6.2.2 列表

6.2.2 列表

我们先回顾第 2 章中介绍的关于列表的知识。 列表是由多个数据组成的序列，可以通过索引（位置序号）来访问列表中的数据。与很

多编程语言提供的数组（array）类型不同，Python 列表具有两个特点：第一，列表成员可 以由任意类型的数据构成，不要求各成员具有相同类型；第二，列表长度是不定的，随时可 以增加和删除成员。另外，与 Python 字符串类型不同，Python 列表是可以修改的，修改方 式包括向列表添加成员、从列表删除成员以及对列表的某个成员进行修改。

作为序列的一种，我们可以对列表施加序列的基本操作，如索引、合并和复制等（参见 表 6.1）。另外由于列表是可以修改的，Python 还为列表提供了修改操作，见表 6.3。

表 6.3 列表的修改

本节要引入的是面向对象方式的列表操作。和字符串一样，Python 列表实际上也是对 象，提供了很多有用的方法。例如，append()方法用于向列表尾部添加成员数据：

>>> a = ['hi']
>>> a.append('there')
>>> a
['hi', 'there']

利用 append()方法，我们可以将用户输入的一批数据存储到一个列表中：

data = []
x = raw_input('Enter a number: ') 
while x != "":
    data.append(eval(x))
    x = raw_input("Enter a number: ")

这段代码实际上是累积算法，其中的列表 data 就是累积器：首先初始化为空列表，然后通 过循环来逐步累积（添加成员数据）。

表 6.4 列出了列表对象的常用方法。

表 6.4 列表对象的方法

下面通过例子来说明对列表对象的处理：

>>> a = ['Irrational',[3.14,2.718],'pi and e']
>>> a.sort()
>>> a
[[3.14, 2.718], 'Irrational', 'pi and e']
>>> a[0].reverse()
>>> a
[[2.718, 3.14], 'Irrational', 'pi and e']
>>> a.insert(2,'number')
>>> a
[[2.718, 3.14], 'Irrational', 'number', 'pi and e']
>>> print a.pop(0)
[2.718, 3.14]
>>> a
['Irrational', 'number', 'pi and e']

编程案例：一个统计程序 对大量数据进行统计、分析是实际应用中常见的问题，通过计算一些统计指标可以获得有关这批数据的多侧面的特征。常用的统计指标包括总和、算术平均值、中位数、众数、标 准差和方差等，这些指标的计算过程具有不同的特性。

“总和”是可以累积计算的，即可以先计算部分数据的和 sum，当有了新数据再加入 sum 并形成新的 sum。重复上述步骤直至所有数据都已加入 sum，这时所得即总和。利用我 们介绍过的累积算法模式，很容易实现求总和的代码：

sum = 0
data = raw_input("输入新数据: ") 
while data != "":
    x = eval(data) 
    sum = sum + x

从以上代码可以看到，虽然用户输入了很多数据，但程序中却始终只用一个简单变量data 来存储输入的数据。为什么不怕后面输入的数据将前面输入的数据覆盖掉呢？巧妙之处 在于，累积算法每次接收一个输入数据就立即使用该数据（将新数据加到累加变量 sum 中）， 从而使变量 data 可以用于存储下一个输入数据。我们没有采用“先将所有输入数据存储起 来，然后再求和”的处理策略，因为这个策略需要大量存储空间，更麻烦的是我们预先并不 知道需要多少存储空间。类似地，输入数据的“个数”也可以利用累积算法来求得。

再看“算术平均值”指标，虽然它本身不能直接累积计算，但根据公式“平均值＝总和÷数据个数”可见，可以通过累积算法求得“总和”和“数据个数”，然后直接算出平均值。 推而广之，如果某个统计指标可以表示成某些累积类型指标的代数式，那么这个指标就可以 利用累积算法进行计算，无需保存所有输入数据。

再看一个统计指标——中位数（median）。中位数将全体数据划分为小于和大于它的两 部分，并且两部分的数据个数相等。如果全体数据从小到大有序排列，则处于中间位置的那 个数据就是中位数①。例如，数据集合{3,4,22,50,64}的中位数是 22。中位数的计算与总和、 算术平均值都不同，因为它不能通过累积来计算，如{3,4}的中位数与{3,4,22}的中位数直至{3,4,22,50,64}的中位数基本没什么关系。因此，为了对用户输入的一组数据求中位数，必须 将每个数据先保存起来，等全体数据都到位后才能计算。与中位数类似的、不具有累积计算 性质的统计指标还有众数、标准差等，可以称之为“整体型”指标，即它们都需要针对全体 数据进行计算。那么，如何存储所有输入数据呢？显然，定义许多独立变量来存储输入数据 是不合适的，因为我们不知道用户会输入多少个数据；即使知道用户将输入 n 个数据，定义 n 个独立变量来存储这些数据也是非常笨拙的做法。其实问题很容易解决，列表可以将所有 输入数据组合成单个数据，这样既保存了所有数据，又不需要定义许多独立变量。

下面我们来编写一个统计程序，其功能是获得用户输入的数值数据，并求出这批数据的 总和、算术平均值和中位数。如前所述，这三个指标分别代表三种类型的统计指标，因此我 们的统计程序虽然简单，但具有一般的意义。

按照模块化设计思想，我们分别为数据输入及每个指标的计算设计一个函数。 首先设计获得输入数据的函数。由于整体型指标中位数的计算需要用到全体输入数据，因此我们先将所有输入数据存储到一个列表中。获得用户输入的关键代码是一个哨兵循环， 数据列表是一个累积器，在循环中逐个接收数据。代码如下：

① 若数据个数为偶数，则取处于中间位置的两个数据的平均值。

def getInput(): data = []
x = raw_input("Enter a number (<Enter> to quit): ") 
while x != "":
    data.append(eval(x))
    x = raw_input("Enter a number (<Enter> to quit): ") 
return data

接着设计三个统计指标的函数。这些函数的参数都是列表 aList，调用时将存储输入数 据的 data 作为实参传递给 aList 即可。总和及算术平均值很容易计算，只要先对输入列表利 用累积求得总和，然后再除以列表长度即得平均值。列表长度可以用 len()直接求得，不需 要另外写一个累积循环。代码如下：

def sum(aList): 
    s = 0.0
    for x in aList: 
        s = s + x
    return s
def mean(aList):
    return sum(aList) / len(aList)

中位数的计算没有代数公式可用，我们先将全体数据从小到大排序，然后取中间位置的 数据值。当数据个数为奇数时，有唯一的中间位置，故中位数很容易找到；当数据个数为偶 数时，中位数是处于中间位置的两个数据的平均值。列表数据的排序可以利用现成的列表对 象方法 sort()实现，而奇偶性可以利用余数运算的结果来判断。代码如下：

def median(aList): 
    aList.sort()
    size = len(aList) 
    mid = size / 2 
    if size % 2 == 1:
        m = aList[mid] 
    else:
        m = (aList[mid] + aList[mid-1]) / 2.0 
    return m

利用以上四个模块，再加上主控模块 main()，就完成了我们的统计程序。完整代码见程 序 6.1。

【程序 6.1】statistics.py

def getInputs(): d = []
    x = raw_input("Enter a number (<Enter> to quit): ") 
    while x != "":
        d.append(eval(x))
        x = raw_input("Enter a number (<Enter> to quit): ")
    return d
def sum(aList): s = 0.0
    for x in aList: 
        s = s + x
    return s
def mean(aList):
    return sum(aList) / len(aList)
def median(aList): aList.sort()
    size = len(aList) 
    mid = size / 2 
    if size % 2 == 1:
        m = aList[mid] 
    else:
        m = (aList[mid] + aList[mid-1]) / 2.0 
    return m
def main():
    print "This program computes sum, mean and median." 
    data = getInputs()
    sigma = sum(data) 
    xbar = mean(data) 
    med = median(data) 
    print "Sum:", sigma
    print "Average:", xbar 
    print "Median:", med
main()