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