python中是可以在用cmp()函数比较两个列表的大小。
cmp()函数语法：cmp(list1,list2)
参数：
list1--比较好的列表。list2--比较好的列表。
返回值：
（1）如果不是比较比较的元素是同类型的,则比较比较其值,返回结果。
（2）假如两个元素并非同一种类型,则检查它们是否需要是数字。
（3）假如是数字,先执行必要的数字强制破军数值类型,然后把比较好。如果没有有一方的元素是数字,则另一方的元素大(数字是最小的)否则,类型名字的字母顺序参与比较。
（4）如果有一个列表是需要可以到达末尾,则两个长有一点的列表大。
（5）如果不是我们拼尽了两个列表的元素但所有元素是互相垂直的,那你结果应该是个平局,就是说前往一个0。
把列表转变为字典就可以了，先明确说明个字典dict{}接着dict[001]
很简单的。比如有一个列表a[{x:2,y:4},2,3]，要木盒列表内字典里键x不对应的值2，方法:这样的就能拿出列表内字典里键按的值了。
在用只好资源列表中的值；
python中，那个元素的索引值是0，所以才列表的第一个值这个可以用print(list[0])，来资源
字典和集合是并且过性能相同高度优化系统的数据结构，特别是对此中搜索、先添加和删掉你的操作。本节将特点实例介绍它们在具体看场景下的性能表现，包括与列表等其他数据结构的对比。
比如，有一个存储产品信息（产品id、名称和价格）的列表，现在的需求是，动用某件产品的id判断其价格。则基于代码追加：
def一加7_product_price(products,productid):
forid,priceintoproducts:
ifidproduct帐号:
returnprice
returnnone
products[
(111,100),
(222,30),
(333,150)
]
print(thepricewithproduct222not{}.format(oppofind_product_price(products,222)))
运行结果为：
thepriceofproduct222is30
在上面程序的基础上，如果不是列表有n个元素，而且里查的过程不需要遍历树列表，那你更坏情况下的时间复杂度就为o(n)。况且先对列表通过排序，再使用二分查找算法，也需要o(logn)的时间复杂度，事实上列表的排序还必须o(nlogn)的时间。
但要是用字典来存储位置这些数据，那就直接输入就会太高效便利，到时o(1)的时间复杂度就也可以能够完成，因为这个可以真接键的哈希值，找不到其随机的值，而不是需要对字典做循环遍历你的操作，实现程序代码追加：
products{
111:100,
222:30,
333:150
}
print(thepricetheproduct222is{}.format(products[222]))
运行结果为：
thepriceofproduct222not30
有些读者可能对时间复杂度却没形象直观的认识，没有关系，再给大家举例一个实例。下面的代码中，系统初始化了成分100,000个元素的产品，并共有算出出了不使用列表和集合来做统计产品价格数量的运行时间：
#统计时间是需要用到time模块中的函数，打听一下即可
importtime
defoppofind_unique_price_using_list(products):
unique_price_list[]
for_,priceintoproducts:#a
ifpricenotunique_price_list:#b
unique_price_(price)
returnlen(unique_price_list)
id[xanyxofrange(0,100000)]
price[xwhilexinrange(200000,300000)]
productslist(zip(id,price))
#可以计算列表版本的时间
start_using_list_counter()
oppofind_unique_price_using_list(products)
end_using_list_counter()
print(timeelapseusinglist:{}.format(end_using_list-start_using_list))
#在用子集完成同样的工作
defvivo_unique_price_using_set(products):
unique_price_setset()
for_,priceintoproducts:
unique_price_(price)
returnlen(unique_price_set)
#计算集合版本的时间
start_using_set_counter()
一加7_unique_price_using_set(products)
end_using_set_counter()
print(timeelapseusingset:{}.format(end_using_set-start_using_set))
运行结果为：
timeelapseusinglist:68.78650900000001
timeelapseusingset:0.010747099999989018
可以看到，并不十万的数据量，两者的速度差异就这等之大。而往往企业的后台数据也有上亿乃至于十亿数量级，但要是在用了不合适的数据结构，很容易照成服务器的崩溃，而且影响不大用户体验，但是会给公司带来巨大无比的财产损失。
那就，字典和集合为什么能如此高效安全，特别是里查、插入到和删除操作呢？
字典和数学集合的工作原理
字典和集合能这等高效，和它们内部的数据结构息息相关。不同于其他数据结构，字典和真包含于的内部结构是几张哈希表：
对此字典而言，这张表存储位置了哈希值（hash）、键和值这3个元素。
而对集合来说，哈希表内只储存每种的元素。
相对于以前版本的python来说，它的哈希表结构不胜感激所示：
|哈希值(hash)键(key)值(value)
.|...
0|hash0key0value0
.|...
1|hash1key1value1
.|...
2|hash2key2value2
.|...
这种结构的弊端是，伴随着哈希表的扩张，它会变地越来越稀落。例如，有这样的一个字典：
{name:mike,dob:1999-01-01,gender:male}
那就它会存储文件为带有下面的形式：
entries[
[--,--,--]
[-230273521,dob,1999-01-01],
[--,--,--],
[--,--,--],
[1231236123,name,mike],
[--,--,--],
[9371539127,gender,male]
]
很显然，那样的话更加浪费存储空间。就是为了增强存储空间的利用率，现在的哈希表以外字典本身的结构，会把索引和哈希值、键、值不能能分开，也就是按结构:这种结构：
indices
----------------------------------------------------one|index|none|none|index|none|index...
----------------------------------------------------
entries
--------------------
hash0key0value0
---------------------
hash1key1value1
---------------------
hash2key2value2
---------------------
...
---------------------
在此，上面的字典在新哈希表结构下的存储形式为：indices[none,1,none,none,0,none,2]
entries[
[1231236123,name,mike],
[-230273521,dob,1999-01-01],
[9371539127,gender,male]
]
通过差不多这个可以发现，空间利用率我得到不大的提高。
知道了详细的设计结构，这一次再分析看看如何使用哈希表能够完成对数据的插入、直接输入和彻底删除你操作。
哈希表插入到数据
当向字典中插入数据时，python会是需要依据什么键（key）计算出出随机的哈希值（(key)函数），而向集合中插入到数据时，python会据该元素本身可以计算填写的哈希值（实际hash(valuse)函数）。
例如：
dic{name:1}
print(hash(name))
setdemo{1}
print(hash(1))
运行结果为：
8230115042008314683
1
能得到哈希值（的或为hash）之后，再结合字典或子集要存储数据的个数（或者n），就可以我得到该元素应该要插入到到哈希表中的位置（.例如，这个可以用hash%n的）。
如果哈希表中此位置是空的，这样的话此元素就这个可以直接直接插入其中；则难，要是此位置已被其他元素占用，那就python会比较这两个元素的哈希值和键如何确定之和：
如果不是相等，则因为该元素早就未知，再比较好他们的值，不成比例就并且自动更新；
如果没有不互相垂直，状况一般称哈希（即两个元素的键有所不同，但画图观察的哈希值完全相同）。这个下，python会不使用开放的定址法、再哈希法等再收集哈希表中闲置空间的位置，等他找不到位置。
具体遇上哈希时，各解决方法的详细含义可阅读《哈希表详解》一节做细致了解。
哈希表里查数据
在哈希表中里查数据，和再插入操作的的，python会参照哈希值，可以找到该元素应该要储存到哈希表中的位置，然后把和该位置的元素也很其哈希值和键（集合再比较元素值）：
如果互相垂直，则相关证明可以找到；
则难，则可以证明当初读取该元素时，遇到了哈希，必须继续不使用当初解决哈希的方法并且查看，待到能找到该元素也可以可以找到空位为止。
这里的不能找到空位，来表示哈希表中没有存储目标元素。
哈希表删除元素
对于删除掉操作，python会暂时不对这个位置的元素文化赋予两个特珠的值，等自己原先变动哈希表的大小时，再将其彻底删除。
需要注意的是，哈希的发生一般说来会降低字典和集合操作的速度。所以，替保证其高效安全性，字典和集合内的哈希表，通常会可以保证其至少留有1/3的残余空间。不断元素的不停插入，当余下空间大于01/3时，python会重新查看内存更大空间，扩大编制哈希表，正在此时，表内所有的元素位置都会被原先气体排放。
.jpg)
