【数据结构】堆和对应的python堆的常用操作

前言

首先想强调的是一个数组转换成完全二叉树它的结构是唯一的，如下图所示：
[1,2,9,10,8,11]

#堆 Heap，有两种堆：最大堆和最小堆。
#堆应用：堆排序，求前k个大（小）的数，第k个大（小）的数
#堆是完全二叉树的结构 且要满足 堆中的每一个节点要么全部都要大于等于孩子节点(这种堆称为最大堆)，要么全部都小于等于孩子节点(这种堆称为最小堆)
#最大堆的最大值是堆顶元素
#最小堆的最小值是堆顶元素


#访问: 无索引所以没有访问这个概念
#搜索: 时间复杂度O(1)：堆的搜索是指查看堆顶元素。如果你要在堆里查看其他元素，那么它的复杂度是O(N)
#添加: 时间复杂度O(logN)，首先需要知道的是完全二叉树的高度是对log2N向下取整(2是底数)+1，N是节点个数，添加的元素都是先在最后一层的最右边进行添加，保证完全二叉树的成立。比如拿最大堆举例，比如向最大堆添加一个元素，每次要和当前的父节点对比谁大，然后判断是否交换，重复这个过程。可以发现我们每一次只需要和上一层(父亲)进行对比就行，不需要和同层的兄弟姐妹进行对比。
#删除：时间复杂度O(logN)，删除一般是指删除堆顶元素。比如拿最大堆举例，在我们删除了最大堆的堆顶元素后，我们首先把二叉树最后一个节点挪到堆顶，这样是为了保证完全二叉树的成立！然后就把堆顶元素和左右孩子进行比较的方式判断是否交换，与最大的那个孩子节点进行交换，重复这个过程。可以发现和添加的操作类似，我们每一次只需要和上一层(父亲)进行对比就行，不需要和同层的兄弟姐妹进行对比。

#创建堆的时间复杂度是O(N),即堆化操作的时间复杂度是O(N),N为节点的个数。堆化：把一组无序的数转换成完全二叉树，然后将完全二叉树变成最大堆或者最小堆。
#为什么呢？首先要知道数组转换成完全二叉树是时间复杂度为O(N),一个数组转换成完全二叉树它的结构是唯一的，所以我们只需要把数组遍历一遍就可以得到完全二叉树的结构。
#然后完全二叉树构造成新的最小堆或者最大堆的时间复杂度是O(N),因为叶子节点(就是最后一层的节点,没有孩子的节点)的数量最多是N/2向下取整加1个(N为总节点数)，每往上一层的节点数就缩小2倍，剩下的具体证明要推公式，得到一个等差等比数列。
#拿将完全二叉树变成最小堆举例，中心思想是把每一个节点只和它的孩子节点进行对比，如果两个孩子节点都比它小则选最小的孩子节点进行交换，从最后一层往上开始重复这个过程。

#堆的常用操作：
#创建堆或者叫堆化（最大堆和最小堆）
# 注意: python里没有方法能直接创建最大堆只有直接创建最小堆，
	# 所以想创建最大堆时可以先对数组进行取反然后构建得到最小堆,
	#每次搜索时堆顶元素乘-1,就是原始最大的那个元素,就是最大堆的感觉了。
import heapq
minheap = []#创建一个列表
heapq.heapify(minheap)# 将列表堆化成最小堆

#添加元素
heapq.heappush(minheap,10)
heapq.heappush(minheap,8)
heapq.heappush(minheap,9)
heapq.heappush(minheap,2)
heapq.heappush(minheap,1)
heapq.heappush(minheap,11)
print(minheap) #[1, 2, 9, 10, 8, 11],这个数组写成堆是唯一的一个形式

#获取堆顶元素
minheap[0]

#删除堆顶元素
heapq.heappop(minheap)

#堆的长度
len(minheap)

#堆的遍历(边删除边遍历的方式)
while len(minheap) != 0:
    heapq.heappop(minheap)