从python heapq学习heap常用操作

面试刷题，heap是最经常用到的数据结构。今天从python heapq来大体讲讲这个数据结构的好处。作为一个笼统的概念，这个数据结构呢，partially sorted，所以要是弄个最大/最小值的话比sorted list/array要快一些；但由于并不是完全sorted，所以维持这个性质是由开销的。下面就来分析一下python heapq的接口heapq — Heap queue algorithm — Python 3.11.0 documentation 来看看这个数据结构的操作和使用。

heapq.heappush(heap, item): 基本操作，Olog(n)

heapq.heappop(heap): 基本操作，Olog(n)

heapq.heappushpop, heapq.heapreplace(heap, item): 这两个API其实功能上完全就是push+pop或者pop+push。之所以设置这个接口是因为这两个API其实速度可以和单独地push/pop一样快而不需要两个操作的时间。而且操作可能足够常见：比如LRU_cache中cache到了一定的大小，那么每次有一个新的item，可以直接调用此操作。Olog(n)

heapq.heapify(x)：O(n)。这个事情记还是好记的，要是每次调用push的话，是Onlog(n)，但Onlog(n)都能得到完全sorted list/array了，所以这个操作实际上是O(n)的。具体上可以bottom up swap，每一个位置的元素只进行一个操作，所以是O(n)的。另外就是这个操作是可以in_place的，heapq的实现也是in_place的。

heapq.merge(*iterables, key=None, reverse=False)：可以想象用树实现heap, 那么merge operation只影响其中一个子树的一个pop operation. O(log(n))

heapq.nlargest/nsmallest(k, iterable, key=None): leetcode上也是有这个问题的。nlargest当然可以把整个list都sort一下，但如果k不大的时候，宁可去做k个pop operation。得到O(klog(n))的complexity.

PS: 最后提一下，作为funtional programming实现heap感觉不是很方便啊，这样heap就没有一个attribute记录这个comparator；这样实际编程的时候只能自己去凑现成的comparator (虽然如果只用到nlargest/nsmallest的话可以忽略这个问题)。