写程序很重要的一点是选择合理的数据结构，不合适的数据结构在如今高性能计算机盛行的情况下，小数据量体现不出什么来，但是在超大数据的时候，
你所面临的困境将会无穷的放大。
在python里主要的数据结构，也就是内置数据结构，包括了列表，元组，字典以及集合。这四种数据结构分别具有不同的特性，影响着python的方方面面。
列表和元组类似于C的数组，但是不同的是，列表是动态的数组，具有着增删改查的操作，元组是静态的数组，本身是不可变的（除非里面包含了可变的容器类）
。那python为啥还要实现元组呢？按照python之禅所述，Special cases aren't special enough to break the rules...There should be one-- and preferably only one --obvious way to do it.
这是因为元组可以缓存于python的运行环境，在每次使用元组时我们都无需去访问内核分配内存，元组和列表代表着两种不同的方式，元组是一个不会改变事物的多种属性，而
列表是保存多个相对独立的对象的集合。
列表的搜索，如果在已知次序的情况下，使用二分法效率会变得很好，但是如前言所述，在相对独立的对象的数据集合中，有序是比较少见的情况，这意味着对列表的搜索
在python内部结构就只能是遍历。python的内建排序不是如《python源码剖析》所述是快速排序，而是Tim排序，这个排序是google发明的，可以在最好的情况下实现O(n)的复杂度排序
，在最坏的情况下也有O(log(n))。对于数据的搜索，
def b_search(i, haystack):
imin, imax = 0, len(haystack)
while True:
if imin > imax:
return -1
mid = (imin + imax) // 2
if haystack[mid] > i:
imax = mid
elif haystack[mid] < i:
imin = mid + 1
else:
return mid
python的二分搜索实现很简单，因为你不需要再考虑内存溢出以及安全性，这些python已经帮你做好了。还有和二分搜索相似的，就是二叉搜索树。至于如果你不想自己实现
你可以选择bisect模块帮你解决这个问题。
元组因为其的不可改变性，对于列表为了其可变性牺牲的额外的内存以及使用它们进行的额外的计算，元组就内存消耗和速度就快的多了。并且小元组在申请了内存后也就是
不会返还给系统，还留待未来使用，在接下来需要新元组时就不需要向系统申请内存了。
下面看看字典和集合，字典在很多语言内都有实现，也就是映射，属于key-value的一种，在python里集合也是类似字典的结构，只不过没有了value，只有key了。
字典和集合的查询无需遍历，只需要计算散列函数就可获得其值，但这也意味着这两种数据结构会占用更大的内存，而且O(1)的复杂度也取决于散列函数的计算复杂度。
字典插入时，会计算键的散列值，理想的散列函数对应的键应该是就是整数，不会出现任何形式的冲突。计算出散列值后，很重要的一点要计算掩码，来得知value应该存放的
位置。对于冲突的处理，python使用的是开放定址法，会在一个数组里不断‘嗅探’，获得空的内存空间。当然，在字典的内存不够用时，自然会申请空间，这意味着我们需要重新散列值和
掩码。
所以，每种数据结构都有其不同的特性，所以这也意味着选择一个良好的数据数据会使得你的代码效率快上不少。