字典是 Python 使用频率第一的数据结构——高频意味着「基础用法」人人都会，而真正拉开差距的是进阶惯用法：安全取值、合并、嵌套、视图、选型。

技巧 1：setdefault 与 defaultdict 的分工

config = {"timeout": 30}
config.setdefault("timeout", 60)     # 30（已存在，不动）
config.setdefault("retries", 3)      # 3（新建）

from collections import defaultdict
groups = defaultdict(list)
for item in data:
    groups[item["city"]].append(item)   # 访问即创建，无试探代码

分工一句话：偶尔兜底用 setdefault；「频繁分组/计数」直接 defaultdict——后者连「键是否存在」这个念头都不需要有。

技巧 2：字典合并的三代进化（| 运算符）

merged = defaults | overrides     # 后者覆盖前者
defaults |= overrides             # 原地合并

a = {"db": {"host": "a", "port": 1}}
b = {"db": {"host": "b"}}
a | b        # {'db': {'host': 'b'}} —— port 丢了！

| 只做浅合并——配置合并场景（默认配置 + 用户配置）里，嵌套字典被整体覆盖而不是逐键合并，这是 | 最容易埋雷的地方。

技巧 3：字典视图——keys/values/items 是「活的」

d = {"a": 1, "b": 2}
ks = d.keys()
d["c"] = 3
print(ks)          # dict_keys(['a', 'b', 'c']) —— 视图跟着变！

common = d1.keys() & d2.keys()       # 两字典共有的键
only_a = d1.keys() - d2.keys()       # 只在 d1 的键
d1.items() == d2.items()             # 键值对整体比较

视图不是快照是「直播」——调试时它自动更新很方便；但若要「留档」，必须 list() 物化。集合运算则是被严重低估的能力：对账类需求（找出两边共有的键）一行完成。

技巧 4：嵌套字典的安全访问

data = {"user": {"profile": {"city": "北京"}}}

data["user"]["profile"]["city"]

city = data.get("user", {}).get("profile", {}).get("city")

try:
    city = data["user"]["profile"]["city"]
except KeyError:
    city = "未知"

class Profile(BaseModel):
    profile: ProfileInfo

选型：偶尔一层不确定 → 链式 get；允许缺失但要求记录 → try；入口可控 → 模型校验。永远不要三层裸链——生产事故的常客。

技巧 5：字典推导 + 条件——批量构造与过滤

prices = {"apple": 5.0, "banana": 3.2, "cherry": 12.0}
expensive = {k: v for k, v in prices.items() if v > 4}
with_tax = {k: round(v * 1.1, 2) for k, v in prices.items()}
inverted = {v: k for k, v in prices.items()}
lookup = dict(zip(["A", "B", "C"], [1, 2, 3]))

技巧 6：字典的有序性——3.7+ 的语言保证

d = {}
d["c"] = 3
d["a"] = 1
list(d)             # ['c', 'a'] —— 按插入顺序

技巧 7：遍历时的修改纪律

d = {"a": 1, "b": 2, "c": 3}

for k in d:
    if d[k] < 2:
        del d[k]

for k in list(d):
    if d[k] < 2:
        del d[k]
d = {k: v for k, v in d.items() if v >= 2}
for k in d:
    d[k] *= 10

纪律的边界要记准：改「值」安全，增删「键」危险——很多 bug 出在「以为改值也不行（过度小心）」或「以为删键也行（侥幸）」两个方向。

技巧 8：选型决策——什么时候不用普通 dict

计数场景            → Counter（自动排序、most_common、算术运算）
分组场景            → defaultdict(list/set)
需要「访问顺序淘汰」  → OrderedDict（move_to_end / popitem(last=False)）
键是「固定字段名」    → dataclass / NamedTuple（属性访问、IDE 补全、防拼错）
大规模只读查询       → dict 本身就是最优（O(1) 哈希）
需要「键也有序+冻结」 → frozendict（3.15 内置，Python 3.15 篇）

一个反直觉提醒：字段固定的结构化数据，用 dict 不如用 dataclass——order["usre_id"]（拼错）不报错返回 KeyError 才发现，而 order.user_id 拼错在 IDE 里当场标红。dict 灵活，dataclass 安全——内外有别（Pydantic 篇的分层原则）。

速查表

d.setdefault(k, v) / defaultdict   兜底初始化 / 分组计数
d1 | d2                            合并（浅！嵌套会被整覆盖）
d1.keys() & d2.keys()              视图集合运算（对账神器）
链式 .get() / try / 模型校验        嵌套安全三选一，拒绝裸链
{k: v for k, v in d.items() if ...}   批量构造过滤
插入有序（3.7+）                    保序去重 / 字段顺序可依赖
改值安全，增删键要遍历副本           遍历修改纪律
Counter/defaultdict/dataclass       按场景升级选型

字典的进阶之路，和所有数据结构一样：先背熟「它的边界在哪」（浅合并、遍历修改、裸链），再把「专用变体」用在对应的场景里（Counter/defaultdict/dataclass）——普通 dict 是万能瑞士刀，但真正的高手知道什么时候该换专用工具。下一个项目里试试「把一个 dict 换成 dataclass」，那种 IDE 当场标红拼错的体验，会让你明白为什么结构化数据值得用结构。

更多相关技术内容咨询欢迎前往并持续关注好学星城论坛了解详情。

想高效系统的学习Python编程语言，推荐大家关注一个微信公众号：Python编程学习圈。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Python入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。