очень старый вопрос, который я знаю, но...

Панда DataFrame, кажется, идеальный вариант здесь.

http://pandas.pydata.org/pandas-docs/version/0.13.1/generated/pandas.DataFrame.html

из аннотации

двумерный размер-изменяемые, потенциально гетерогенные табличные данные структура с маркированными осями (строки и столбцы). Арифметические операции выравнивание по меткам строк и столбцов. Можно рассматривать как дикт-как контейнер для объектов серии. Первичная структура данных панды

http://pandas.pydata.org/

Я лично использовал бы список списков строк. Поскольку данные для каждой строки всегда находятся в одном и том же порядке, вы можете легко отсортировать по любому из столбцов, просто обратившись к этому элементу в каждом из списков. Вы также можете легко рассчитывать на основе определенного столбца в каждом списке, а также выполнять поиск. Это в основном так близко, как он попадает в 2-d массив.

на самом деле единственным недостатком здесь является то, что вы должны знать, в каком порядке данные, и если вы не измените заказ, вам придется изменить ваши процедуры поиска/сортировки, чтобы соответствовать.

другая вещь, которую вы можете сделать, это иметь список словарей.

rows = []
rows.append({"ID":"1", "name":"Cat", "year":"1998", "priority":"1"})

Это позволит избежать необходимости знать порядок параметров, поэтому вы можете просматривать каждое поле "год" в списке.

есть класс таблицы, строки которого представляют собой список объектов dict или better row

в таблице не добавляйте строки напрямую, но есть метод, который обновляет несколько карт поиска, например, для имени если вы не добавляете строки по порядку или id не являются последовательными, вы также можете иметь idMap например,

class Table(object):
    def __init__(self):
        self.rows =  []# list of row objects, we assume if order of id
        self.nameMap = {} # for faster direct lookup for row by name

    def addRow(self, row):
        self.rows.append(row)
        self.nameMap[row['name']] = row

    def getRow(self, name):
        return self.nameMap[name]


table = Table()
table.addRow({'ID':1,'name':'a'})

во-первых, учитывая, что у вас есть сложный сценарий извлечения данных, вы уверены, что даже SQLite является излишним?

в конечном итоге у вас будет специальная, неофициально указанная, ошибочная, медленная реализация половины SQLite, перефразируя десятое правило Гринспена.

тем не менее, вы очень правы, говоря, что выбор одной структуры данных повлияет на один или несколько из поиска, сортировки или подсчета, так что если производительность имеет первостепенное значение и ваши данные постоянны, вы можете рассмотреть возможность иметь более одной структуры для различных целей.

прежде всего, измерьте, какие операции будут более распространены, и решите, какая структура в конечном итоге будет стоить меньше.

я лично написал lib для довольно много, что совсем недавно, он называется BD_XML

как его наиболее фундаментальная причина существования, чтобы служить в качестве способа передачи данных взад и вперед между XML-файлами и базами данных SQL.

она написана на испанском языке (если это имеет значение в языке программирования), но это очень просто.

from BD_XML import Tabla

он определяет объект под названием Tabla (таблица), он может быть создан с именем для идентификации a предварительно созданный объект подключения совместимого интерфейса базы данных pep-246.

Table = Tabla('Animals') 

тогда вам нужно добавить столбцы с agregar_columna (add_column) метод, С может принимать различные ключевые аргументы слова:

• campo (поле): имя поля

• tipo (тип): тип хранимых данных может быть такими вещами, как "varchar" и "double" или имя объектов python, если вы не заинтересованы в экспорте в базу данных последний.

• defecto (по умолчанию): установите значение по умолчанию для столбца, если его нет при добавлении строки

• есть и другие 3, но только там для базы данных tings и на самом деле не функциональны

как:

Table.agregar_columna(campo='Name', tipo='str')
Table.agregar_columna(campo='Year', tipo='date')
#declaring it date, time, datetime or timestamp is important for being able to store it as a time object and not only as a number, But you can always put it as a int if you don't care for dates
Table.agregar_columna(campo='Priority', tipo='int')

затем вы добавляете строки с оператором + = (или +, если вы хотите создать копию с дополнительной строкой)

Table += ('Cat', date(1998,1,1), 1)
Table += {'Year':date(1998,1,1), 'Priority':2, Name:'Fish'}
#…
#The condition for adding is that is a container accessible with either the column name or the position of the column in the table

затем вы можете создать XML и записать его в a файл с exportar_XML (export_XML) и escribir_XML (write_XML):

file = os.path.abspath(os.path.join(os.path.dirname(__file__), 'Animals.xml'))
Table.exportar_xml()
Table.escribir_xml(file)

и затем импортировать его обратно с importar_XML (import_XML) с именем файла и указанием, что вы используете файл, а не строковый литерал:

Table.importar_xml(file, tipo='archivo')
#archivo means file

Advanced

это способы использования объекта Tabla в SQL-режиме.

#UPDATE <Table> SET Name = CONCAT(Name,' ',Priority), Priority = NULL WHERE id = 2
for row in Table:
    if row['id'] == 2:
        row['Name'] += ' ' + row['Priority']
        row['Priority'] = None
print(Table)

#DELETE FROM <Table> WHERE MOD(id,2) = 0 LIMIT 1
n = 0
nmax = 1
for row in Table:
    if row['id'] % 2 == 0:
        del Table[row]
        n += 1
        if n >= nmax: break
print(Table)

в этом примере предполагается столбец с именем 'id' но можно заменить ширину ряда.pos для вашего примера.

if row.pos == 2:

в файл можно скачать с:

https://bitbucket.org/WolfangT/librerias