python最大堆heapq_python heapq 堆 求最大N和最小N个元素
这个模块(build-in)实现了一个堆的数据结构，完美的解决了Top-K问题，以后解决Top-K问题的时候，直接把这个模块拿来用就可以了
注意，默认的heap是一个小顶堆！
heapq模块提供了如下几个函数：
heapq.heappush(heap, item) 把item添加到heap中(heap是一个列表)
heapq.heappop(heap) 把堆顶元素弹出，返回的就是堆顶
heapq.heappushpop(heap, item) 先把item加入到堆中，然后再pop，比heappush()再heappop()要快得多
heapq.heapreplace(heap, item) 先pop，然后再把item加入到堆中，比heappop()再heappush()要快得多
heapq.heapify(x) 将列表x进行堆调整，默认的是小顶堆
heapq.merge(*iterables) 将多个列表合并，并进行堆调整，返回的是合并后的列表的迭代器
heapq.nlargest(n, iterable, key=None) 返回最大的n个元素(Top-K问题)
heapq.nsmallest(n, iterable, key=None) 返回最小的n个元素(Top-K问题)
求最大N个元素的值和下标
import numpy as np
import heapq
a = np.random.randint(0, 100, 10)
print(a)
print(heapq.nlargest(3, a))
print(heapq.nsmallest(3, a))
idx = heapq.nlargest(3, range(len(a)), a.take)
print('idx ', idx)
print(a[idx])
[57 82 47 31 87 66 40 64 95 35]
[95, 87, 82]
[31, 35, 40]
idx [8, 4, 1]
[95 87 82]
复杂结构时的使用
import numpy as np
import heapq
portfolio = [
{'name': 'IBM', 'shares': 100, 'price': 91.1},
{'name': 'AAPL', 'shares': 50, 'price': 543.22},
{'name': 'FB', 'shares': 200, 'price': 21.09},
{'name': 'HPQ', 'shares': 35, 'price': 31.75},
{'name': 'YHOO', 'shares': 45, 'price': 16.35},
{'name': 'ACME', 'shares': 75, 'price': 115.65}
]
cheap = heapq.nsmallest(3, portfolio, key=lambda s: s['price'])
print(cheap)
[{'name': 'YHOO', 'shares': 45, 'price': 16.35},
{'name': 'FB', 'shares': 200, 'price': 21.09},
{'name': 'HPQ', 'shares': 35, 'price': 31.75}]
从例子中可以看出，key匹配了portfolio中关键字为‘price’的一行。
到此为止，关于如何应用heapq来求Top N问题，相比通过上面的例子讲解，已经较为熟悉了。现在有几个需要注意的地方：
1)heapq.heapify(iterable)：可以将一个列表转换成heapq
2)在Top N问题中，如果N=1，则直接用max(iterable)/min(iterable)即可。
3)如果N很大，接近集合元素，则为了提高效率，采用sort+切片的方式会更好，如：
求最大的N个元素：sorted(iterable, key=key, reverse=True)[:N]
求最小的N个元素：sorted(iterable, key=key)[:N]