上一篇我们学会了用流程控制让代码 “动起来”，今天要攻克的容器数据类型，是处理大模型海量训练数据的核心武器！大模型需要批量存储参数、训练样本、配置信息，单靠普通变量根本不够用，而列表、元组、字典、集合这 4 种容器，就像不同功能的 “数据仓库”，能高效管理和操作数据，为后续模型训练、数据清洗打下坚实基础一、列表（List）：有序可变的 “数据清单”
列表是最常用的容器，用 [] 定义，有序、可修改、可重复，特别适合存储大模型的训练日志、损失值序列、批量样本等。
1. 基础定义与访问
# 存储大模型5轮训练的损失值（有序，可修改）loss_list = [0.32, 0.28, 0.25, 0.22, 0.19]# 访问元素：索引从0开始print("第1轮损失值：", loss_list[0]) # 输出：0.32print("最后1轮损失值：", loss_list[-1]) # 输出：0.19# 切片：获取前3轮损失值print("前3轮损失值：", loss_list[:3]) # 输出：[0.32, 0.28, 0.25]
2. 常用操作（大模型开发高频）
loss_list = [0.32, 0.28, 0.25]# 1. 添加元素：追加第4轮损失值loss_list.append(0.22)print("添加后：", loss_list) # 输出：[0.32, 0.28, 0.25, 0.22]# 2. 修改元素：修正第2轮损失值loss_list[1] = 0.27print("修改后：", loss_list) # 输出：[0.32, 0.27, 0.25, 0.22]# 3. 删除元素：移除异常数据loss_list.remove(0.32)print("删除后：", loss_list) # 输出：[0.27, 0.25, 0.22]# 4. 遍历列表：计算平均损失total_loss = 0for loss in loss_list: total_loss += lossavg_loss = total_loss / len(loss_list)print("平均损失：", avg_loss) # 输出：0.24666666666666667
大模型场景：存储多轮训练的损失值、准确率，用于可视化分析模型收敛趋势。二、元组（Tuple）：有序不可变的 “只读清单”元组用 () 定义，有序、不可修改、可重复，适合存储固定不变的配置信息（比如模型输入维度、固定超参数）。# 存储大模型输入维度（不可修改，防止误操作）input_shape = (512, 768) # 序列长度512，隐藏维度768# 访问元素print("序列长度：", input_shape[0]) # 输出：512print("隐藏维度：", input_shape[1]) # 输出：768
input_shape = (512, 768)# 尝试修改会报错！# input_shape[0] = 1024 # TypeError: 'tuple' object does not support item assignment
大模型场景：存储模型固定参数（如输入维度、类别数），避免代码误改导致训练崩溃。三、字典（Dict）：键值对的 “配置表”
字典用 {} 定义，键唯一、值可修改，是大模型开发中最核心的容器 —— 专门用来存储模型配置、参数映射、样本标签等结构化数据。
1. 基础定义与访问
# 大模型核心配置字典（键=参数名，值=参数值）llm_config = { "model_name": "Python-LLM-Base", "learning_rate": 0.001, "batch_size": 64, "train_epochs": 100, "is_finetune": True}# 访问值：通过键名获取print("模型名称：", llm_config["model_name"]) # 输出：Python-LLM-Baseprint("学习率：", llm_config.get("learning_rate")) # 更安全的获取方式
大模型场景：存储模型超参数、数据集路径、训练策略，是配置文件和参数传递的首选。四、集合（Set）：无序唯一的 “去重工具”
集合用 {} 或 set() 定义，无序、元素唯一、不可重复，适合数据清洗中的去重、交集 / 并集计算。
1. 基础定义与去重
# 模拟训练数据中重复的样本IDsample_ids = [101, 102, 101, 103, 102, 104]# 转成集合自动去重unique_ids = set(sample_ids)print("去重后样本ID：", unique_ids) # 输出：{101, 102, 103, 104}
# 训练集样本IDtrain_ids = {101, 102, 103, 104}# 测试集样本IDtest_ids = {103, 104, 105, 106}# 交集：同时出现在训练集和测试集的样本（需剔除）common_ids = train_ids & test_idsprint("重复样本ID：", common_ids) # 输出：{103, 104}# 并集：所有样本IDall_ids = train_ids | test_idsprint("所有样本ID：", all_ids) # 输出：{101, 102, 103, 104, 105, 106}
大模型场景：数据清洗阶段去重样本、筛选训练 / 测试集不重叠数据。"""实战案例：大模型训练数据预处理功能：1. 用字典存储模型配置2. 用列表存储训练损失值3. 用集合去重样本ID4. 用元组固定输入维度"""# 1. 固定配置（元组）input_shape = (512, 768)# 2. 模型配置（字典）llm_config = { "model_name": "LLM_Data_Pre", "learning_rate": 0.001, "batch_size": 32, "max_epochs": 50}# 3. 训练损失值（列表）loss_history = [0.35, 0.31, 0.28, 0.26, 0.24]# 4. 样本ID去重（集合）raw_sample_ids = [201, 202, 201, 203, 202, 204]unique_sample_ids = set(raw_sample_ids)# 5. 输出结果print("===== 大模型数据预处理结果 =====")print(f"输入维度：{input_shape}")print(f"模型配置：{llm_config}")print(f"损失值历史：{loss_history}，平均损失：{sum(loss_history)/len(loss_history):.2f}")print(f"去重后样本数：{len(unique_sample_ids)}，样本ID：{unique_sample_ids}")
===== 大模型数据预处理结果 =====输入维度：(512, 768)模型配置：{'model_name': 'LLM_Data_Pre', 'learning_rate': 0.001, 'batch_size': 32, 'max_epochs': 50}损失值历史：[0.35, 0.31, 0.28, 0.26, 0.24]，平均损失：0.29去重后样本数：4，样本ID：{201, 202, 203, 204}
总结
- 列表：有序可变，适合存储序列数据（损失值、日志）；
- 元组：有序不可变，适合存储固定配置（输入维度）；
- 字典：键值对结构，是大模型配置的核心载体；
- 集合：自动去重，适合数据清洗和集合运算。
今天我们掌握了 4 种核心容器数据类型，能高效管理大模型的配置、数据和训练日志。下一篇将讲解函数与模块：把重复的数据处理、模型训练逻辑封装成函数，再打包成模块，让代码更简洁、可复用，这是大模型工程化开发的关键一步！
如果在代码中遇到问题，评论区贴出你的代码和报错信息， 觉得干货有用，点赞 + 在看 + 转发，让更多想入门大模型的朋友一起学！
10个月宝宝每天需要喝多少奶粉？
