Python数据结构2-----队列和堆
一、线性结构：栈、队列、双端队列、列表
二、非线性结构：树、图、堆
【算法中看堆是非线性的，因为其相当于完全二叉树，但堆的存储元素是采用线性的顺序表数组来实现的】
三、队列：
1、队列类型：FIFO、LIFO、双端队列、循环队列
FIFO：先进先出
LIFO：后进先出（相当于栈）
双端队列：LIFO和FIFO的结合，就是可从队首和队尾添加和删除元素。
循环队列：队首和队尾相连（可以解决假溢出）
2、FIFO【先进先出】、LIFO【后进先出】
Python自带的Queue模块（import queue【python3】、import Queue【Python2】）【线程不安全，需加锁】
有三种队列类型：FIFO（queue.queue）、LIFO（queue.LifoQueue）、优先级队列（queue.PriorityQueue）【优先级队列越低越先出来】【堆】
FIFO：import queue
创建一个队列长度为10的对象：q=queue.queue(maxsize=10)
队尾插入数据x：q.put(x)
队首删除数据：q.get()，并返回该数据
返回队列的大小：q.qsize()
判断队列是否为空：q.empty()，若为空则返回True，反之则FALSE
判断是否为满：q.full与maxsize相呼应
3、Python自带的双端队列Deque模块（from collections import deque) 【线程安全，因为GIL】
（1）新建一个deque对象：q=deque('abcdefgh')，或者创建一个大小为5的队列q=deque(5)
（1）q.appendleft(x)：在列表左侧插入【O（1）】
（2）q.popleft()：弹出列表左侧的值【O（1）】
（3）extendleft：在左侧扩展【O（k）】
（4）q.append(x)：在列表右侧插入【O（1）】
（5）q.pop()：弹出列表右侧的值【O（1）】
（6）extend：在右侧扩展【O（k）】
（7）q.rotate(-n)：将左端的n个元素移动到右端【O（k）】
q.rotate(n)：将右端的n个元素移动到左端
q=deque('abcdef')
q.rotate(-2)
print(q)//deque(['c','d','e','f','a','b'])
q.rotate(2)
print(q)//deque(['e','f','a','b','c','d'])
（8）q.remove('c')：删除一个指定元素【O（n）】
（9）q.clear()：清空链表所有元素，使其长度为0
（10）q.reverse()：将队列反转
（11）q.count(x)：返回q中x的数量
（12）len(q)：返回q的长度
4、Python实现循环队列：
队尾出来进队首，双端队列的rotate可以实现循环队列。
下面的例子是用queue中的FIFO实现一个功能，6个人传土豆，每数到7就淘汰手中有土豆的人，直到最后只剩一个人。
#循环队列，num一定要比人数多 import queue def hotpotato(namelist,num): que=queue.Queue(len(namelist)) for name in namelist: que.put(name) while que.qsize()>1: for item in range(num): que.put(que.get()) que.get() return que.get() namelist=['a','b','c','d','e','f'] print(hotpotato(namelist,7))
5、列表、queue、deque都可以用作队列，他们的比较：
list缺点：插入队尾时需要用insert(0,x),【因为队首在队尾】，别的元素要往后移，时间复杂度大】
queue的缺点：queue只能做put，put方向只能在队尾。
deque的缺点：remove（x) 和获取索引时速度慢，因为需要执行多个数据块。list相对快一点。
四、堆：【是一棵完全二叉树】
1、python自带的堆模块：import heapq【实现最小堆】
【实现最大堆：将元素取反存入堆，取出时再取反：将push(e)改为push(-e)、pop(e)改为-pop(e)。】
- heap = [] #创建了一个空堆
- heapq.heappush ( heap,item ) #往堆heap中插入一条新的值item
- heapq.heapify(listx) #以线性时间将一个列表转化成堆
- item = heapq.heappop ( heap ) # 从堆中弹出最小值
- item = heap [0] #查看堆中最小值，不弹出 item = heapq.heapreplace(heap,item) #弹出并返回最小值，然后将heapreplace方法中item的值插入到堆中，堆的整体结构不会发生改变。这里需要考虑到的情况就是如果弹出的值大于item的时候我们可能就需要添加条件来满足function的要求：
- if item > heap[0]： item = heapreplace(heap, item)
- heapq.heappushpop() #顾名思义，将值插入到堆中同时弹出堆中的最小值。
- merge(heap1,heap2,heap3) #合并多个堆然后输出
- heapq.nlargest(n , heap, key=None) #从堆中找出做大的N个数，key的作用和sorted( )方法里面的key类似，用列表元素的某个属性和函数作为关键字。
- heapq.nsmallest(n, iterable, key=None) #找到堆中最小的N个数用法同上。
