本文介绍一种基于字典嵌套列表的轻量级、可扩展数据结构，适用于运行时动态添加不同类型数据实例的场景，兼顾查询效率、插入灵活性与代码可维护性。
本文介绍一种基于字典嵌套列表的轻量级、可扩展数据结构，适用于运行时动态添加不同类型数据实例的场景，兼顾查询效率、插入灵活性与代码可维护性。
在 Python 中处理具有异构类型但共享统一模式（如 time、type、data）的动态数据时，盲目使用深层嵌套字典容易导致逻辑混乱和维护困难。一个更优雅、实用的方案是采用单层字典 + 列表值（dict[str, list[dict]]）结构：字典的键（key）代表数据类型标识（如 'sensor_temp'、'user_event'），值（value）则是该类型下所有实例组成的列表。
这种设计天然契合您的层级需求——外层字典对应 dataType1, dataType2 等逻辑分类；内层列表则承载 instance1, instance2 等具体记录，且支持无限追加、按需遍历：
# 初始化空的数据结构
data_structure = {}
def add_data_instance(new_data):
"""向数据结构中添加新实例。要求 new_data 包含 'name' 键作为类型标识"""
data_type = new_data.get('name')
if not data_type:
raise ValueError("new_data must contain a 'name' key to identify its type")
if data_type not in data_structure:
data_structure[data_type] = []
data_structure[data_type].append(new_data)
# 示例：动态注册多种数据类型及其实例
add_data_instance({'name': 'temperature', 'time': '2024-06-15T10:30:00', 'data': 23.5})
add_data_instance({'name': 'temperature', 'time': '2024-06-15T10:31:00', 'data': 23.7})
add_data_instance({'name': 'login_event', 'time': '2024-06-15T10:32:00', 'data': {'user_id': 1001, 'ip': '192.168.1.5'}})
# 快速访问某类型的所有实例
for record in data_structure['temperature']:
print(f"[{record['time']}] Temp: {record['data']}°C")
# 安全获取首个实例（避免 KeyError）
first_temp = data_structure.get('temperature', [{}])[0]
print("First temperature reading:", first_temp.get('data'))✅ 优势总结：
- 运行时完全动态：无需预定义类型，首次出现 name 即自动创建新分类；
- 零耦合扩展：新增数据类型或字段（如增加 'unit' 或 'source'）不影响现有逻辑；
- 高性能操作：O(1) 类型查找 + O(1) 追加，远优于遍历嵌套结构；
- 天然兼容序列化：整个 data_structure 可直接用 json.dump() 持久化。
⚠️ 注意事项：
立即学习“Python免费学习笔记（深入）”；
- 建议为 name 字段建立命名规范（如小写+下划线），避免大小写歧义；
- 若需频繁按时间范围查询，可在 add_data_instance 中对列表保持有序（配合 bisect），或后续引入 pandas.DataFrame 做增强分析；
- 生产环境建议封装为类（如 DataRegistry），增加类型校验、线程安全锁或事件回调机制。
该结构简洁却不失表达力，是平衡灵活性与工程稳健性的典型 Python 实践。
