详解Python中zip和unzip的使用

names = ["小明", "小红", "小华"]
scores = [95, 88, 92]
comments = ["认真好学", "积极发言", "思维活跃"]

records = []
for i in range(len(names)):
    records.append({
        'name': names[i],
        'score': scores[i],
        'comment': comments[i]
    })

student_records = [
    {'name': n, 'score': s, 'comment': c} 
    for n, s, c in zip(names, scores, comments)
]

def create_report_cards(names, scores, comments):
    """
    将学生信息组合成格式化的成绩单
    这个函数展示了zip在格式化输出中的应用
    """
    report_cards = []
    for name, score, comment in zip(names, scores, comments):
        report = f"学生{name}: 分数{score}分 - {comment}"
        report_cards.append(report)
    return report_cards

# 使用示例
results = create_report_cards(
    ["小明", "小红", "小华"],
    [95, 88, 92],
    ["认真好学", "积极发言", "思维活跃"]
)

def transpose_matrix(matrix):
    """
    矩阵转置函数
    zip的这个特性特别适合处理二维数据结构
    原理：zip把每个子列表对应位置的元素组合在一起
    """
    return list(zip(*matrix))

# 使用示例
original = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]
transposed = transpose_matrix(original)
"""
[(1, 4, 7),
 (2, 5, 8),
 (3, 6, 9)]
"""

def pair_data_with_defaults(list1, list2, default=None):
    """
    配对两个列表的数据，处理长度不一致的情况
    使用itertools.zip_longest确保不会丢失数据
    """
    from itertools import zip_longest
    return list(zip_longest(list1, list2, fillvalue=default))

# 使用示例
names = ["苹果", "香蕉", "橙子"]
prices = [5, 3]
pairs = pair_data_with_default(names, prices, default=0)

def chunk_data(data, chunk_size):
    """
    将数据按指定大小分组
    巧妙利用zip和迭代器实现数据分块
    """
    iterator = iter(data)
    return zip(*[iterator] * chunk_size)

# 使用示例
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9]
groups = list(chunk_data(numbers, 3))

def unzip_data(zipped_data):
    """
    将zip后的数据重新解压成独立的序列
    """
    return zip(*zipped_data)

# 使用示例
pairs = [(1, 'a'), (2, 'b'), (3, 'c')]
numbers, letters = unzip_data(pairs)
print(numbers)  # 输出: (1, 2, 3)
print(letters)  # 输出: ('a', 'b', 'c')

# 内存友好的数据处理
def process_large_datasets(dataset1, dataset2):
    """
    演示zip处理大数据集的优势
    """
    for item1, item2 in zip(dataset1, dataset2):
        yield process_item(item1, item2)