查找最大或最小的 N 个元素

使用内置的heapd模块

In [1]: import heapq

In [2]: nums = [1,8, 2, 23, 7, -4, 18, 23, 42, 37, 2]

In [3]: print(heapq.nlargest(2,nums))
[42, 37]

In [4]: print(heapq.nlargest(5,nums))
[42, 37, 23, 23, 18]

In [5]: print(heapq.nsmallest(5,nums))
[-4, 1, 2, 2, 7]

两个函数都能接受一个关键字参数，用于更复杂的数据结构中

In [6]: 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}
   ...: ]
In [11]: print(heapq.nsmallest(3,portfolio,key=lambda s: s['price']))
[{'price': 16.35, 'name': 'YHOO', 'shares': 45}, {'price': 21.09, 'name': 'FB', 'shares': 200}, {'price': 31.75, 'name': 'HPQ', 'shares': 35}]

In [12]: print(heapq.nsmallest(2,portfolio,key=lambda s: s['price']))
[{'price': 16.35, 'name': 'YHOO', 'shares': 45}, {'price': 21.09, 'name': 'FB', 'shares': 200}]

那么如果你想在集合中找到最小和最大的值

因为在底层实现里面，首先会先将集合数据进行堆排序后放入一个列表中

In [1]: import heapq

In [2]: nums = [1, 8, 2, 23, 7, -4, 18, 23, 42, 37, 2
   ...: ]

In [3]: heap=list(nums)

In [4]: heap
Out[4]: [1, 8, 2, 23, 7, -4, 18, 23, 42, 37, 2]

In [5]: heapq.heapify(heap)

In [6]: heap
Out[6]: [-4, 2, 1, 23, 7, 2, 18, 23, 42, 37, 8]

In [7]: heap[0]
Out[7]: -4

In [8]: heapq.heappop(heap)
Out[8]: -4

In [9]: heapq.heappop(heap)
Out[9]: 1

In [10]: heapq.heappop(heap)
Out[10]: 2

In [11]: heapq.heappop(heap)
Out[11]: 2

In [12]: heapq.heappop(heap)
Out[12]: 7

In [13]: heap
Out[13]: [8, 23, 18, 23, 42, 37]

堆数据结构最重要的特征是 heap[0] 永远是最小的元素。并且剩余的元素可以很容易的通过调用heapq.heappop() 方法得到， 该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

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。 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。 类似的，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:] ）。 需要在正确场合使用函数 nlargest() 和 nsmallest() 才能发挥它们的优势 （如果 N 快接近集合大小了，那么使用排序操作会更好些）。