Pythonheapq堆队列算法

• Z时代
• 2024-01-10
• 分类：综合

源码：Lib/heapq.py

这个模块提供了堆队列算法的实现，也称为优先队列算法。

堆是一个二叉树，它的每个父节点的值都只会小于或等于所有孩子节点（的值）。 它使用了数组来实现：从零开始计数，对于所有的 k ，都有 heap[k]<=heap[2*k+1] 和 heap[k]<=heap[2*k+2]。 为了便于比较，不存在的元素被认为是无限大。 堆最有趣的特性在于最小的元素总是在根结点：heap[0]。

这个API与教材中堆算法的实现不太一样，在于两方面：（a）我们使用了基于零开始的索引。这使得节点和其孩子节点之间的索引关系不太直观，但是由于Python使用了从零开始的索引，所以这样做更加合适。（b）我们的 pop 方法返回了最小的元素，而不是最大的（这在教材中叫做 “最小堆”；而“最大堆”在课本中更加常见，因为它更加适用于原地排序）。

基于这两方面，把堆看作原生的Python list也没什么奇怪的： heap[0] 表示最小的元素，同时 heap.sort() 维护了堆的不变性！

要创建一个堆，可以使用list来初始化为 [] ，或者你可以通过一个函数 heapify() ，来把一个list转换成堆。

定义了以下函数：

heapq.heappush(heap, item)¶

将 item 的值加入 heap 中，保持堆的不变性。

heapq.heappop(heap)¶

弹出并返回 heap 的最小的元素，保持堆的不变性。如果堆为空，抛出 IndexError 。使用 heap[0] ，可以只访问最小的元素而不弹出它。

heapq.heappushpop(heap, item)¶

将 item 放入堆中，然后弹出并返回 heap 的最小元素。该组合操作比先调用 heappush() 再调用 heappop() 运行起来更有效率。

heapq.heapify(x)¶

将list x 转换成堆，原地，线性时间内。

heapq.heapreplace(heap, item)¶

弹出并返回 heap 中最小的一项，同时推入新的 item。 堆的大小不变。 如果堆为空则引发 IndexError。

这个单步骤操作比 heappop() 加 heappush() 更高效，并且在使用固定大小的堆时更为适宜。 pop/push 组合总是会从堆中返回一个元素并将其替换为 item。

返回的值可能会比添加的 item 更大。 如果不希望如此，可考虑改用 heappushpop()。 它的 push/pop 组合会返回两个值中较小的一个，将较大的值留在堆中。

该模块还提供了三个基于堆的通用功能函数。

heapq.merge(*iterables, key=None, reverse=False)¶

将多个已排序的输入合并为一个已排序的输出（例如，合并来自多个日志文件的带时间戳的条目）。 返回已排序值的 iterator。

类似于 sorted(itertools.chain(*iterables)) 但返回一个可迭代对象，不会一次性地将数据全部放入内存，并假定每个输入流都是已排序的（从小到大）。

具有两个可选参数，它们都必须指定为关键字参数。

key 指定带有单个参数的 key function，用于从每个输入元素中提取比较键。 默认值为 None (直接比较元素)。

reverse 为一个布尔值。 如果设为 True，则输入元素将按比较结果逆序进行合并。 要达成与 sorted(itertools.chain(*iterables),reverse=True) 类似的行为，所有可迭代对象必须是已从大到小排序的。

在 3.5 版更改: 添加了可选的 key 和 reverse 形参。

heapq.nlargest(n, iterable, key=None)¶

从 iterable 所定义的数据集中返回前 n 个最大的元素。 如果提供了 key 则其应指定一个单参数的函数，用于从 that is used to extract a comparison key from each element in iterable 的每个元素中提取比较键 (例如 key=str.lower)。 等价于: sorted(iterable,key=key,reverse=True)[:n]。

heapq.nsmallest(n, iterable, key=None)¶

从 iterable 所定义的数据集中返回前 n 个最小元素组成的列表。 如果提供了 key 则其应指定一个单参数的函数，用于从 iterable 的每个元素中提取比较键 (例如 key=str.lower)。 等价于: sorted(iterable,key=key)[:n]。

后两个函数在 n 值较小时性能最好。 对于更大的值，使用 sorted() 函数会更有效率。 此外，当 n==1 时，使用内置的 min() 和 max() 函数会更有效率。 如果需要重复使用这些函数，请考虑将可迭代对象转为真正的堆。

>>> defheapsort(iterable):
... h=[]
... forvalueiniterable:
... heappush(h,value)
... return[heappop(h)foriinrange(len(h))]
...
>>> heapsort([1,3,5,7,9,2,4,6,8,0])
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

>>> h=[]
>>> heappush(h,(5,'write code'))
>>> heappush(h,(7,'release product'))
>>> heappush(h,(1,'write spec'))
>>> heappush(h,(3,'create tests'))
>>> heappop(h)
(1, 'write spec')

fromdataclassesimportdataclass,field
fromtypingimportAny
@dataclass(order=True)
classPrioritizedItem:
priority:int
item:Any=field(compare=False)

pq=[]# list of entries arranged in a heap
entry_finder={}# mapping of tasks to entries
REMOVED='<removed-task>'# placeholder for a removed task
counter=itertools.count()# unique sequence count
defadd_task(task,priority=0):
'Add a new task or update the priority of an existing task'
iftaskinentry_finder:
remove_task(task)
count=next(counter)
entry=[priority,count,task]
entry_finder[task]=entry
heappush(pq,entry)
defremove_task(task):
'Mark an existing task as REMOVED.  Raise KeyError if not found.'
entry=entry_finder.pop(task)
entry[-1]=REMOVED
defpop_task():
'Remove and return the lowest priority task. Raise KeyError if empty.'
whilepq:
priority,count,task=heappop(pq)
iftaskisnotREMOVED:
delentry_finder[task]
returntask
raiseKeyError('pop from an empty priority queue')

0
12
3456
7891011121314
15161718192021222324252627282930