集合set：复杂度为 平均 O(1) ，空间复杂度为 O(n)
列表list：列表的查找时间复杂度为 O(n) ，空间复杂度为 O(n) 。
字典dict：查找时间复杂度为 平均 O(1) ，最坏情况下为 O(n)，空间复杂度为 O(n) 。
元组tuple：
元组的查找时间复杂度为 O(1)，因为元组是一种不可变序列，内部基于连续的内存区域，可以通过索引快速查找对应位置的元素。由于元组一旦创建之后就不可修改，因此不存在对元素位置的改动，也就不会对查找复杂度造成干扰。元组的空间复杂度为 O(n)，其中 n 表示元素个数。因为元组是一种固定长度的序列，创建元组需要预先知道元素个数，内存中按照这个大小分配元素存储空间，因此空间复杂度与元素个数成正比。不过，如果元组中包含的元素是引用类型，在元组中仅会保存引用所占用的内存空间，即使元素是非常大的对象，元组本身的空间开销也很小。
在 Python 中，可以使用内置的 list 类型来存储一系列数据。而在 NumPy 中，则可以使用 ndarray 类型来表示多维数组。下面是两者的主要区别：
- NumPy 数组是同质性的，也就是说数组中只能存储相同类型的元素，而 Python 列表则可以存储不同类型的元素。
- NumPy 数组的大小是固定的，创建数组时需要指定大小，而 Python 列表的大小是动态的，可以根据需要随时增加或减少列表的长度。
- NumPy 数组支持向量化操作和广播，可以对数组中的元素进行批量运算和操作，而 Python 列表则需要使用循环来逐个操作元素，速度较慢。
- NumPy 数组占用的内存较少，效率较高。因为 NumPy 数组是使用连续的内存块来存储数据的，所以可以有效地利用 CPU 缓存，提高数据处理效率。
pandas中的nan分两种：math.nan、np.nan, 识别dataframe中的nan使用np.isnan(lista).
