【数据结构】手写堆 HEAP

Joy ˇ

已于 2024-07-14 10:51:47 修改

阅读量854

点赞数 18

分类专栏：【面试】数据结构与算法文章标签：数据结构

于 2024-07-13 22:28:57 首次发布

本文链接：https://blog.csdn.net/qq_59143106/article/details/140407557

版权

【面试】数据结构与算法专栏收录该内容

2 篇文章 0 订阅

订阅专栏

heap【堆】掌握

手写上浮、下沉、建堆函数
对一组数进行堆排序
直接使用接口函数heapq

什么是堆？？？堆是一个二叉树。也就是有两个叉。下面是一个大根堆：

大根堆的每一个根节点比他的子节点都大

有大根堆就有小根堆：

我们可以看到红9在绿9的下一层，大小堆中我们需要注意，【只有根节点对子节点的大小比较】，没有子节点之间的比较。

一、手写函数

def siftup(heap, pos):
    endpos = len(heap)
    startpos = pos
    newitem = heap[pos]
    # Bubble up the smaller child until hitting a leaf.
    childpos = 2*pos + 1    # leftmost child position
    while childpos < endpos:
        # Set childpos to index of smaller child.
        rightpos = childpos + 1
        if rightpos < endpos and not heap[childpos] < heap[rightpos]:
            childpos = rightpos
        # Move the smaller child up.
        heap[pos] = heap[childpos]
        pos = childpos
        childpos = 2*pos + 1
    # The leaf at pos is empty now.  Put newitem there, and bubble it up
    # to its final resting place (by sifting its parents down).
    heap[pos] = newitem
    '''up操作只是将孩子提上去，但是没有保证根节点比孩子小，现在比较孩子和父节点，
    如果父节点更大，往下覆盖孩子节点，并且往上继续，比较上面的父节点，直至到头start，
    将原来的子节点的值覆盖在此时的父节点上。'''
    siftdown(heap, startpos, pos)

'''up与down一起维持小根堆性质'''
def siftdown(heap, startpos, pos):
    newitem = heap[pos]
    # Follow the path to the root, moving parents down until finding a place
    # newitem fits.
    while pos > startpos:
        parentpos = (pos - 1) >> 1
        parent = heap[parentpos]
        if newitem < parent:
            heap[pos] = parent
            pos = parentpos
            continue
        break
    heap[pos] = newitem

def heappop(heap):
    """Pop the smallest item off the heap, maintaining the heap invariant."""
    lastelt = heap.pop()    # raises appropriate IndexError if heap is empty
    print('pop:', lastelt)
    if heap:
        returnitem = heap[0]
        heap[0] = lastelt
        siftup(heap, 0)
        print('heap:', heap)
        print('returnitem', returnitem)
        return returnitem
    return lastelt

def heapify(x):
    """Transform list into a heap, in-place, in O(len(x)) time."""
    n = len(x)
    for i in reversed(range(n//2)):
        '''从最后一个根节点开始，将孩子节点最小的覆盖根节点，
        并不断往下找，将较小的孩子提上来。直到没有孩子，将根节点的值覆盖到此时的孩子节点上'''
        siftup(x, i)

def heap_sort(arr):
    # 将数组转换为小根堆
    heapify(arr)
    print(arr)

    # 弹出堆顶元素直到堆为空
    '''每次pop最后一个节点，并输出根节点。
    将最后一个节点覆盖在根节点上，并且进行up——down操作位置小根堆性质'''
    return [heappop(arr) for _ in range(len(arr))]

if __name__ == '__main__':
    # 示例数组
    arr = [3, 1, 4, 1, 5, 9, 2, 6, 5, 3, 5]
    # 执行堆排序
    sorted_arr = heap_sort(arr)
    # 打印排序后的数组
    print('sorted_arr', sorted_arr)

二、调用python接口

import heapq
def heap_sort(arr):
    # 将数组转换为小根堆
    heapq.heapify(arr)
    print(arr)

    # 弹出堆顶元素直到堆为空
    '''每次pop最后一个节点，并输出根节点。
    将最后一个节点覆盖在根节点上，并且进行up——down操作位置小根堆性质'''
    return [heapq.heappop(arr) for _ in range(len(arr))]

if __name__ == '__main__':
    # 示例数组
    arr = [3, 1, 4, 1, 5, 9, 2, 6, 5, 3, 5]
    # 执行堆排序
    sorted_arr = heap_sort(arr)
    # 打印排序后的数组
    print('sorted_arr', sorted_arr)

输出：

[1, 1, 2, 3, 3, 9, 4, 6, 5, 5, 5]
sorted_arr [1, 1, 2, 3, 3, 4, 5, 5, 5, 6, 9]

三、时间复杂度

$O(NlogN)$

siftup(heap, pos) 函数：

这个函数将一个元素上浮到它应该在的位置。在最坏的情况下，它可能需要上浮到堆的根节点，时间复杂度是 O(log n)，其中 n 是堆中元素的数量。

siftdown(heap, startpos, pos) 函数：

这个函数将一个元素下沉到它应该在的位置。同样，在最坏的情况下，它可能需要下沉到叶子节点，时间复杂度也是 O(log n)。

heappop(heap) 函数：

这个函数移除并返回堆顶元素（最小元素），然后通过调用 siftup 来修复堆。siftup 的时间复杂度是 O(log n)，所以 heappop 的时间复杂度也是 O(log n)。

heapify(x) 函数：

这个函数将一个数组转换成一个堆。它从最后一个父节点开始，向上调用 siftup。由于堆的最后一个父节点的索引是 n/2 - 1（n 是数组的长度），所以它实际上调用了大约 n/2 次 siftup。因此，heapify 的时间复杂度是 O(n)。

heap_sort(arr) 函数：

这个函数首先调用 heapify 将数组转换成一个堆，然后通过 n 次调用 heappop 来移除所有元素。由于 heapify 的时间复杂度是 O(n)，并且 heappop 的时间复杂度是 O(log n)，heap_sort 的总时间复杂度是 O(n log n)。

总结：

时间复杂度：
siftup: O(log n)
siftdown: O(log n)
heappop: O(log n)
heapify: O(n)
heap_sort: O(n log n)

整体上，对于堆排序算法的时间复杂度分析如下

构建堆（Heapify）：heapify 函数将数组转换成一个堆。对于一个长度为 n 的数组，heapify 的时间复杂度是 O(n)。这是通过从最后一个父节点开始，向上调用 siftup 实现的，每个 siftup 操作的时间复杂度是 O(log n)，但由于堆的结构特性，实际上 heapify 的总体时间复杂度是线性的。

堆排序（Heap Sort）：在 heap_sort 函数中，首先调用 heapify 将数组转换成一个堆，然后通过 n 次调用 heappop 来移除所有元素。每次 heappop 操作的时间复杂度是 O(log n)。因此，n 次 heappop 的总时间复杂度是 O(n log n)。

综合以上两点，堆排序的整体时间复杂度是 O(n + n log n)，简化后为 O(n log n)。这是因为在堆排序过程中，构建堆是一次性的，而移除元素需要 n 次操作，每次操作的复杂度是 log n。

空间复杂度：O(1)，因为所有操作都是原地进行的。