python進階（資料結構和演算法[二]）

python進階（資料結構和演算法[二]）

找到最大或者最小的N個元素

heapq模組有兩個函數–nlargest()和nsmallest()正好能解決我們的問題。

>>> print(heapq.nlargest(3, nums))[43, 23, 8]>>> print(heapq.nsmallest(3,nums))[-1, 1, 2]#anotherimport heapqportfolio = [   {'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'])expensive = heapq.nlargest(3, portfolio, key=lambda s: s['price'])print(cheap)print(expensive)# 輸出[{'shares': 45, 'name': 'YHOO', 'price': 16.35}, {'shares': 200, 'name': 'FB', 'price': 21.09}, {'shares': 35, 'name': 'HPQ', 'price': 31.75}][{'shares': 50, 'name': 'AAPL', 'price': 543.22}, {'shares': 75, 'name': 'ACME', 'price': 115.65}, {'shares': 100, 'name': 'IBM', 'price': 91.1}]

簡單的介紹一下heapq中的方法:

import heapq#heapq.heappush(heap,item) #heap為定義堆，item 增加的元素;#eg. heap=[] heapq.heappush(heap, 2) # heap = [2]#heapq.heapify(list) #將列錶轉換為堆#eg. list=[5,8,0,3,6,7,9,1,4,2] heapq.heapify(list) #heapq.heappop(heap) #刪除最小的值#eg. heap=[2, 4, 3, 5, 7, 8, 9, 6] heapq.heappop(heap) ---->heap=[3, 4, 5, 7, 9, 6, 8]#heapq.heapreplace(heap, item) #刪除最小元素值，添加新的元素值#eg. heap=[2, 4, 3, 5, 7, 8, 9, 6] heapq.heapreplace(heap, 11) ------>heap=[2, 3, 4, 6, 8, 5, 7, 9, 11]#heapq.heappushpop(heap, item) #首判斷添加元素值與堆的第一個元素值對比，如果大於則刪除最小元素，然後添加新的元素值，否則不更改堆#eg. 條件：item >heap[0] heap=[2, 4, 3, 5, 7, 8, 9, 6] heapq.heappushpop(heap, 9)---->heap=[3, 4, 5, 6, 8, 9, 9, 7] 條件：item heap=[2, 4, 3, 5, 7, 8, 9, 6] heapq.heappushpop(heap, 9)---->heap=[2, 4, 3, 5, 7, 8, 9, 6]#heapq.merge(...) #將多個堆合并#heapq.nlargest (n, heap) #查詢堆中的最大元素，n表示查詢元素個數#eg. heap=[2, 3, 5, 6, 4, 8, 7, 9] heapq.nlargest (1, heap)--->[9]#heapq.nsmallest(n, heap) #查詢堆中的最小元素，n表示查詢元素個數#eg. heap=[2, 3, 5, 6, 4, 8, 7, 9] heapq.nlargest (1, heap)--->[2]

對不一樣的資料排序使用不同的方式 當要尋找的元素相對較少時，nlargest和nsmallest是最合適的。 只是想找到最大最小元素，使用min、max是最合適的。 如果N和集合本身相差不大，使用排序並切片的方式是合適的(sorted(items)[:N]、sorted(items)[-N:])。 N相對總元素較少的時候，適合使用將資料轉化成列表，元素順序以堆的順序排列(參照上述的heapq.heapify())。 實現優先順序隊列

import heapq # 堆的資料結構，通過對數時間能找到最大或最小元素class PriorityQueue: def __init__(self): self._queue = [] #初始化的列表 self._index = 0 # 初始化的索引，用去比較優先順序相同的元素 def push(self, item, priority): # 通過heappush向_queue列表中添加一個元素（元組），預設是小頂堆，因此將優先順序取反； # 元組比較大小是逐項的，因此添加_index作為相同優先順序比較的第二個比較項；永遠不會比較第三項 heapq.heappush(self._queue, (-priority, self._index, item)) self._index += 1 def pop(self): return heapq.heappop(self._queue)[-1] #彈出的是三元組(-priority, _index, Item(''),只顯示最後一項即可#構造的元素類class Item: def __init__(self, name): self.name = name def __repr__(self): return 'Item({!r})'.format(self.name)q = PriorityQueue()q.push(Item('foo'), 1)q.push(Item('bar'), 5)q.push(Item('barm'), 4)q.push(Item('grok'), 1)print(q.pop())print(q.pop())print(q.pop())print(q.pop())

輸出：

Item('bar')Item('barm')Item('foo')Item('grok')

從輸出中我們看出：是按照優先順序輸出，相同優先順序的按照索引較小的先輸出（因為是小頂堆並且先插入的索引值較小）