一. deque（双端队列)

 

1. 使用 deque(maxlen=N)会新建一个固定大小的队列。当新的元素加入并且这个队列已满的时候，最老的元素会自动被移除掉

>>> from collections import deque>>> q = deque(maxlen=3)>>> q.append(1)>>> q.append(2)>>> q.append(3)>>> qdeque([1, 2, 3], maxlen=3)>>> q.append(4)>>> qdeque([2, 3, 4], maxlen=3)>>> q.append(5)>>> qdeque([3, 4, 5], maxlen=3)

 

 

2. 如果你不设置最大队列大小，那么就会得到一个无限大小队列，你可以在队列的两端执行添加和弹出元素的操作

from collections import deque >>> q = deque()>>> q.append(1)>>> q.append(2)>>> q.append(3)>>> qdeque([1, 2, 3])>>> q.appendleft(4)>>> qdeque([4, 1, 2, 3])>>> q.pop()3>>> qdeque([4, 1, 2])>>> q.popleft()4

 

优点：使用deque在两端插入或删除元素时间复杂度都是 O(1) ，而在列表的开头插入或删除元素的时间复杂度为 O(N) 。

 

 

 

 

二. headq模块

 

 1. 堆数据结构最重要的特征是 第一个元素 永远是最小的元素；创建一个堆队列，可以使用一个列表[]，也可以使用heapify(x)函数

#使用空列表的方法h = []heapq.heappush(h, 5)heapq.heappush(h, 2)heapq.heappush(h, 8)heapq.heappush(h, 4)print(h)print(heapq.heappop(h)) #heappop方法会先将第一个元素弹出来，然后用下一个最小的元素来取代被弹出元素，这种操作时间复杂度仅仅是 O(log N)，N是堆大小结果输出如下：[2, 4, 8, 5]2# 使用heapify的方法，转换一个列表为堆排序h = [9, 8, 7, 6, 2, 4, 5]heapq.heapify(h)print(h)结果输出如下：[2, 6, 4, 9, 8, 7, 5]

 

 

2. heapq 模块有两个函数：nlargest() 和 nsmallest() 可用来查找最大或最小的N个元素

import heapqnums = [1, 8, 2, 23, 7, -4, 18, 23, 42, 37, 2]print(heapq.nlargest(3, nums)) # Prints [42, 37, 23]print(heapq.nsmallest(3, nums)) # Prints [-4, 1, 2]

 

 

3. 两个函数都能接受一个关键字参数key，用于更复杂的数据结构中

import 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(2, portfolio, key=lambda s: s['price'])expensive = heapq.nlargest(2, portfolio, key=lambda s: s['price'])

 

上面代码在对每个元素进行对比的时候，会以 price 的值进行比较,，如下

>>> expensive[{
    'name': 'AAPL', 'shares': 50, 'price': 543.22}, {
   'name': 'ACME', 'shares': 75, 'price': 115.65}]

 

 

4. nlargest(), max()以及排序切片的使用场景

1） 当要查找的元素个数相对比较小的时候，函数 nlargest() 和 nsmallest() 是很合适的。

2） 如果你仅仅想查找唯一的最小或最大 (N=1) 的元素的话，那么使用 min() 和max() 函数会更快些。

3） 如果 N 的大小和集合大小接近的时候，通常先排序这个集合然后再使用切片操作会更快点 ( sorted(items)[:N] 或者是 sorted(items)[-N:] )。

 

 

5. 使用heapq写一个优先级队列类，并且在这个队列上每次用pop操作都返回一个最高优先级的元素

先写一个PriorityQueue类

import heapqclass PriorityQueue:        def __init__(self):        self._queue = []        self._index = 0    def push(self, item, priority):        heapq.heappush(self._queue, (-priority, self._index, item))  #把第2个参数的元组加入到self._queue列表中，做为一个列表元素        self._index += 1        def pop(self):        return heapq.heappop(self._queue)[-1]   #返回-prioriry最小的元组，比如（-7, 3, 'jack'), 然后输出这个元组的最后一个元素。

 

使用上面PriortyQueeu类的例子1

>>> class Item:...     def __init__(self, name):...         self.name = name...     def __repr__(self):...         return 'Item({!r})'.format(self.name)  # '!r' 用于在format函数中，表示应用repr函数表示。... >>> Item('foo')Item('foo')>>> q = PriorityQueue()>>> q.push(Item('foo'), 1)  # 这里的Item('foo')安全可以直接用'foo'来代替，这里只是学习下类以及__repr__()的用法>>> q.push(Item('bar'), 5)  >>> q.push(Item('spam'), 4)>>> q.push(Item('grok'), 1)>>> q.pop()Item('bar')>>> q.pop()Item('spam')>>> q.pop()Item('foo')>>> q.pop()Item('grok')

 

说明：

1. 函数__repr__()是用于显示的，如果不定义这个函数，Item('foo'）的返回结果类似<__main__.Item object at 0x7fa8e0edceb8>

2. 如果两个有着相同优先级的元素 ( foo 和 grok )，pop 操作按照它们被插入到队列的顺序返回的。

原因是我们在元组中定义了一个self._index变量，当优先级相同时，就比较索引值，小的索引值放在队列前面；当优先级不同时，索引值就不需要比较了。

如果不定义索引值，当两个元素的优先级相同时，就会报错。

 

 

一个简化的完整例子2

import heapqclass PriorityQueue:    def __init__(self):        self._queue = []        self._index = 0    def push(self, item, priority):        heapq.heappush(self._queue, (-priority, self._index, item))        self._index += 1    def pop(self):        return heapq.heappop(self._queue)[-1]x = PriorityQueue()x.push('jack', 4)x.push('hong', 7)x.push('jin', 2)x.push('winnie', 6)y = x.pop()print(y)

输出hong