一、heapq库简介

heapq 库是Python标准库之一，提供了构建小顶堆的方法和一些对小顶堆的基本操作方法(如入堆，出堆等)，可以用于实现堆排序算法。

堆是一种基本的数据结构，堆的结构是一棵完全二叉树，并且满足堆积的性质：每个节点(叶节点除外)的值都大于等于(或都小于等于)它的子节点。

堆结构分为大顶堆和小顶堆，在heapq中使用的是小顶堆：

1. 大顶堆：每个节点(叶节点除外)的值都大于等于其子节点的值，根节点的值是所有节点中最大的。

2. 小顶堆：每个节点(叶节点除外)的值都小于等于其子节点的值，根节点的值是所有节点中最小的。

在heapq库中，heapq使用的数据类型是Python的基本数据类型 list ，要满足堆积的性质，则在这个列表中，索引 k 的值要小于等于索引 2*k+1 的值和索引 2*k+2 的值(在完全二叉树中，将数据按广度优先插入，索引为k的节点的子节点索引分别为2*k+1和2*k+2)。在heapq库的源码中也有介绍，可以读一下heapq的源码，代码不多。

使用Python实现堆排序可以参考：https://blog.csdn.net/weixin_43790276/article/details/104033696

完全二叉树的特性可以参考：https://blog.csdn.net/weixin_43790276/article/details/104737870

# heapq_showtree.py
import math
from io import StringIOdef show_tree(tree, total_width=36, fill=' '):"""Pretty-print a tree."""output = StringIO()last_row = -1for i, n in enumerate(tree):if i:row = int(math.floor(math.log(i + 1, 2)))else:row = 0if row != last_row:output.write('\n')columns = 2 ** rowcol_width = int(math.floor(total_width / columns))output.write(str(n).center(col_width, fill))last_row = rowprint(output.getvalue())print('-' * total_width)print()

二、使用heapq创建堆

array = [10, 17, 50, 7, 30, 24, 27, 45, 15, 5, 36, 21]
heap = []
for num in array:heapq.heappush(heap, num)
print("array:", array)
print("heap: ", heap)
show_tree(heap)heapq.heapify(array)
print("array:", array)
show_tree(array)

运行结果：

heapq中创建堆的方法有两种。

heappush(heap, num)，先创建一个空堆，然后将数据一个一个地添加到堆中。每添加一个数据后，heap都满足小顶堆的特性。当使用heappush()时，当新元素添加时，堆得顺序被保持了。

heapify(array)，直接将数据列表调整成一个小顶堆(调整的原理参考上面堆排序的文章，heapq库已经实现了)。

如果数据已经在内存中，则使用 heapify() 来更有效地重新排列列表中的元素。

两种方法实现的结果会有差异，上面的代码中，使用heappush(heap, num)得到的堆结构如下

使用heapify(array)得到的堆结构如下：

不过，这两个结果都满足小顶堆的特性，不影响堆的使用(堆只会从堆顶开始取数据，取出数据后会重新调整结构)。

三、使用heapq实现堆排序

array = [10, 17, 50, 7, 30, 24, 27, 45, 15, 5, 36, 21]
heap = []
for num in array:heapq.heappush(heap, num)
print(heap)
for i in range(2):smallest = heapq.heappop(heap)print('pop    {:>3}:'.format(smallest))show_tree(data)

运行结果：

先将待排序列表中的数据添加到堆中，构造一个小顶堆，打印第一个数据，可以确认它是最小值。然后依次将堆顶的值取出，添加到一个新的列表中，直到堆中的数据取完，新列表就是排序后的列表。

四、获取堆中的最小值或最大值

array = [10, 17, 50, 7, 30, 24, 27, 45, 15, 5, 36, 21]
heapq.heapify(array)
print(heapq.nlargest(2, array))
print(heapq.nsmallest(3, array))

运行结果：

[50, 45]
[5, 7, 10]

nlargest(num, heap)，从堆中取出num个数据，从最大的数据开始取，返回结果是一个列表(即使只取一个数据)。如果num大于等于堆中的数据数量，则从大到小取出堆中的所有数据，不会报错，相当于实现了降序排序。

nsmallest(num, heap)，从堆中取出num个数据，从最小的数据开始取，返回结果是一个列表。

这两个方法除了可以用于堆，也可以直接用于列表，功能一样。

五、使用heapq合并两个有序列表

将几个排序的序列组合成一个新序列对于小数据集来说很容易。

list(sorted(itertools.chain(*data)))

array_a = [10, 7, 15, 8]
array_b = [17, 3, 8, 20, 13]
array_merge = heapq.merge(sorted(array_a), sorted(array_b))
print("merge result:", list(array_merge))

运行结果：

merge result: [3, 7, 8, 8, 10, 13, 15, 17, 20]

merge(list1, list2)，将两个有序的列表合并成一个新的有序列表，返回结果是一个迭代器。这个方法可以用于归并排序。

对于较大的数据集，将会占用大量内存。不是对整个组合序列进行排序，而是使用 merge() 一次生成一个新序列。

import heapq
import randomrandom.seed(2022)data = []
for i in range(4):new_data = list(random.sample(range(1, 101), 5))new_data.sort()data.append(new_data)for i, d in enumerate(data):print('{}: {}'.format(i, d))print('\nMerged:')
for i in heapq.merge(*data):print(i, end=' ')
print()

因为merge()使用堆的实现，它根据被合并的序列元素个数消耗内存，而不是所有序列中的元素个数。

heapq.merge()在迭代操作中，对所提供的序列并不会做一次性操作，可以处理非常长的序列，开销小。
heapq.merge()方法使用的前提是要求所有的输入序列是有序的。
heapq.merge()方法不会预先做排序操作。
heapq.merge()方法不会验证输入序列是否满足要求。
heapq.merge()方法会检查每个序列的第一个元素，进行比较，将最小的那个放入新的序列中，然后再从之前的每个序列中选择下一个相比较小的元素。重复此操作，直至生成一个完整的新序列。

六、heapq替换数据的方法

array_c = [10, 7, 15, 8]
heapq.heapify(array_c)
print("before:", array_c)
# 先push再pop
item = heapq.heappushpop(array_c, 5)
print("after: ", array_c)
print(item)array_d = [10, 7, 15, 8]
heapq.heapify(array_d)
print("before:", array_d)
# 先pop再push
item = heapq.heapreplace(array_d, 5)
print("after: ", array_d)
print(item)

before: [7, 8, 15, 10]
after:  [7, 8, 15, 10]
5
before: [7, 8, 15, 10]
after:  [5, 8, 15, 10]
7

heappushpop(heap, num)，先将num添加到堆中，然后将堆顶的数据出堆。

heapreplace(heap, num)，先将堆顶的数据出堆，然后将num添加到堆中。

两个方法都是即入堆又出堆，只是顺序不一样，可以用于替换堆中的数据。具体的区别可以看代码中的例子。

array = [10, 17, 50, 7, 30, 24, 27, 45, 15, 5, 36, 21]
heap = []
for num in array:heapq.heappush(heap, num)show_tree(heap)for n in [0, 13]:smallest = heapq.heapreplace(heap, n)print('replace {:>2} with {:>2}:'.format(smallest, n))show_tree(heap)

替换元素可以维护固定大小的堆，例如按优先级排序的 jobs 队列。

[数据结构]Python Heapq库--小顶堆相关推荐

python树结构实现小顶堆_数据结构和算法入门之小顶堆和大顶堆Python实现
首先简单提一下小顶堆和大顶堆,其本质是一颗完全二叉树,不同点在于:除叶子节点外,小顶堆的每个父节点的key都要比其左右两个子节点的key小:大顶堆的每个父节点的key都要比其左右两个子节点的key大. ...
Python小顶堆的实现
Python小顶堆的实现以前都是用的heapq,这次面试碰到让自己实现一个堆得到top k的元素.抛砖引玉,希望各位提些意见指正 class Heap:def __init__(self, k):s ...
小顶堆数据结构C/C++代码实现
相比队列和栈,很多人可能对堆的概念比较陌生,下面个给出堆的本质概念一.堆也是一种数据结构,从实际应用意义来说,他是一种最优级别数据永远在第一位的队列,本文皆以最小值为例(小顶堆),即它变相是一种会永 ...
数据结构之堆——C++实现大顶堆和小顶堆
大小顶堆的实现什么是大顶堆和小顶堆大小顶堆的底层实现代码实现小顶堆定义小顶堆类构造函数插入扩大堆数组容量删除析构函数代码实现大顶堆测试什么是大顶堆和小顶堆堆是一种完全二叉树. ...
python中大顶堆和小顶堆
python中默认是小顶堆,解决的是最大的k问题想要变成大顶堆,java里面直接在参数里面用lambda表达式解决即可,但是python里面没有,此时需要借助一些奇淫技巧,那就是给你的那个目标值添加 ...
数据结构小顶堆建堆过程构建过程
[一]简介最小堆是一棵完全二叉树,非叶子结点的值不大于左孩子和右孩子的值.本文以图解的方式,说明最小堆的构建.插入.删除的过程.搞懂最小堆的相应知识后,最大堆与此类似. 最小堆示例: [二]最小堆的 ...
Python heapq库的用法介绍
Python heapq库的用法介绍一.heapq库简介 heapq 库是Python标准库之一,提供了构建小顶堆的方法和一些对小顶堆的基本操作方法(如入堆,出堆等),可以用于实现堆排序算法. 堆是 ...
（补）算法训练Day13 | LeetCode150. 逆波兰表达式求值（栈应用）；LeetCode239. 滑动窗口最大值（单调队列）；LeetCode347. 前K个高频元素（小顶堆，优先级队列）
目录 LeetCode150. 逆波兰表达式求值 1. 思路 2. 代码实现 3. 复杂度分析 4. 思考 LeetCode239. 滑动窗口最大值 1. 思路 2. 代码实现 3. 复杂度分析 4. ...
c语言标准模板小顶堆,堆排序（大顶堆、小顶堆）----C语言
堆排序之前的随笔写了栈(顺序栈.链式栈).队列(循环队列.链式队列).链表.二叉树,这次随笔来写堆 1.什么是堆? 堆是一种非线性结构,(本篇随笔主要分析堆的数组实现)可以把堆看作一个数组,也可以被 ...

[数据结构]Python Heapq库--小顶堆

一、heapq库简介

二、使用heapq创建堆

三、使用heapq实现堆排序

四、获取堆中的最小值或最大值

五、使用heapq合并两个有序列表

六、heapq替换数据的方法

[数据结构]Python Heapq库--小顶堆相关推荐

最新文章

热门文章