【python笔记】deque()、list()、heapq主要区别

内部实现

1、deque()

deque是Python中的一个双端队列，位于collections模块中。

数据结构：

deque 是一个双端队列，其内部实现基于一个双向链表。

这意味着元素不是连续存储在内存中的，而是分布在多个节点中，每个节点包含元素本身以及指向其前一个和后一个节点的链接。
动态扩容：

虽然 deque 不需要像 list 那样复制整个数组来扩容，但它仍然需要管理链表的节点，并在必要时添加新的节点。然而，这个过程的开销通常比 list 的扩容要小。
随机访问：

与 list 相比，deque 不支持快速的随机访问。访问 deque 中的元素通常需要从头或尾开始遍历链表，直到找到所需的元素，这可能需要O(n)时间复杂度。
插入和删除：

在 deque 的两端添加或删除元素是非常高效的（O(1)），因为只需要修改几个指针即可。

然而，在 deque 的中间插入或删除元素则可能较慢（O(n)），因为需要遍历链表来找到正确的位置，并可能需要移动多个节点。
 

2、list()

数据结构：

list 是一个动态数组，其内部实现基于一个连续的数组。

数组的大小可以动态变化，以容纳更多的元素。
内存分配：

当列表需要更多空间时，Python会分配一个新的、更大的数组，并将旧数组的元素复制到这个新数组中。

这个过程称为“扩容”。
随机访问：

由于列表是基于数组的，因此它支持快速的随机访问，即可以在O(1)时间复杂度内通过索引访问列表中的任意元素。
插入和删除：

在列表的末尾添加或删除元素是高效的（O(1)），但在列表的开头或中间插入或删除元素则可能较慢（O(n)），因为需要移动其他元素

3、heapq

heapq是Python中的一个模块；实际上是基于Python的列表（list）实现了一个最小堆，用于维护一组元素的优先队列。

数据结构：heapq 模块提供了一个堆队列算法的实现，它通常使用列表（list）作为底层容器。但是，heapq 并不改变列表的底层数据结构；它只是通过一系列操作（如上浮和下沉）来维护堆的属性。
堆属性：

heapq 实现的是一个最小堆（尽管可以通过一些技巧来实现最大堆），其中父节点的值不大于其子节点的值。

这使得堆顶（列表的第一个元素）始终是最小的元素。
操作：

heapq 提供了如 heappush（向堆中添加元素）、heappop（从堆中移除最小元素）和 heapify（将列表转换成堆）等函数。

这些函数通过维护堆的属性来确保堆的有效性。
性能：

heapq 的性能特点主要体现在其插入和删除操作上。

向堆中添加元素（heappush）和从堆中移除最小元素（heappop）的时间复杂度都是O(log n)，其中n是堆中的元素数量。

这是因为这些操作可能需要通过上浮或下沉来调整堆的结构。
 

---

使用场景

1、deque()

双端队列：

当需要在队列的两端进行频繁的插入和删除操作时，deque是理想的选择。
高效访问两端元素：

deque提供了从两端快速访问元素的能力，这使得它在某些特定场景下（如循环队列）非常有用。
队列和栈的实现：

deque可以作为队列和栈的底层实现，因为它支持从两端添加和删除元素。

2、list()

存储静态数据集：

适用于需要频繁访问元素、但不经常进行插入或删除操作的场景

3、heapq

优先队列：

当需要处理一系列元素，但每次只想处理优先级最高（或最低）的元素时，heapq非常有用。
堆排序：

heapq可以用于实现堆排序算法，这是一种基于比较的排序算法，适用于大数据集的排序。
资源分配：

在资源分配问题中，如内存管理、CPU时间片分配等，heapq可以根据优先级来分配资源。

---

常用方法

1、deque()与list()

共用方法
append(x)	向右侧添加一个元素
pop()	从右侧移除并返回一个元素
extend(iterable)	从右侧扩展，添加指定迭代器的元素
insert(index,obj)	在指定位置插入一个元素
index(value, [start, [stop]])	返回指定值在列表中第一次出现的索引
clear()	移除列表中的所有元素，使其长度为0
remove(value)	移除列表中第一个出现的指定值
count(value)	返回列表中指定值的出现次数
reverse()	原地翻转列表中元素
copy()	返回一个浅拷贝
deque()专用方法
appendleft(x)	向左侧添加一个元素
extendleft(iterable)	从左侧扩展deque，通过添加指定迭代器的元素（元素顺序相反）
popleft()	从左侧移除并返回一个元素
rotate(n=1)	向右旋转deque n个步骤（如果n是负数，则向左旋转）
list()专用方法
sort(key=None, reverse=False)	列表中的元素进行排序

注意：deque在两端添加或删除元素时性能更高，而list在列表中间或两端添加元素时性能相对较差，尤其是在列表很大时。

2、heapq

heappush(heap, item)	将item项添加到heap中，保持堆属性
heappop(heap)	弹出并返回heap中的最小元素（对于小顶堆）。如果堆为空，则会引发IndexError
heappushpop(heap, item)	将item推入堆中，然后弹出并返回堆中的最小元素。这个操作比先调用heappush()再调用heappop()更高效
heapreplace(heap, item)	弹出并返回堆中的最小元素，同时将item推入堆中。这个操作与先调用heappop()再调用heappush()效果相同，但更高效
heapify(list)	将列表list转换成堆。这是通过就地修改列表来完成的，意味着不会创建新列表
nlargest(n, iterable, key=None)	返回iterable中n个最大的元素。这通过保持一个大小为n的堆来实现，使得堆的根元素始终是最大的元素之一
nsmallest(n, iterable, key=None)	返回iterable中n个最小的元素。与nlargest()类似，但这是为了找到最小的元素
merge(*iterables, key=None, reverse=False)	合并多个已排序的输入为一个已排序的迭代器；这类似于sorted(itertools.chain(*iterables))，但返回的是一个迭代器，并且不会一次性加载所有数据，因此更适合于大数据集