使用deque模块固定队列长度，用headq模块来查找最大或最小的N个元素以及实现一个优先级排序的队列

 

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)
>>> q
deque([1, 2, 3], maxlen=3)
>>> q.append(4)
>>> q
deque([2, 3, 4], maxlen=3)
>>> q.append(5)
>>> q
deque([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)
>>> q
deque([1, 2, 3])
>>> q.appendleft(4)
>>> q
deque([4, 1, 2, 3])
>>> q.pop()
3
>>> q
deque([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. heapq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 heapq
nums = [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 heapq

portfolio = [
{'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 heapq

class 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 heapq

class 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