以下是结合Python字典章节知识，对这三个例题讲解的补充

以下是结合Python字典章节知识，对这三个例题讲解的补充：

例1：电话号码查询系统

• Python实现：在Python中，我们可以使用字典来轻松实现这个电话号码查询系统。字典是一种键值对（key - value）的数据结构，正好对应这里的姓名（键）和电话号码（值）。示例代码如下：

phone_book = {
    "陈海": "13612345588",
    "李四锋": "13056112345"
}
# 查询陈海的电话号码
name = "陈海"
if name in phone_book:
    print(f"{name}的电话号码是{phone_book[name]}")
else:
    print(f"未找到{name}的电话号码")

• 字典优势：相比于其他数据结构，使用字典查询效率高，时间复杂度平均为O(1) 。因为Python的字典内部采用哈希表实现，只要哈希函数均匀，查找操作可以快速定位到目标键值对，不像线性表如果要查找元素，在最坏情况下时间复杂度为O(n) ，需要逐个遍历。
• 拓展应用：实际应用中，我们还可以对这个字典进行增删改操作。比如添加新联系人：phone_book["张三"] = "15900001234" ；修改联系人电话：phone_book["陈海"] = "13612345599" ；删除联系人：del phone_book["李四锋"] 。

例2：磁盘目录文件系统

• Python模拟实现：我们可以用嵌套字典来模拟磁盘目录文件系统。外层字典的键可以是文件夹名，值可以是另一个字典（代表子文件夹和文件）或者具体文件内容（如果是文件的话）。示例代码如下：

disk_system = {
    "root": {
        "folder1": {
            "file1": "content of file1",
            "subfolder1": {}
        },
        "folder2": {
            "file2": "content of file2"
        }
    }
}
# 访问folder1下的file1内容
print(disk_system["root"]["folder1"]["file1"])

• 字典嵌套原理：这里利用字典嵌套来体现树形结构的层级关系。每一个子文件夹就像是一个子字典，通过键来访问其中的内容，就如同在磁盘目录中通过文件夹名和文件名来访问文件一样。这种方式很好地模拟了树形结构中一对多的关系，一个父节点（文件夹）可以有多个子节点（子文件夹和文件）。
• 遍历操作：在Python中，我们可以使用递归函数来遍历这个嵌套字典，就像在实际磁盘目录中遍历所有文件和文件夹一样。例如：

def traverse_disk(disk, indent=""):
    for key, value in disk.items():
        print(indent + key)
        if isinstance(value, dict):
            traverse_disk(value, indent + "  ")
traverse_disk(disk_system)

例3：交通网络图

• 使用字典表示图结构：在Python中，可以使用字典来表示图这种网状结构。例如，以城市为节点，城市之间的连接关系为边，可以这样表示：

traffic_network = {
    "佛山": ["广州", "中山"],
    "广州": ["佛山", "东莞", "惠州"],
    "中山": ["佛山", "珠海", "东莞"],
    "珠海": ["中山"],
    "东莞": ["广州", "中山", "深圳", "惠州"],
    "深圳": ["东莞"],
    "惠州": ["广州", "东莞"]
}

这里字典的键是城市名，值是一个列表，列表中包含与该城市直接相连的城市。

• 路径查找算法结合字典：如果要查找从一个城市到另一个城市的路径，可以结合图的搜索算法（如广度优先搜索BFS或深度优先搜索DFS ），利用这个字典来实现。以BFS为例，代码如下：

from collections import deque

def bfs_path(start, end, graph):
    queue = deque([(start, [start])])
    visited = set()
    while queue:
        (node, path) = queue.popleft()
        if node not in visited:
            if node == end:
                return path
            visited.add(node)
            for neighbor in graph[node]:
                if neighbor not in visited:
                    queue.append((neighbor, path + [neighbor]))
    return None
start_city = "佛山"
end_city = "深圳"
path = bfs_path(start_city, end_city, traffic_network)
if path:
    print(f"从{start_city}到{end_city}的路径是: {path}")
else:
    print(f"未找到从{start_city}到{end_city}的路径")

• 字典表示图的优势与不足：优势在于直观且易于实现和修改，添加或删除城市以及它们之间的连接关系很方便。不足是对于大规模图，在进行复杂操作（如最短路径计算等）时，可能效率不高，此时可以考虑使用更专业的图数据结构库（如NetworkX ），但基本的数据存储和表示思路还是类似的，都是通过节点和边的关系来构建。