, sondern die Größe bei Bedarf dynamisch angepasst wird. Dadurch wird die Speicherverschwendung minimiert und die Operationen auf einem Python Dictionary können deutlich effizienter stattfinden.
Worst-Case-Szenario: Hash-Kollisionen in Python Dictionaries sind nicht komplett ausgeschlossen und können, wenn sie häufig auftreten, zu einer Zeitkomplexität von O(n) führen, wobei n die Anzahl der Schlüssel-Wert-Paare ist. In der Praxis wird dieser Fall jedoch nur sehr selten auftreten, da Python eigene Kollisionsauflösungsmechanismen besitzt, um die Kollisionen zu verhindern.
Iterationsleistung: Das Iterieren über ein Python Dictionary besitzt eine Zeitkomplexität von O(n), wobei auch hier n die Anzahl der Schlüssel-Wert-Paare ist. Dies kommt daher, dass das Dictionary einmal jedes Schlüssel-Wert-Paar durchläuft und somit eine längere Iteration auch eine höhere Zeitkomplexität aufweist.
Amortisierte Komplexität für Einfügungen: Das Einfügen von neuen Werten hat im Durchschnitt eine Zeitkomplexität von O(1). Ab einer gewissen Größe jedoch fallen sogenannte amortisierte Kosten an, die dann zu einer Zeitkomplexität von O(n) führen können. Die Größenänderung kommt jedoch nur selten vor und erfolgt nur dann, wenn die Dictionary Größe einen gewissen Schwellenwert überschreitet. Ansonsten bleibt die Einfügekomplexität nahe bei O(1).

Abschließend lässt sich sagen, dass es es sich bei Python Dictionaries um eine sehr effiziente Datenstruktur handelt, da sie eine konstante Zeitkomplexität für die grundlegenden Operationen bietet. In Worst-Case Szenarien, wie Kollisionen oder Schwellenwertüberschreitungen, kann es zwar zu einer höheren Zeitkomplexität kommen. Diese Fälle werden jedoch aktiv bekämpft und kommen deshalb nur eher selten vor.

Welche Python Sammlungen gibt es?

In Python gibt es insgesamt vier Datentypen, die standardmäßig hinterlegt sind:

Die Liste ist eine geordnete Sammlung von Elementen, die änderbar ist und auch doppelte Elemente enthalten kann.
Das Tuple ist im Endeffekt eine Liste, mit dem Unterschied, dass es nicht mehr änderbar ist. Es können also keine Elemente mehr nachträglich hinzugefügt oder entfernt werden.
Das Set lässt keine doppelten Einträge zu. Gleichzeitig ist die Anordnung der Elemente innerhalb des Sets variabel. Das Set an sich kann verändert werden, aber die einzelnen Elemente können nicht nachträglich geändert werden.
Ein Dictionary ist seit der Python Version 3.7 eine geordnete Sammlung von Elementen, die änderbar ist. In den früheren Versionen ist das Dictionary ungeordnet.

Das solltest Du mitnehmen

Das Python Dictionary ist eines von insgesamt vier vorinstallierten Datenstrukturen in Python.
Es wird genutzt, um Schlüssel-Wert-Paare in einer einzigen Variablen abspeichern zu können.
Die Werte eines Dictionaries können verschiedene Werte annehmen. Neben einem einzigen Skalar können auch Lists, Tuples oder neue Dictionaries als Wert abgespeichert werden.

Vielen Dank an Deepnote für das Sponsoring dieses Artikels! Deepnote bietet mir die Möglichkeit, Python-Code einfach und schnell auf dieser Website einzubetten und auch die zugehörigen Notebooks in der Cloud zu hosten.