Python字典查询快的核心是哈希表结构，平均时间复杂度O(1)；通过hash()计算键的哈希值并取模定位桶位置，要求键可哈希且不可变；采用开放寻址法解决冲突，辅以动态扩容、懒删除和哈希缓存等优化。
Python 字典查询快，核心在于它用的是哈希表（Hash Table）结构，而不是线性遍历。平均情况下，查找、插入、删除的时间复杂度都是 O(1)，也就是“常数时间”——和字典里存了多少个键值对基本无关。
哈希函数把键快速映射到内存位置
当你执行 d['name'] 时，Python 先对 'name' 调用内置的哈希函数 hash()，算出一个整数（比如 -123456789）。这个数再通过取模运算，定位到内部数组（称为“哈希表桶”）的某个下标位置。只要哈希值分布够均匀，就能直接跳到目标附近，不用一个个比对。
注意：不是所有对象都能当字典键，必须是可哈希的（immutable），比如 str、int、tuple（且元素都不可变），而 list、dict、set 就不行——因为它们内容可变，哈希值无法稳定。
解决哈希冲突：开放寻址 + 伪随机探测
不同键可能算出相同哈希值（哈希冲突），Python 字典不用链地址法（如 Java 的 HashMap），而是采用开放寻址法（open addressing）。当目标位置已被占用，它会按特定规则（如伪随机偏移）找下一个空位，直到插入成功。
立即学习“Python免费学习笔记（深入）”；
这种设计让内存更紧凑，缓存友好，实际性能更高。同时 Python 还在底层做了很多优化，比如：
- 动态扩容：当装载因子（已用槽数 / 总槽数）超过 2/3 时自动扩容，减少冲突
- 懒删除：删键时不真正清空槽位，而是打上“已删除”标记，避免探测链断裂
- 哈希缓存：字符串等常用类型会缓存哈希值，避免重复计算
为什么比列表 or 元组查找快得多？
列表用 list.index() 或 in 查找某值，本质是顺序扫描，最坏要检查全部元素，时间复杂度 O(n)。而字典靠哈希一步定位，哪怕有百万个键，平均也只要几次内存访问。
举个例子：
- 一个含 100 万个键的字典，查某个 key 平均约 1–2 次比较；
- 同样大小的列表用 if key in my_list，平均要比较 50 万次。
小提醒：快是有条件的
哈希表的高效依赖几个前提：
- 哈希函数计算要快（Python 对常见类型做了高度优化）
- 键的哈希值尽量分散（自定义类做键时，务必正确实现
__hash__和__eq__） - 不要频繁增删导致反复扩容（虽然 Python 自动处理，但仍有开销）
所以，别为了“看起来高级”把所有数据都塞进字典——该用列表遍历时还是得遍历，关键看访问模式。
