Python 数据结构：list / dict / set 对应 JS 的哪里？｜基础篇

summer_tulip

881人浏览 · 2026-04-04 15:00:00

summer_tulip · 2026-04-04 15:00:00 发布

【Python list/dict/set + JS Array/Map/Set】AI 应用开发数据结构选型实战：从顺序数据、键值索引到去重逻辑落地，彻底搞懂前端转 Python 的最佳写法，避开迁移过程中的顺序、可变性与查找复杂度高频坑！

在这里插入图片描述

📑 文章目录

一、先给结论：Python 对应 JS 是什么？
二、list：Python 的有序数组，对应 JS Array
三、dict：Python 的键值映射，对应 JS Map（优先）/ Object
四、set：Python 去重集合，对应 JS Set
五、三者怎么配合：AI 应用开发的“选型范式”
- 5.1 一个综合例子：从一堆候选里去重并聚合评分
六、最后：一套快速判断题（写代码直接套）
七、结束语：通俗但实用的目标
🔍 系列模块导航
- 📝 AI应用开发工程师基础篇
- 📚 系列总览

同学们好，我是 Eugene（尤金），一名前端出身、正在持续深耕 AI 应用开发的工程师。

（Eugene 发音 /juːˈdʒiːn/，大家怎么顺口怎么叫就好）

如果你也和曾经的我一样：

会前端、会工程化、项目经验不少，

但一提到大模型、RAG、Agent、向量库、AI 架构，感觉概念很多、路径很乱，不知道该从哪一步开始落地。

那这个系列，就是专门为你准备的。

这不是一套“只讲概念”的内容，而是一条前端工程师可执行的 AI 转型路线：

从 Python 与 FastAPI，到大模型 API、Prompt、RAG、Agent、部署与架构，再到项目实战与面试就业。

我会坚持用大白话 + 工程化视角 + 真实场景来讲，

不堆玄学，不绕术语。

我们的目标很明确：

不只是“看懂 AI”，而是“真正做出可上线、可维护、可扩展的 AI 应用”。

你如果是做前端的（比如 Vue 方向），已经写了很多 JS 代码，但要转去做 AI 应用开发，最常见的“卡点”往往不是模型原理，而是日常写代码的数据结构选型：

该用 list 还是 dict？
set 在 JS 里怎么对应？
迁移代码时，顺序/可变性/查找复杂度会不会踩坑？

这篇文章用“像教小白一样”的方式，把 Python 的 list / dict / set 对应到 JS 的等价结构，并结合几个可直接运行的完整示例讲清楚：怎么选、为什么这么选、容易踩在哪。

一、先给结论：Python 对应 JS 是什么？

把你熟悉的 JS 观念先套进来：

Python	典型用途	JS 对应物（推荐优先级）
`list`	有序集合、需要重复元素	`Array`（最常用）
`dict`	键值映射（key -> value），快速按 key 查找	`Map`（推荐）或 `Object`（也能用，但更容易踩坑）
`set`	去重/成员存在性判断	`Set`

一句话：

list ↔ Array
dict ↔ Map（或 Object）
set ↔ Set

接下来我们逐个讲，并把“为什么这么选”说透。

⬆ 返回目录

二、`list`：Python 的有序数组，对应 JS `Array`

2.1 核心特征

list 具备这些特征：

有序（你插入的顺序会影响遍历结果）
可变（可以 append / pop / 修改下标）
允许重复元素

JS 的 Array 基本就是同一类东西。

⬆ 返回目录

2.2 选择场景：什么时候用 `list / Array`？

当你需要：

按顺序保存数据（例如聊天历史、时间序列、模型输出的片段）
允许重复（例如频率统计前的原始数据列表）
你常常使用下标访问、切片、遍历

就优先用 list / Array。

⬆ 返回目录

2.3 示例：统计词频（先收集，再统计）

Python 版本（用 `list` 收集词）

# -*- coding: utf-8 -*-

text = "ai ai python vue ai"

words = text.split()  # 这里得到的是 list
print("words:", words)

# 统计词频：先用 dict（后面会讲），但 words 用 list 来承载原始序列
freq = {}
for w in words:
    freq[w] = freq.get(w, 0) + 1

print("freq:", freq)

JS 版本（用 `Array` 收集词）

const text = "ai ai python vue ai";

const words = text.split(" "); // Array
console.log("words:", words);

// 统计词频：最终要用 Map/Object（见 dict 对应）
const freq = new Map();
for (const w of words) {
  freq.set(w, (freq.get(w) ?? 0) + 1);
}
console.log("freq:", Object.fromEntries(freq));

你会发现：

list/Array 很适合做“数据容器”
具体的“快速按 key 查找”要用 dict/Map

⬆ 返回目录

2.4 常见坑（list ↔ Array）

别以为“按值查找很快”
list/Array 查找某个值是否存在，通常是线性扫描（概念上类似 O(n)）。
- 如果你需要“成员存在性判断/去重”，应该用 set/Set。
下标越界/切片理解差异
- Python 切片 a[1:3] 不会报错（会得到空或更短）
- JS 也类似，但要注意你用的方法（slice）和可能的类型变化。
修改时机要明确
比如你在 for 遍历时删除元素，可能导致逻辑错乱。实践上：优先用新数组/明确策略，而不是边遍历边乱删。

⬆ 返回目录

三、`dict`：Python 的键值映射，对应 JS `Map`（优先）/ `Object`

3.1 核心特征

dict 最重要的特性是：

用 key 快速定位 value
key 必须是可哈希类型（通常是字符串、数字、元组等）
对“按 key 查找/更新”非常高效（思维上是接近常数时间）

JS 里对应的是：

Map：语义最贴近 dict
Object：也能做 key -> value，但有些边界情况更容易踩坑（尤其是 key 类型、继承链、遍历行为等）

⬆ 返回目录

3.2 选择场景：什么时候用 `dict / Map`？

当你需要：

“根据某个字段快速取值”
“把一个维度映射到另一个维度”
“做索引/缓存/统计表”（AI 应用很常见）

例如 AI 应用里常见：

缓存：cache[key] = embedding
解析：json_dict["choices"][0]["message"]["content"]
统计：每个用户/每个会话的状态表

这时候 dict/Map 就是王道。

⬆ 返回目录

3.3 示例：按 id 聚合数据（list + dict 的典型组合）

Python：用 `dict` 做聚合表

users = [
    {"id": 1, "name": "Alice", "score": 10},
    {"id": 1, "name": "Alice", "score": 15},
    {"id": 2, "name": "Bob", "score": 8},
]

# 聚合：id -> 总分
score_by_id = {}

for u in users:
    uid = u["id"]
    score_by_id[uid] = score_by_id.get(uid, 0) + u["score"]

print(score_by_id)  # {1: 25, 2: 8}

JS：用 `Map` 做同样的聚合

const users = [
  { id: 1, name: "Alice", score: 10 },
  { id: 1, name: "Alice", score: 15 },
  { id: 2, name: "Bob", score: 8 },
];

const scoreById = new Map();

for (const u of users) {
  const uid = u.id;
  const prev = scoreById.get(uid) ?? 0;
  scoreById.set(uid, prev + u.score);
}

console.log(Object.fromEntries(scoreById)); // { '1': 25, '2': 8 }

⬆ 返回目录

3.4 为什么不建议你总用 JS 的 `Object`？

Object 能用，但它有几个“前端老鸟常见误区”：

Object 的 key 会被强制转换为字符串（Map 不会）
Object 有原型链：你如果随便用普通对象做 key，可能遇到意外属性（比如 __proto__ 相关问题）
Map 的语义更清晰：你就是要做“键值映射表”，用 Map更直观、更安全

所以从“可读性”和“少踩坑”的角度：

dict ↔ Map（推荐）
Object 适合你确定 key 都是普通字符串，且你非常清楚它的边界

⬆ 返回目录

3.5 常见坑（dict ↔ Map/Object）

把“存在性”写错了
- Python：if key in d: ...
- JS：map.has(key) 最清晰
  不要用奇怪的“值为假就当不存在”，因为 value 可能是 0、"" 等。
忘了默认值
- Python：d.get(key, default)
- JS：map.get(key) ?? default
key 的类型一致性
- Map 支持 key 为不同类型并严格区分（1 和 "1"是不同的）
- 迁移代码时特别容易写错

⬆ 返回目录

四、`set`：Python 去重集合，对应 JS `Set`

4.1 核心特征

set 具备：

自动去重
快速判断成员是否存在（思维上接近常数时间）
不关心顺序（你不要依赖插入顺序做业务逻辑）

JS 的 Set 就是同类概念。

⬆ 返回目录

4.2 选择场景：什么时候用 `set / Set`？

当你需要：

去重（例如去除重复的页面 URL、重复的候选文档）
判断某元素是否出现过（例如过滤已处理的任务 id）
收集唯一值，再转回 list/Array 做后续处理

AI 应用里也非常常见：

去重召回文档
去重 token（例如某些词表处理）
跟踪已请求/已生成过的内容 id（避免重复调用）

⬆ 返回目录

4.3 示例：去重并统计唯一用户

Python：用 set 去重

user_ids = [1, 2, 2, 3, 3, 3]

unique_ids = set(user_ids)
print("unique_ids:", unique_ids)
print("count:", len(unique_ids))

JS：用 Set 去重

const userIds = [1, 2, 2, 3, 3, 3];

const uniqueIds = new Set(userIds);
console.log("uniqueIds:", Array.from(uniqueIds));
console.log("count:", uniqueIds.size);

⬆ 返回目录

4.4 常见坑（set ↔ Set）

不要在业务上依赖顺序
如果你需要“既去重又要顺序”，这时要用额外结构（例如 list + set 组合策略），不要直接只用 set 。
只能放可哈希元素（Python 的 set）
- Python：list 不能作为 set 元素，因为 list 不可哈希
- JS：Set 可以放对象引用，但“内容相等”不是同一回事
  迁移时最容易误解：“两个内容相同的对象”在 JS 的 Set 里不一定会去重，因为引用不同。

⬆ 返回目录

五、三者怎么配合：AI 应用开发的“选型范式”

你在 AI 应用里经常会遇到这种数据流：

模型输出是“列表/序列”（token、候选项、消息历史）
需要按某个字段做快速查找（按用户 id、按文档 id、按会话 id）
需要去重（同一条候选不重复处理）

因此一个非常实用的组合范式是：

用 list/Array：承载“顺序数据”
用 dict/Map：承载“按 key 查找的数据表”
用 set/Set：承载“唯一性/去重/已处理集合”

5.1 一个综合例子：从一堆候选里去重并聚合评分

Python

candidates = [
    {"doc_id": "d1", "score": 0.2},
    {"doc_id": "d2", "score": 0.4},
    {"doc_id": "d1", "score": 0.3},  # 重复 doc_id
]

seen = set()              # set：去重控制
sum_score = {}            # dict：doc_id -> 累计分
count_by_doc = {}         # dict：doc_id -> 出现次数

for c in candidates:
    doc_id = c["doc_id"]
    score = c["score"]

    # 这里我们不只是“去重保留第一条”，而是统计累计分
    sum_score[doc_id] = sum_score.get(doc_id, 0) + score
    count_by_doc[doc_id] = count_by_doc.get(doc_id, 0) + 1

    seen.add(doc_id)

print("unique docs:", seen)
print("sum_score:", sum_score)
print("count_by_doc:", count_by_doc)

JS

const candidates = [
  { doc_id: "d1", score: 0.2 },
  { doc_id: "d2", score: 0.4 },
  { doc_id: "d1", score: 0.3 },
];

const seen = new Set();        // Set
const sumScore = new Map();    // Map
const countByDoc = new Map();  // Map

for (const c of candidates) {
  const docId = c.doc_id;
  const score = c.score;

  sumScore.set(docId, (sumScore.get(docId) ?? 0) + score);
  countByDoc.set(docId, (countByDoc.get(docId) ?? 0) + 1);

  seen.add(docId);
}

console.log("unique docs:", Array.from(seen));
console.log("sum_score:", Object.fromEntries(sumScore));
console.log("count_by_doc:", Object.fromEntries(countByDoc));

这段示例背后的“选型逻辑”很关键：

set：保证我们能拿到唯一 doc
dict/Map：用 doc_id 做索引，把统计结果存起来
list：候选本身自然是序列输入

⬆ 返回目录

六、最后：一套快速判断题（写代码直接套）

当你遇到新需求，在你写代码前先问这三句：

我需要“顺序/可重复”吗？
是 -> list / Array
否 -> 看下面
我需要“按 key 快速取值/更新”吗？
是 -> dict / Map
否 -> 看下面
我需要“去重/判断是否出现过”吗？
是 -> set / Set

如果三者都需要，就按组合范式：

序列用 list/Array
索引用 dict/Map
唯一性用 set/Set

⬆ 返回目录

七、结束语：通俗但实用的目标

从“前端老鸟”转向“AI 应用开发工程师”，不需要一上来就啃玄学原理。
真正能让你写得快、写得对、写得不返工的，是这些日常工程能力：数据结构选型 + 避坑意识。

这篇文章讲的 list / dict / set，就是在 AI 应用里绕不开的基础工具。后面你继续把它们用在：

prompt 拼装（消息历史：list + 按角色索引：dict）
结果去重（候选文档：set）
缓存/追踪（调用状态：dict/Map）
就会发现“AI 开发”其实也和普通工程一样：本质是把数据组织好，再把流程跑起来。

⬆ 返回目录

🔍 系列模块导航

📝 AI应用开发工程师基础篇

一、《AI大模型应用开发怎么入门？认知、选型与避坑指南｜基础篇》
二、《AI 开发工程师到底是什么？｜基础篇》
三、《为什么 AI 应用开发首选 Python？｜基础篇》
四、《Python + venv + VSCode：前端工程师 AI 转型入门｜基础篇》
五、《Python 基础语法：7 天快速上手｜基础篇》
六、《Python 数据结构：list 、 dict 、 set 对应 JS 的哪里？｜基础篇》
七、《Python 函数与模块化：前端工程化思维完全通用｜基础篇》
八、《Python 异步 async/await：为什么 AI 框架大量使用？｜基础篇》

👉 跟着系列慢慢学，把技术功底扎扎实实地打牢～

📚 系列总览

AI 应用开发从 0 到 1：前端转 AI 完整体系（持续更新中）

系列完结后会整理成一篇完整导航文并附上直达链接，方便大家按顺序、体系化学习。

全套内容持续更新中，敬请期待～

⬆ 返回目录

AI 时代，真正稀缺的不是会调用一个模型接口的人，

而是能把业务、工程、架构、模型能力连接起来，做成完整产品的工程师。

前端转 AI，不是推倒重来，而是把你原有的工程化能力升级到新的技术栈里。

你过去积累的组件化、性能优化、协作规范、系统思维，都会在 AI 项目中继续产生价值。

后续我会持续更新这个系列：

覆盖基础认知、RAG、Agent、函数调用、开源模型部署、企业级架构、项目实战与面试求职，

帮你一步步从「会写页面」走向「能交付 AI 应用」。

如果这篇对你有帮助，欢迎 点赞 + 收藏 + 关注。

把这套系列当作你的 AI 转型路线图，跟着节奏持续推进，你会看到非常明显的成长。

我是 Eugene，你的电子学友，我们下篇干货见～

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

大模型在多核CPU上的推理优化：线程亲和性与NUMA感知

AtomGit开源社区

【信息科学与工程学】【数据科学】五十篇运营、销售、产品、舆论及利益链条治理方面的核心规则模型10

申请A（优先级9，需100核），B（优先级7，需80核），C（优先级5，需120核）。结合成本，给出建议。根据历史用量和业务预测，自动化计算应在何时、购买何种类型（标准/可转换）、何种期限（1年/3年）、何种付款选项（全预付/部分预付/无预付）的RI或SP，以及购买多少数量，在满足业务需求的前提下最小化总拥有成本（TCO）。：规则从简单的账单汇总（R-FIN-01），演进到主动的购买优化（R-FI

AtomGit开源社区

Laravel 7.x 核心特性全解析

Laravel 7.x带来多项重要改进：路由模型绑定支持自定义键名和解析逻辑；新增流畅的HTTP客户端简化外部API调用；允许自定义模型类型转换；增强多用户认证功能；引入密码确认中间件提升安全性。测试方面优化了路由缓存、支持并行测试，改进HTTP和数据库测试工具。其他亮点包括邮件模板设计、Eloquent子查询增强、CORS支持等。该版本要求PHP≥7.2.5，为后续版本升级奠定了基础，重点提升了

AtomGit开源社区

所有评论(0)

查看更多评论

summer_tulip

@summer_tulip

已为社区贡献12条内容

Python 数据结构：list / dict / set 对应 JS 的哪里？｜ 基础篇

summer_tulip

📑 文章目录

一、先给结论：Python 对应 JS 是什么？

二、list：Python 的有序数组，对应 JS Array

2.1 核心特征

2.2 选择场景：什么时候用 list / Array？

2.3 示例：统计词频（先收集，再统计）

Python 版本（用 list 收集词）

JS 版本（用 Array 收集词）

2.4 常见坑（list ↔ Array）

三、dict：Python 的键值映射，对应 JS Map（优先）/ Object

3.1 核心特征

3.2 选择场景：什么时候用 dict / Map？

3.3 示例：按 id 聚合数据（list + dict 的典型组合）

Python：用 dict 做聚合表

JS：用 Map 做同样的聚合

3.4 为什么不建议你总用 JS 的 Object？

3.5 常见坑（dict ↔ Map/Object）

四、set：Python 去重集合，对应 JS Set

4.1 核心特征

4.2 选择场景：什么时候用 set / Set？

4.3 示例：去重并统计唯一用户

Python：用 set 去重

JS：用 Set 去重

4.4 常见坑（set ↔ Set）

五、三者怎么配合：AI 应用开发的“选型范式”

5.1 一个综合例子：从一堆候选里去重并聚合评分

Python

JS

六、最后：一套快速判断题（写代码直接套）

七、结束语：通俗但实用的目标

🔍 系列模块导航

📝 AI应用开发工程师基础篇

📚 系列总览

所有评论(0)

summer_tulip

Python 数据结构：list / dict / set 对应 JS 的哪里？｜基础篇

二、`list`：Python 的有序数组，对应 JS `Array`

2.2 选择场景：什么时候用 `list / Array`？

Python 版本（用 `list` 收集词）

JS 版本（用 `Array` 收集词）

三、`dict`：Python 的键值映射，对应 JS `Map`（优先）/ `Object`

3.2 选择场景：什么时候用 `dict / Map`？

Python：用 `dict` 做聚合表

JS：用 `Map` 做同样的聚合

3.4 为什么不建议你总用 JS 的 `Object`？

四、`set`：Python 去重集合，对应 JS `Set`

4.2 选择场景：什么时候用 `set / Set`？