我知道 Python 中的集合是无序的，但我对它们显示的“顺序”很好奇，因为它似乎是一致的。它们似乎每次都以相同的方式出现故障：
>>> set_1 = set([5, 2, 7, 2, 1, 88])
>>> set_2 = set([5, 2, 7, 2, 1, 88])
>>> set_1
set([88, 1, 2, 5, 7])
>>> set_2
set([88, 1, 2, 5, 7])
...还有另一个例子：
>>> set_3 = set('abracadabra')
>>> set_4 = set('abracadabra')
>>> set_3
set(['a', 'r', 'b', 'c', 'd'])
>>>> set_4
set(['a', 'r', 'b', 'c', 'd'])
我只是好奇为什么会这样。有什么帮助吗？
你应该观看这个视频（虽然它是 CPython 1特定的并且是关于字典的——但我认为它也适用于集合）。
基本上，python 对元素进行哈希处理并获取最后 N 位（其中 N 由集合的大小决定）并将这些位用作数组索引以将对象放置在内存中。然后按照它们在内存中存在的顺序生成对象。当然，当您需要解决哈希之间的冲突时，情况会变得更加复杂，但这就是要点。
另请注意，它们的打印顺序取决于您放置它们的顺序（由于冲突）。因此，如果您对传递给的列表重新排序，set_2如果存在键冲突，您可能会得到不同的顺序。
例如：
list1 = [8,16,24]
set(list1) #set([8, 16, 24])
list2 = [24,16,8]
set(list2) #set([24, 16, 8])
请注意，这些集合中保留的顺序是“巧合”，并且与冲突解决有关（我对此一无所知）。关键是 , 和 的最后 3 位hash(8)是hash(16)相同hash(24)的。因为它们是相同的，所以冲突解决会接管并将元素放在“备份”内存位置而不是第一个（最佳）选择中，因此是否8占据一个位置或16取决于哪个首先到达聚会并采取“最佳座位”。
如果我们用1,2和重复该示例，3无论它们在输入列表中的顺序如何，您都将获得一致的顺序：
list1 = [1,2,3]
set(list1) # set([1, 2, 3])
list2 = [3,2,1]
set(list2) # set([1, 2, 3])
由于hash(1),hash(2)和的最后 3 位hash(3)是唯一的。
1注意这里描述的实现适用于 CPythondict和set. 我认为一般描述适用于所有现代版本的 CPython，直到 3.6。但是，从 CPython3.6 开始，有一个额外的实现细节实际上保留了dict. 看来set还是没有这个属性。pypy 人（他们在 CPython 人之前就开始使用它）在这篇博文中描述了数据结构。最初的想法（至少对于 python 生态系统）存档在 python-dev 邮件列表中。
这种行为的原因是 Python 使用哈希表来实现字典：https ://en.wikipedia.org/wiki/Hash_table#Open_addressing
键的位置由它的内存地址定义。如果您知道 Python 会为某些对象重用内存：
>>> a = 'Hello world'
>>> id(a)
140058096568768
>>> a = 'Hello world'
>>> id(a)
140058096568480
您可以看到对象a每次初始化时都有不同的地址。
但对于小整数，它不会改变：
>>> a = 1
>>> id(a)
40060856
>>> a = 1
>>> id(a)
40060856
即使我们创建具有不同名称的第二个对象，它也是一样的：
>>> b = 1
>>> id(b)
40060856
这种方法可以节省 Python 解释器消耗的内存。
AFAIK Python 集是使用哈希表实现的。项目出现的顺序取决于所使用的散列函数。在程序的同一运行中，哈希函数可能不会改变，因此您得到相同的顺序。
但是不能保证它总是使用相同的函数，并且顺序会在运行之间发生变化 - 或者如果您插入大量元素并且哈希表必须调整大小，则在同一次运行中。
集合基于哈希表。值的哈希值应该是一致的，因此顺序也是一致的 - 除非两个元素哈希到相同的代码，在这种情况下，插入顺序将改变输出顺序。
暗示mgilson 的好答案的关键一件事，但在任何现有答案中都没有明确提及：
小整数自己散列：
>>> [hash(x) for x in (1, 2, 3, 88)]
[1, 2, 3, 88]
字符串散列为不可预测的值。事实上，从 3.3 开始，默认情况下，它们是基于启动时随机分配的种子构建的。因此，对于每个新的 Python 解释器会话，您都会得到不同的结果，但是：
>>> [hash(x) for x in 'abcz']
[6014072853767888837,
8680706751544317651,
-7529624133683586553,
-1982255696180680242]
因此，考虑最简单的哈希表实现：只是一个包含 N 个元素的数组，其中插入一个值意味着将其放入hash(value) % N（假设没有冲突）。你可以粗略地猜测N会有多大——它会比其中的元素数量大一点。当从 6 个元素的序列中创建一个集合时，N 可以很容易地为 8。
当你用 N=8 存储这 5 个数字时会发生什么？嗯，hash(1) % 8，hash(2) % 8等只是数字本身，但hash(88) % 8为 0。因此，哈希表的数组最终包含88, 1, 2, NULL, NULL, 5, NULL, 7。所以应该很容易弄清楚为什么迭代集合可能会给你88, 1, 2, 5, 7.
当然 Python 并不能保证你每次都能得到这个订单。它猜测正确值的方式的微小变化N可能意味着88最终会出现在不同的地方（或最终与其他值之一发生冲突）。而且，事实上，在我的 Mac 上运行 CPython 3.7，我得到1, 2, 5, 7, 88.0
同时，当您从大小为 11 的序列构建散列，然后将随机散列插入其中时，会发生什么？即使假设最简单的实现，并且假设没有冲突，您仍然不知道您将获得什么顺序。它会在 Python 解释器的一次运行中保持一致，但在您下次启动它时会有所不同。（除非您设置PYTHONHASHSEED为0，或其他一些 int 值。）这正是您所看到的。
当然，值得关注的是集合的实际实现方式，而不是猜测。但是，根据最简单的哈希表实现的假设，您会猜到（排除冲突和哈希表扩展）究竟会发生什么。