مقدمه‌ای بر ساختارهای داده در پایتون

ساختارهای داده به عنوان ابزارهایی برای ذخیره‌سازی و سازماندهی داده‌ها، نقشی اساسی در برنامه‌نویسی دارند. پایتون با ارائه چندین ساختار داده کارآمد و انعطاف‌پذیر، به برنامه‌نویسان امکان می‌دهد تا داده‌های خود را به شکلی موثر مدیریت کنند.

در این مقاله، پنج ساختار داده اصلی پایتون را بررسی خواهیم کرد:

• لیست (List)
• تاپل (Tuple)
• دیکشنری (Dictionary)
• مجموعه (Set)
• صف (Queue)

با یادگیری این ساختارهای داده، شما می‌توانید الگوریتم‌های کارآمدتری طراحی کنید و مسائل برنامه‌نویسی را با سهولت بیشتری حل کنید.

لیست (List) – آرایه‌های قابل تغییر و انعطاف‌پذیر

لیست‌ها یکی از پرکاربردترین ساختارهای داده در پایتون هستند. آنها مجموعه‌ای مرتب و قابل تغییر از عناصر می‌باشند که می‌توانند انواع مختلف داده‌ها را ذخیره کنند.

ویژگی‌های لیست

• قابل تغییر (Mutable) – می‌توان پس از ایجاد، عناصر آن را تغییر داد
• مرتب (Ordered) – ترتیب عناصر حفظ می‌شود
• اندیس‌گذاری شده (Indexed) – دسترسی به عناصر با اندیس
• امکان ذخیره انواع مختلف داده‌ها در یک لیست

ایجاد لیست

# ایجاد لیست خالی
my_list = []

# ایجاد لیست با مقادیر اولیه
numbers = [1, 2, 3, 4, 5]
mixed = [1, "پایتون", 3.14, True]

# ایجاد لیست با استفاده از تابع list()
chars = list("پایتون")  # تبدیل رشته به لیست کاراکترها

دسترسی به عناصر لیست

fruits = ["سیب", "موز", "پرتقال", "انگور", "کیوی"]

# دسترسی با اندیس (از صفر شروع می‌شود)
print(fruits[0])  # سیب
print(fruits[2])  # پرتقال

# اندیس منفی (شمارش از انتها)
print(fruits[-1])  # کیوی
print(fruits[-2])  # انگور

# برش (Slicing)
print(fruits[1:3])  # ['موز', 'پرتقال']
print(fruits[:3])   # ['سیب', 'موز', 'پرتقال']
print(fruits[2:])   # ['پرتقال', 'انگور', 'کیوی']

عملیات‌های پرکاربرد روی لیست

numbers = [1, 2, 3]

# افزودن عناصر
numbers.append(4)      # [1, 2, 3, 4]
numbers.insert(1, 10)  # [1, 10, 2, 3, 4]
numbers.extend([5, 6]) # [1, 10, 2, 3, 4, 5, 6]

# حذف عناصر
numbers.remove(10)     # [1, 2, 3, 4, 5, 6]
popped = numbers.pop() # حذف و برگرداندن آخرین عنصر
print(popped)          # 6
print(numbers)         # [1, 2, 3, 4, 5]
del numbers[0]         # [2, 3, 4, 5]

# سایر عملیات‌ها
numbers.sort()         # مرتب‌سازی صعودی
numbers.reverse()      # معکوس کردن ترتیب
count = numbers.count(3) # شمارش تعداد تکرار عدد 3
position = numbers.index(4) # یافتن اندیس عدد 4

grades = [18, 15, 20, 17, 19, 14]

# محاسبه میانگین نمرات
average = sum(grades) / len(grades)
print(f"میانگین نمرات: {average}")  # میانگین نمرات: 17.166666666666668

# یافتن بالاترین و پایین‌ترین نمره
highest = max(grades)
lowest = min(grades)
print(f"بالاترین نمره: {highest}")  # بالاترین نمره: 20
print(f"پایین‌ترین نمره: {lowest}")  # پایین‌ترین نمره: 14

تاپل (Tuple) – آرایه‌های غیر قابل تغییر

تاپل‌ها مشابه لیست‌ها هستند، با این تفاوت اصلی که غیرقابل تغییر (immutable) می‌باشند. یعنی پس از ایجاد نمی‌توان عناصر آن را تغییر داد.

ویژگی‌های تاپل

• غیرقابل تغییر (Immutable) – پس از ایجاد، نمی‌توان عناصر را تغییر داد
• مرتب (Ordered) – ترتیب عناصر حفظ می‌شود
• اندیس‌گذاری شده (Indexed) – دسترسی به عناصر با اندیس
• سریع‌تر از لیست‌ها
• امنیت بیشتر برای داده‌های ثابت

ایجاد تاپل

# ایجاد تاپل با پرانتز
coordinates = (10, 20)
person = ("علی", 30, "تهران")

# ایجاد تاپل بدون پرانتز
coordinates = 10, 20
person = "علی", 30, "تهران"

# ایجاد تاپل تک عنصری (حتماً با کاما)
single_item = (42,)  # تاپل تک عنصری
not_a_tuple = (42)   # این یک عدد است، نه تاپل!

# ایجاد تاپل با تابع tuple()
chars = tuple("پایتون")  # تبدیل رشته به تاپل

دسترسی به عناصر تاپل

rgb = (255, 0, 128)

# دسترسی با اندیس
red = rgb[0]    # 255
green = rgb[1]  # 0
blue = rgb[2]   # 128

# اندیس منفی و برش، مشابه لیست
print(rgb[-1])  # 128
print(rgb[0:2]) # (255, 0)

coordinates = (10, 20)
# این خط خطا می‌دهد:
# coordinates[0] = 15  # TypeError: 'tuple' object does not support item assignment

عملیات‌های پرکاربرد روی تاپل

# شمارش تعداد تکرار
counts = (1, 2, 3, 2, 2, 4, 2)
print(counts.count(2))  # 4

# یافتن اندیس اولین تکرار
print(counts.index(3))  # 2

# طول تاپل
print(len(counts))  # 7

# تبدیل به لیست (اگر نیاز به تغییر باشد)
counts_list = list(counts)
counts_list[0] = 10  # حالا می‌توان تغییر داد
modified_tuple = tuple(counts_list)  # تبدیل مجدد به تاپل

# ذخیره مختصات چند شهر
cities = [
    ("تهران", 35.6892, 51.3890),
    ("اصفهان", 32.6539, 51.6660),
    ("شیراز", 29.5918, 52.5837),
    ("مشهد", 36.2605, 59.6168)
]

# نمایش اطلاعات شهرها
for city, latitude, longitude in cities:
    print(f"شهر {city} در مختصات جغرافیایی {latitude}°N, {longitude}°E قرار دارد.")

دیکشنری (Dictionary) – ساختار کلید-مقدار

دیکشنری‌ها ساختارهای داده کلید-مقدار هستند که به شما امکان می‌دهند داده‌ها را با کلیدهای منحصر به فرد نگهداری و بازیابی کنید.

ویژگی‌های دیکشنری

• قابل تغییر (Mutable) – امکان اضافه، حذف و تغییر عناصر
• نگاشت کلید به مقدار (key-value mapping)
• کلیدها باید منحصر به فرد و غیرقابل تغییر باشند (مثل رشته، عدد یا تاپل)
• مقادیر می‌توانند هر نوع داده‌ای باشند
• از پایتون 3.7 به بعد، ترتیب اضافه شدن عناصر حفظ می‌شود

ایجاد دیکشنری

# ایجاد دیکشنری خالی
empty_dict = {}
another_empty = dict()

# ایجاد دیکشنری با مقادیر اولیه
student = {
    "name": "سارا",
    "age": 20,
    "courses": ["ریاضی", "فیزیک", "برنامه‌نویسی"],
    "active": True
}

# ایجاد با تابع dict()
person = dict(name="علی", age=25, city="تهران")

دسترسی به عناصر دیکشنری

student = {
    "name": "سارا",
    "age": 20,
    "courses": ["ریاضی", "فیزیک", "برنامه‌نویسی"]
}

# دسترسی با کلید
print(student["name"])  # سارا

# دسترسی با متد get (امن‌تر - در صورت نبود کلید، خطا نمی‌دهد)
print(student.get("age"))  # 20
print(student.get("grade", "نامشخص"))  # نامشخص (مقدار پیش‌فرض)

تغییر و افزودن عناصر

student = {"name": "سارا", "age": 20}

# تغییر مقدار موجود
student["age"] = 21

# افزودن کلید-مقدار جدید
student["major"] = "کامپیوتر"

# افزودن چندین کلید-مقدار
student.update({"phone": "09123456789", "city": "تهران"})

print(student)
# {'name': 'سارا', 'age': 21, 'major': 'کامپیوتر', 'phone': '09123456789', 'city': 'تهران'}

حذف عناصر

student = {
    "name": "سارا",
    "age": 20,
    "major": "کامپیوتر",
    "city": "تهران"
}

# حذف با کلید مشخص
del student["city"]

# حذف و برگرداندن مقدار آن
major = student.pop("major")
print(major)  # کامپیوتر

# حذف و برگرداندن آخرین جفت کلید-مقدار
last_item = student.popitem()
print(last_item)  # ('age', 20)

# پاک کردن کل دیکشنری
student.clear()

روش‌های پیمایش دیکشنری

student = {
    "name": "سارا",
    "age": 20,
    "major": "کامپیوتر",
    "gpa": 18.5
}

# پیمایش کلیدها
for key in student:
    print(key, student[key])

# پیمایش با items() - دریافت کلید و مقدار همزمان
for key, value in student.items():
    print(f"{key}: {value}")

# دریافت همه کلیدها
keys = student.keys()
print(list(keys))  # ['name', 'age', 'major', 'gpa']

# دریافت همه مقادیر
values = student.values()
print(list(values))  # ['سارا', 20, 'کامپیوتر', 18.5]

text = "پایتون یک زبان برنامه نویسی قدرتمند است پایتون برای تحلیل داده هم مناسب است"
words = text.split()

# شمارش فراوانی کلمات
word_count = {}
for word in words:
    if word in word_count:
        word_count[word] += 1
    else:
        word_count[word] = 1

# روش ساده‌تر با defaultdict
from collections import defaultdict
word_count = defaultdict(int)
for word in words:
    word_count[word] += 1

# نمایش نتایج
for word, count in word_count.items():
    print(f"{word}: {count}")

مجموعه (Set) – مجموعه‌های ریاضی در پایتون

مجموعه‌ها ساختارهای داده بدون ترتیب و بدون تکرار هستند که برای ذخیره مقادیر منحصر به فرد استفاده می‌شوند.

ویژگی‌های مجموعه

• بدون ترتیب (Unordered) – ترتیب عناصر تضمین نمی‌شود
• بدون تکرار (Unique) – هر عنصر فقط یک بار ظاهر می‌شود
• قابل تغییر (Mutable) – امکان افزودن و حذف عناصر
• عناصر باید غیرقابل تغییر باشند (مانند عدد، رشته، تاپل)
• عملیات‌های مجموعه‌ای مانند اشتراک، اجتماع و تفاضل

ایجاد مجموعه

# ایجاد مجموعه خالی
empty_set = set()  # توجه: {} یک دیکشنری خالی است، نه مجموعه!

# ایجاد مجموعه با مقادیر اولیه
fruits = {"سیب", "موز", "پرتقال", "سیب"}  # تکرار "سیب" حذف می‌شود
print(fruits)  # {'پرتقال', 'سیب', 'موز'}

# ایجاد مجموعه از سایر ساختارهای داده
numbers = set([1, 2, 3, 2, 1, 4])
chars = set("پایتون")

عملیات‌های اصلی روی مجموعه‌ها

fruits = {"سیب", "موز", "پرتقال"}

# افزودن عناصر
fruits.add("انگور")  # {'سیب', 'موز', 'پرتقال', 'انگور'}
fruits.update(["کیوی", "هلو"])  # افزودن چند عنصر

# حذف عناصر
fruits.remove("موز")  # خطا اگر "موز" وجود نداشته باشد
fruits.discard("موز")  # بدون خطا حتی اگر وجود نداشته باشد
popped = fruits.pop()  # حذف و برگرداندن یک عنصر (عنصر انتخابی قابل پیش‌بینی نیست)
fruits.clear()  # پاک کردن کل مجموعه

عملیات‌های مجموعه‌ای

A = {1, 2, 3, 4, 5}
B = {4, 5, 6, 7, 8}

# اجتماع - عناصری که در A یا B هستند
union = A | B  # یا A.union(B)
print(union)  # {1, 2, 3, 4, 5, 6, 7, 8}

# اشتراک - عناصری که هم در A و هم در B هستند
intersection = A & B  # یا A.intersection(B)
print(intersection)  # {4, 5}

# تفاضل - عناصری که در A هستند ولی در B نیستند
difference = A - B  # یا A.difference(B)
print(difference)  # {1, 2, 3}

# تفاضل متقارن - عناصری که فقط در یکی از دو مجموعه هستند
symmetric_diff = A ^ B  # یا A.symmetric_difference(B)
print(symmetric_diff)  # {1, 2, 3, 6, 7, 8}

عملیات‌های منطقی و مقایسه‌ای

A = {1, 2, 3}
B = {1, 2, 3, 4, 5}
C = {1, 2, 3}

# بررسی زیرمجموعه بودن
print(A.issubset(B))  # True - A زیرمجموعه B است
print(B.issubset(A))  # False

# بررسی ابرمجموعه بودن
print(B.issuperset(A))  # True - B ابرمجموعه A است
print(A.issuperset(B))  # False

# بررسی برابری
print(A == C)  # True - A و C یکسان هستند

# بررسی وجود عنصر
print(1 in A)  # True
print(6 in A)  # False

# لیستی از ایمیل‌های کاربران
emails = [
    "user1@example.com",
    "user2@example.com",
    "user1@example.com",
    "user3@example.com",
    "user2@example.com",
    "user4@example.com"
]

# تبدیل به مجموعه برای حذف تکرارها
unique_emails = set(emails)
print(f"تعداد ایمیل‌های منحصر به فرد: {len(unique_emails)}")  # 4

# نمایش ایمیل‌های یکتا
for email in unique_emails:
    print(email)

from collections import deque

# ایجاد یک صف
queue = deque()

# افزودن عناصر به انتهای صف (enqueue)
queue.append("وظیفه 1")
queue.append("وظیفه 2")
queue.append("وظیفه 3")

print(queue)  # deque(['وظیفه 1', 'وظیفه 2', 'وظیفه 3'])

# حذف از ابتدای صف (dequeue)
first_task = queue.popleft()
print(f"انجام {first_task}")  # انجام وظیفه 1
print(queue)  # deque(['وظیفه 2', 'وظیفه 3'])

# بررسی طول صف
print(len(queue))  # 2

import queue

# ایجاد یک صف
q = queue.Queue()

# افزودن عناصر (enqueue)
q.put("وظیفه 1")
q.put("وظیفه 2")
q.put("وظیفه 3")

# حذف عناصر (dequeue)
first_task = q.get()
print(f"انجام {first_task}")  # انجام وظیفه 1

# بررسی اندازه صف
print(q.qsize())  # 2 (اگر سیستم عامل پشتیبانی کند)

# بررسی خالی بودن
print(q.empty())  # False

# بررسی پر بودن (برای صف‌های با ظرفیت محدود)
print(q.full())  # False

import queue

# صف معمولی (FIFO)
fifo_queue = queue.Queue()

# صف با اولویت (Priority Queue)
priority_queue = queue.PriorityQueue()
priority_queue.put((2, "وظیفه با اولویت متوسط"))
priority_queue.put((1, "وظیفه با اولویت بالا"))
priority_queue.put((3, "وظیفه با اولویت پایین"))

# عناصر به ترتیب اولویت خارج می‌شوند
while not priority_queue.empty():
    print(priority_queue.get())
# (1, 'وظیفه با اولویت بالا')
# (2, 'وظیفه با اولویت متوسط')
# (3, 'وظیفه با اولویت پایین')

# صف LIFO (پشته)
lifo_queue = queue.LifoQueue()
lifo_queue.put("عنصر 1")
lifo_queue.put("عنصر 2")
lifo_queue.put("عنصر 3")

# عناصر به ترتیب معکوس خارج می‌شوند
print(lifo_queue.get())  # عنصر 3

import queue
import time
import threading
import random

# ایجاد صف وظایف
task_queue = queue.Queue()

# تابع تولیدکننده وظایف
def task_producer():
    for i in range(1, 6):
        task = f"وظیفه {i}"
        print(f"افزودن {task} به صف")
        task_queue.put(task)
        time.sleep(random.uniform(0.5, 1.5))  # شبیه‌سازی زمان تولید وظیفه

# تابع پردازش‌کننده وظایف
def task_consumer():
    while True:
        # بررسی اتمام وظایف
        if task_queue.empty() and producer_done:
            break
            
        try:
            # دریافت وظیفه بعدی
            task = task_queue.get(block=False)
            print(f"پردازش {task}")
            time.sleep(random.uniform(1, 2))  # شبیه‌سازی زمان پردازش
            task_queue.task_done()
        except queue.Empty:
            # صف خالی است، اندکی صبر کنیم
            time.sleep(0.5)

# اجرای تولیدکننده در یک thread جداگانه
producer_done = False
producer_thread = threading.Thread(target=task_producer)
producer_thread.start()

# اجرای مصرف‌کننده در thread اصلی
time.sleep(1)  # اندکی صبر برای شروع تولید وظایف
consumer_thread = threading.Thread(target=task_consumer)
consumer_thread.start()

# منتظر اتمام کار تولیدکننده
producer_thread.join()
producer_done = True

# منتظر اتمام کار مصرف‌کننده
consumer_thread.join()

print("تمام وظایف با موفقیت پردازش شدند.")