标签：style blog http color io 使用 ar for strong
作用:heapq模块实现一个适用于Python列表的最小堆排序算法
堆（heap）是一个属性数据结构，其中子节点与父节点是一种有序关系。二叉堆是一种特殊的堆，二叉堆是完全二元树（二叉树）或者是近似完全二元树（二叉树）。可以使用以下如下方式组织的列表或数表示，即元素N的子元素位于2*N+1和2*N+2。这种布局允许原地重新组织堆，从而不必再增加或删除元素时分配大量内存。
最大堆确保父节点大于或等于其两个子节点。最小堆要求父节点小雨或等于其子节点。Python的heqpq模块实现了一个最小堆。
1、示例数据
数据存储在：heapq_heapdata.py中
data = [19,9,4,10,11]
堆的输出存储在heapq_showtree.py
1 import math 2 import cStringIO 3 4 def show_tree(tree,total_width=36,fill=‘ ‘): 5 output = cStringIO.StringIO() 6 last_row = -1 7 for i,n in enumerate(tree): 8 if i : 9 row = int(math.floor(math.log(i+1,2))) 10 else: 11 row = 0 12 if row != last_row: 13 output.write(‘\n‘) 14 columns = 2 ** row 15 col_width = int(math.floor((total_width * 1.0) / columns)) 16 output.write(str(n).center(col_width,fill)) 17 last_row = row 18 print output.getvalue() 19 print ‘-‘ * total_width 20 print 21 return
2、创建堆
创建堆的两种基本方式：heappush()和heapify()
1 import heapq 2 from heapq_heapdata import data 3 from heapq_showtree import show_tree 4 5 heap = [] 6 print ‘random : ‘ , data 7 print 8 for n in data: 9 print ‘add %3d:‘ % n 10 heapq.heappush(heap,n) 11 show_tree(heap)
运行结果：
使用heappush()时，从数据源增加新元素时会保持元素的堆顺序
如果数据已经存在内存中，使用heaoify()原地重新组合字列表中的元素会更高效
1 import heapq 2 from heapq_heapdata import data 3 from heapq_showtree import show_tree 4 5 heap = [] 6 print ‘random : ‘ , data 7 heapq.heapify(data) 8 print ‘heapifed : ‘ 9 show_tree(data)
运行结果：
如果按堆顺序一次一个元素构建列表，其结果与构建一个无序列表在调用heapify()是一样的。
3、访问堆内容
一旦堆已正确组织，就可以使用heappop()删除有最小值的元素
1 import heapq 2 from heapq_heapdata import data 3 from heapq_showtree import show_tree 4 5 print ‘random :‘, data 6 heapq.heapify(data) 7 print ‘heapifed : ‘ 8 show_tree(data) 9 print 10 for i in xrange(2): 11 smallest = heapq.heappop(data) 12 print ‘pop %3d:‘ % smallest 13 show_tree(data)
运行结果：
这个例子是由stdlib文档改写的，其中使用了heapify()和heappop()对一个数组列表排序。
如果希望在一个操作中删除现有元素并替换新值，可以使用heapreplace()。
1 import heapq 2 from heapq_heapdata import data 3 from heapq_showtree import show_tree 4 5 heapq.heapify(data) 6 print ‘start:‘ 7 show_tree(data) 8 for n in [0,13]: 9 smallest = heapq.heapreplace(data, n) 10 print ‘replace %2d with %3d‘ % (smallest,n) 11 show_tree(data)
运行结果：
通过原地替换元素，这样可以维持一个固定大小的堆，如按优先级排序的作业队列。
4、堆的数据极值
Heapq还包括两个检查可迭代对象的函数，查找其中包含最大值或最小值的范围
1 import heapq 2 from heapq_heapdata import data 3 print ‘all :‘,data 4 print ‘3 largest :‘,heapq.nlargest(3,data) 5 print ‘from sort :‘,list(reversed(sorted(data)[-3:])) 6 print ‘3 smallest:‘,heapq.nsmallest(3,data) 7 print ‘from sort :‘,sorted(data)[:3]
运行结果：
只有当n值（n>1）相对小时使用nlargest()和nsmallest()才算高效，不过有些情况下这两个函数会很方便。
标签：style blog http color io 使用 ar for strong
原文地址：http://www.cnblogs.com/victroy/p/4025358.html
