Python中堆是一种基于二叉树存储的数据结构。
主要应用场景：
对一个序列数据的操作基于排序的操作场景，例如序列数据基于最大值最小值进行的操作。
堆的数据结构：
Python 中堆是一颗平衡二叉树（关于二叉树参考数据结构相关知识），且基于小堆进行存储。
何为小堆，简单的说就是根节点永远不大于子节点的一种存储树，如下所示：
为何会形成图示的二叉树，这跟二叉树的存储及翻转规则有关，比较复杂，如果感兴趣，可查阅数据结构相关知识。
特性：
（1）堆的数据要基于链表（List）进行操作（堆中的数据是基于链表进行操作）。
（2）堆直接基于链表操作，不再开辟新的存储空间。
（3）堆头永远都是最小的值。
（4）堆的检索是根据中序遍历方式：根节点 --> 左节点 -->右节点
常用方法：
1 import heapq 2 3 # （1）创建一个空堆，并加入数据 4 heap = [] 5 for item in [2, 3, 1, 4]: 6 heapq.heappush(heap, item) 7 print heap # 输出 [1, 3, 2, 4] 8 9 # （2）根据链表构建一个堆 --> heapify 10 l = [2, 3, 1, 4] 11 heapq.heapify(l) 12 print l # 输出 [1, 3, 2, 4] 13 14 # （2）向堆中追加元素 -->heappush 15 heapq.heappush(l, -10) 16 print l # 输出 [-10, 1, 2, 4, 3] 17 18 # (3) 弹出堆头（返回堆头之后堆再进行翻转，堆头保持最小值） -->heappop 19 print heapq.heappop(l) # 输出 -10 20 print l # 输出 [1, 3, 2, 4] 21 print heapq.heappop(l) # 输出 1 22 print l # 输出 [2, 3, 4] 23 24 # (4) 替换第一个元素，并构建堆 --> heapreplace 25 l = [2, 3, 1, 4] 26 print heapq.heapreplace(l, 100) # 输出 2 27 print l # 输出 [1, 3, 100, 4] 28 29 # （5）合并多个链表 --> merge 30 l = [1, 3, 2] 31 l2 = [5, 2, 3] 32 l3 = [9, 2, 3, 1] 33 print list(heapq.merge(l, l2, l3)) # 输出 [1, 3, 2, 5, 2, 3, 9, 2, 3, 1] 34 35 # （6）多路归并 --> merge 36 # 对每一个链表进行排序，再对排序后的列表进行合并 37 print list(heapq.merge(sorted(l), sorted(l2), sorted(l3))) 38 39 # （7）返回最大的元素 --> nlargest 40 l = [2, 3, 1, 4] 41 print heapq.nlargest(2, l) # 输出 [4, 3] 42 43 # （8）返回最小的元素 --> nsmallest 44 l = [2, 3, 1, 4] 45 print heapq.nsmallest(2, l) # 输出 [1, 2] 46 47 # （9）向堆中追加一个数据，再弹出堆头（弹出后堆不会发生翻转） --> heappushpop 48 l = [2, 3, 1, 4] 49 print heapq.heappushpop(l, -10) # 输出 -10 50 print l # 输出 [2, 3, 1, 4]
