在Python 3.5（含）以前，字典是不能保證順序的，鍵值對A先插入字典，鍵值對B後插入字典，但是當你打印字典的Keys列表時，你會發現B可能在A的前面。
但是從Python 3.6開始，字典是變成有順序的了。你先插入鍵值對A，後插入鍵值對B，那麼當你打印Keys列表的時候，你就會發現B在A的後面。
不僅如此，從Python 3.6開始，下面的三種遍歷操作，效率要高於Python 3.5之前：
for key in 字典 for value in 字典.values() for key, value in 字典.items()
從Python 3.6開始，字典佔用內存空間的大小，視字典裏面鍵值對的個數，只有原來的30%~95%。
Python 3.6到底對字典做了什麼優化呢？爲了說明這個問題，我們需要先來說一說，在Python 3.5（含）之前，字典的底層原理。
當我們初始化一個空字典的時候，CPython的底層會初始化一個二維數組，這個數組有8行，3列，如下面的示意圖所示：
my_dict = {}
'''
此時的內存示意圖
[[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---],
[---, ---, ---]]
'''
現在，我們往字典裏面添加一個數據：
my_dict['name'] = 'kingname' ''' 此時的內存示意圖 [[---, ---, ---], [---, ---, ---], [---, ---, ---], [---, ---, ---], [---, ---, ---], [1278649844881305901, 指向name的指針, 指向kingname的指針], [---, ---, ---], [---, ---, ---]] '''
這裏解釋一下，爲什麼添加了一個鍵值對以後，內存變成了這個樣子：
首先我們調用Python 的hash函數，計算name這個字符串在當前運行時的hash值：
>>> hash('name')
1278649844881305901
hash函數，和我們傳統上認爲的Hash函數是不一樣的。Python自帶的這個hash函數計算出來的值，只能保證在每一個運行時的時候不變，但是當你關閉Python再重新打開，那麼它的值就可能會改變，如下圖所示：
假設在某一個運行時裏面，hash('name')的值爲1278649844881305901。現在我們要把這個數對8取餘數：
>>> 1278649844881305901 % 8 5
餘數爲5，那麼就把它放在剛剛初始化的二維數組中，下標爲5的這一行。由於name和kingname是兩個字符串，所以底層C語言會使用兩個字符串變量存放這兩個值，然後得到他們對應的指針。於是，我們這個二維數組下標爲5的這一行，第一個值爲name的hash值，第二個值爲name這個字符串所在的內存的地址（指針就是內存地址），第三個值爲kingname這個字符串所在的內存的地址。
現在，我們再來插入兩個鍵值對：
my_dict['age'] = 26 my_dict['salary'] = 999999 ''' 此時的內存示意圖 [[-4234469173262486640, 指向salary的指針, 指向999999的指針], [1545085610920597121, 執行age的指針, 指向26的指針], [---, ---, ---], [---, ---, ---], [---, ---, ---], [1278649844881305901, 指向name的指針, 指向kingname的指針], [---, ---, ---], [---, ---, ---]] '''
那麼字典怎麼讀取數據呢？首先假設我們要讀取age對應的值。
此時，Python先計算在當前運行時下面，age對應的Hash值是多少：
>>> hash('age')
1545085610920597121
現在這個hash值對8取餘數：
>>> 1545085610920597121 % 8 1
餘數爲1，那麼二維數組裏面，下標爲1的這一行就是需要的鍵值對。直接返回這一行第三個指針對應的內存中的值，就是age對應的值26。
當你要循環遍歷字典的Key的時候，Python底層會遍歷這個二維數組，如果當前行有數據，那麼就返回Key指針對應的內存裏面的值。如果當前行沒有數據，那麼就跳過。所以總是會遍歷整個二位數組的每一行。
每一行有三列，每一列佔用8byte的內存空間，所以每一行會佔用24byte的內存空間。
由於Hash值取餘數以後，餘數可大可小，所以字典的Key並不是按照插入的順序存放的。
注意，這裏我省略了與本文沒有太大關係的兩個點：
- 開放尋址，當兩個不同的Key，經過Hash以後，再對8取餘數，可能餘數會相同。此時Python爲了不覆蓋之前已有的值，就會使用
開放尋址技術重新尋找一個新的位置存放這個新的鍵值對。 - 當字典的鍵值對數量超過當前數組長度的2/3時，數組會進行擴容，8行變成16行，16行變成32行。長度變了以後，原來的餘數位置也會發生變化，此時就需要移動原來位置的數據，導致插入效率變低。
my_dict = {}
'''
此時的內存示意圖
indices = [None, None, None, None, None, None, None, None]
entries = []
'''
當你初始化一個字典以後，Python單獨生成了一個長度爲8的一維數組。然後又生成了一個空的二維數組。
現在，我們往字典裏面添加一個鍵值對：
my_dict['name'] = 'kingname' ''' 此時的內存示意圖 indices = [None, 0, None, None, None, None, None, None] entries = [[-5954193068542476671, 指向name的指針, 執行kingname的指針]] '''
爲什麼內存會變成這個樣子呢？我們來一步一步地看：
在當前運行時，name這個字符串的hash值爲-5954193068542476671，這個值對8取餘數是1：
>>> hash('name')
-5954193068542476671
>>> hash('name') % 8
1
所以，我們把indices這個一維數組裏面，下標爲1的位置修改爲0。
這裏的0是什麼意思呢？0是二位數組entries的索引。現在entries裏面只有一行，就是我們剛剛添加的這個鍵值對的三個數據：name的hash值、指向name的指針和指向kinganme的指針。所以indices裏面填寫的數字0，就是剛剛我們插入的這個鍵值對的數據在二位數組裏面的行索引。
好，現在我們再來插入兩條數據：
my_dict['address'] = 'xxx'
my_dict['salary'] = 999999
'''
此時的內存示意圖
indices = [1, 0, None, None, None, None, 2, None]
entries = [[-5954193068542476671, 指向name的指針, 執行kingname的指針],
[9043074951938101872, 指向address的指針，指向xxx的指針],
[7324055671294268046, 指向salary的指針, 指向999999的指針]
]
'''
現在如果我要讀取數據怎麼辦呢？假如我要讀取salary的值，那麼首先計算salary的hash值，以及這個值對8的餘數：
>>> hash('salary')
7324055671294268046
>>> hash('salary') % 8
6
那麼我就去讀indices下標爲6的這個值。這個值爲2.
然後再去讀entries裏面，下標爲2的這一行的數據，也就是salary對應的數據了。
新的這種方式，當我要插入新的數據的時候，始終只是往entries的後面添加數據，這樣就能保證插入的順序。當我們要遍歷字典的Keys和Values的時候，直接遍歷entries即可，裏面每一行都是有用的數據，不存在跳過的情況，減少了遍歷的個數。
老的方式，當二維數組有8行的時候，即使有效數據只有3行，但它佔用的內存空間還是 8 * 24 = 192 byte。但使用新的方式，如果只有三行有效數據，那麼entries也就只有3行，佔用的空間爲3 * 24 =72 byte，而indices由於只是一個一維的數組，只佔用8 byte，所以一共佔用 80 byte。內存佔用只有原來的41%。
參考：[Python-Dev] More compact dictionaries with faster iteration