一、开篇回顾 + 今日目标

• 回顾：Day2掌握了Python变量、3种核心数据类型和print输出，能独立写基础代码，今日重点学习Python两大核心数据结构。

• 今日目标：

  • 熟练掌握列表（list）的定义、基础操作（新增、删除、访问、遍历），理解其有序、可修改的特性；

  • 熟练掌握字典（dict）的定义、基础操作（新增、修改、访问、遍历），理解其键值对、无序的特性；

  • 结合大模型场景，学会用列表存储对话历史、prompt列表，用字典存储模型配置、单条对话；

  • 区分列表与字典的使用场景，能独立完成实操练习，避免混淆。

二、核心知识点（细致讲解，兼顾Python基础与大模型场景）

（一）列表（list）—— 有序、可修改的“批量数据容器”

• 1. 列表的定义（核心语法）

  • 语法格式：列表名 = [元素1, 元素2, 元素3, ...]，元素可以是任意数据类型（字符串、数字、布尔值，甚至是列表/字典）

  • 示例（大模型场景）：

    • prompt列表：prompts = ["介绍Python", "介绍大模型", "Python调用大模型"]

    • 对话历史：chat_history = [{"role": "user", "content": "你好"}, {"role": "assistant", "content": "你好！"}]

  • 关键特性：有序（元素的位置固定，按定义顺序排列）、可修改（可新增、删除、修改元素）、可重复（元素可以重复）。

• 2. 列表的基础操作（必学，大模型高频使用）

  • （1）访问元素（按索引访问，核心操作）

    • 语法：列表名[索引值]，索引从0开始（第一个元素索引为0，第二个为1，以此类推）

    • 示例：prompts = ["a", "b", "c"]，print(prompts[0]) → 输出"a"，print(prompts[2]) → 输出"c"

    • 反向访问：索引为负数，-1表示最后一个元素，-2表示倒数第二个（示例：prompts[-1] → "c"）

    • 大模型场景：访问对话历史中的某条对话（chat_history[0] → 获取第一条对话）

  • （2）新增元素（常用2种方法）

    • append()：在列表末尾新增一个元素（最常用，大模型添加对话历史常用）

    • 示例：chat_history.append({"role": "user", "content": "Python怎么调用大模型？"})

    • insert()：在指定索引位置新增元素（语法：列表名.insert(索引, 元素)）

    • 示例：prompts.insert(1, "大模型原理") → 在第二个位置新增元素

  • （3）修改元素（直接赋值）

    • 语法：列表名[索引] = 新元素（覆盖原有元素）

    • 示例：prompts[0] = "介绍Python基础" → 修改第一个元素

    • 大模型场景：修改对话历史中的某条内容（chat_history[1]["content"] = "你好！我是AI助手"）

  • （4）删除元素（常用3种方法）

    • del：删除指定索引的元素（语法：del 列表名[索引]）

    • pop()：删除指定索引的元素，并返回该元素（默认删除最后一个元素）

    • remove()：根据元素值删除元素（语法：列表名.remove(元素值)，删除第一个匹配的元素）

    • 大模型场景：删除无效的对话内容（chat_history.remove(chat_history[2]) → 删除第三条对话）

  • （5）遍历列表（批量处理，大模型高频）

    • for循环遍历（最常用）：for 变量 in 列表名: 执行语句

    • 示例（批量处理prompt）：prompts = ["介绍Python", "介绍大模型", "Python调用大模型"] for prompt in prompts: print("当前prompt：", prompt)

    • enumerate()遍历：获取索引和元素（语法：for 索引, 变量 in enumerate(列表名): 执行语句）

    • 示例（批量处理对话历史，带索引）：chat_history = [{"role": "user", "content": "你好"}, {"role": "assistant", "content": "你好！"}] for idx, msg in enumerate(chat_history): print(f"第{idx+1}条对话：{msg['role']}：{msg['content']}")

• 3. 列表的其他常用操作（按需掌握）

  • len(列表名)：计算列表长度（元素个数），大模型场景：判断对话历史长度（len(chat_history)）

  • sorted(列表名)：对列表排序（默认升序），适用于批量处理有序数据

  • 列表切片：列表名[开始索引:结束索引]，获取列表的一部分（示例：prompts[0:2] → 获取前两个元素）

• 4. 易错点提醒（新手必看）

  • 索引越界：访问的索引超出列表长度（如列表有3个元素，访问索引3，会报错）；

  • append()与insert()混淆：append()只能在末尾新增，insert()可指定位置；

  • 遍历列表时修改列表长度（如删除元素），会导致遍历不完整。

（二）字典（dict）—— 无序、键值对的“结构化数据容器”

• 1. 字典的定义（核心语法）

  • 语法格式：字典名 = {键1: 值1, 键2: 值2, ...}，键（key）和值（value）成对出现，键唯一，值可任意数据类型

  • 示例（大模型场景）：

    • 模型配置：model_config = {"model": "qwen-7b", "temperature": 0.7, "max_tokens": 1024}

    • 单条对话：msg = {"role": "user", "content": "什么是大模型？"}

  • 关键特性：无序（Python 3.7+后有序，但不依赖顺序）、键唯一（同一字典中不能有重复的键）、可修改（可新增、修改、删除键值对）。

  • 核心作用：存储结构化数据，键用于标识，值用于存储具体内容，大模型中常用于存储配置、单条对话等。

• 2. 字典的基础操作（必学，大模型高频使用）

  • （1）访问值（按键访问，核心操作）

    • 语法：字典名[键名] → 获取该键对应的 value

    • 示例：print(model_config["temperature"]) → 输出0.7，print(msg["content"]) → 输出"什么是大模型？"

    • get()方法（推荐，避免报错）：字典名.get(键名, 默认值)，键不存在时返回默认值（示例：model_config.get("top_p", 0.9) → 键不存在，返回0.9）

    • 大模型场景：获取模型配置中的参数（model_config["max_tokens"]）、获取对话中的内容（msg["content"]）

  • （2）新增键值对（直接赋值）

    • 语法：字典名[新键名] = 新值，若键不存在则新增，若键存在则修改

    • 示例（新增模型配置）：model_config["stream"] = True → 新增“流式输出”配置

    • 大模型场景：为单条对话新增“时间”字段（msg["time"] = "2026-03-29"）

  • （3）修改值（直接赋值）

    • 语法：字典名[已存在的键名] = 新值（覆盖原有值）

    • 示例（调整模型参数）：model_config["temperature"] = 0.5 → 修改温度参数

  • （4）删除键值对（常用2种方法）

    • del：删除指定键的键值对（语法：del 字典名[键名]）

    • 示例：del model_config["stream"] → 删除“流式输出”配置

    • pop()：删除指定键的键值对，并返回该键对应的 value（语法：字典名.pop(键名)）

  • （5）遍历字典（大模型批量处理配置常用）

    • 遍历键：for 键 in 字典名: 执行语句（示例：for key in model_config: print(key) → 输出所有键）

    • 遍历值：for value in model_config.values(): 执行语句（示例：for value in model_config.values(): print(value) → 输出所有值）

    • 遍历键值对（最常用）：for 键, 值 in 字典名.items(): 执行语句

    • 示例（打印模型配置）： model_config = {"model": "qwen-7b", "temperature": 0.7, "max_tokens": 1024} for key, value in model_config.items(): print(f"{key}：{value}")

• 3. 字典的其他常用操作（按需掌握）

  • len(字典名)：计算字典中键值对的个数（示例：len(model_config) → 3）

  • keys()：获取所有键（返回一个可迭代对象），values()：获取所有值，items()：获取所有键值对

  • clear()：清空字典中所有键值对（语法：字典名.clear()）

• 4. 易错点提醒（新手必看）

  • 键必须唯一：同一字典中不能有重复的键，否则后面的键值对会覆盖前面的；

  • 键的类型限制：键只能是不可变类型（字符串、数字、布尔值），不能是列表、字典等可变类型；

  • 访问不存在的键：用字典名[键名]会报错，推荐用get()方法；

  • 字典无序：不能按索引访问，只能按键访问（Python 3.7+后有序，但不推荐依赖顺序）。

（三）列表与字典的区别（关键，避免混淆）

三、今日实操（代码可直接复制，贴合大模型场景）

• 实操1：列表操作（对话历史管理）

  # 定义对话历史列表（大模型聊天场景）
  chat_history = [
      {"role": "user", "content": "你好，介绍一下Python"},
      {"role": "assistant", "content": "Python是一门简洁易用的编程语言，适合大模型开发"}
  ]
  
  # 1. 新增对话（append()）
  chat_history.append({"role": "user", "content": "Python怎么调用大模型？"})
  print("新增对话后：", chat_history)
  
  # 2. 访问第一条对话
  print("\n第一条对话：", chat_history[0])
  
  # 3. 修改第二条对话的内容
  chat_history[1]["content"] = "Python是大模型开发的首选语言，生态完善、用法简洁"
  print("\n修改对话后：", chat_history)
  
  # 4. 删除第三条对话（del）
  del chat_history[2]
  print("\n删除对话后：", chat_history)
  
  # 5. 遍历对话历史（带索引）
  print("\n遍历对话历史：")
  for idx, msg in enumerate(chat_history):
      print(f"第{idx+1}条：{msg['role']} → {msg['content']}")
  
  # 6. 计算对话历史长度
  print("\n对话历史长度：", len(chat_history))

• 实操2：字典操作（模型配置管理）

  # 定义模型配置字典（大模型调用场景）
  model_config = {
      "model_name": "chatglm3-6b",
      "temperature": 0.7,
      "max_new_tokens": 1024,
      "top_p": 0.9
  }
  
  # 1. 访问模型温度参数（两种方式）
  print("模型温度（直接访问）：", model_config["temperature"])
  print("模型top_p（get方法）：", model_config.get("top_p", 0.8))
  
  # 2. 新增配置（流式输出）
  model_config["stream"] = True
  print("\n新增配置后：", model_config)
  
  # 3. 修改模型温度参数
  model_config["temperature"] = 0.5
  print("\n修改温度后：", model_config)
  
  # 4. 删除top_p配置（pop()）
  model_config.pop("top_p")
  print("\n删除top_p后：", model_config)
  
  # 5. 遍历模型配置（键值对）
  print("\n遍历模型配置：")
  for key, value in model_config.items():
      print(f"{key}：{value}")
  
  # 6. 计算配置个数
  print("\n配置个数：", len(model_config))

• 实操3：列表与字典结合（大模型批量处理）

  # 定义prompt列表和模型配置字典
  prompts = [
      "介绍大模型的核心原理",
      "Python如何调用大模型API",
      "推荐3个大模型开发常用的Python库"
  ]
  model_config = {"model": "qwen-7b", "temperature": 0.6}
  
  # 批量处理prompt，模拟大模型调用
  print("批量处理prompt：")
  for idx, prompt in enumerate(prompts):
      print(f"\n第{idx+1}个prompt：{prompt}")
      print(f"模型配置：{model_config}")
      print("模拟模型响应：基于当前prompt生成回答（实际开发中替换为真实调用）")

四、易错点汇总（新手避坑）

• 列表索引越界，访问不存在的索引；

• 字典用索引访问值，导致报错（应按键访问）；

• 字典中使用重复的键，导致数据覆盖；

• 遍历列表时删除元素，导致遍历不完整；

• 混淆列表和字典的使用场景（批量数据用列表，结构化数据用字典）。

五、今日练习（10分钟巩固）

• 1. 定义一个prompt列表，包含5个大模型相关的prompt，新增1个prompt，删除第3个prompt，遍历并打印所有prompt；

• 2. 定义一个模型配置字典，包含模型名称、温度、最大tokens、是否开启流式输出，修改温度为0.4，新增top_k参数（值为50），遍历并打印所有配置；

• 3. 定义一个对话历史列表（包含3条对话），遍历列表，打印每条对话的角色和内容。

六、次日预告

• Day4将讲解Python流程控制的核心——if判断和for循环，学会后就能实现“条件校验”和“批量处理”，比如批量调用大模型、校验模型参数合法性，为后续函数封装打下基础！