【Python】heapq—nlargest()和nsmallest()用法解析_heapq.nsmallest

【Python】heapq—nlargest()和nsmallest()用法解析

1. 介绍

1）这两个函数可以帮助我们在某个集合中找出最大或最小的N个元素。例如：

>>> import heapq
>>> nums=[1,8,2,23,7,-4,18,23,42,37,2]
>>> print(heapq.nlargest(3,nums))
[42, 37, 23]
>>> print(heapq.nsmallest(3,nums))
[-4, 1, 2]
1
2
3
4
5
6

2）如果正在寻找最大或者最小的N个元素，且同集合中元素的总数目相比，N很小，那么下面这些函数就可以提供更好的性能。这些函数首先会在底层将数据转化成列表，且元素会以堆得顺序排列。例如：

>>> nums=[1,8,2,23,7,-4,18,23,42,37,2]
>>> import heapq
>>> heap=list(nums)
>>> heapq.heapify(heap)#将列表原地转换成堆
>>> heap
[-4, 2, 1, 23, 7, 2, 18, 23, 42, 37, 8]
1
2
3
4
5
6

3）堆最重要的特性就是，heap[0]总是最小的那个元素，此外，接下来的最小元素可以一次通过heapq.heappop()的方法轻松的找到。该方法会将第一个元素（最小的）弹出，然后以第二小的元素取而代之。例如，要找到第三小的元素，可以这样做：

>>> heapq.heappop(heap)
-4
>>> heapq.heappop(heap)
1
>>> heapq.heappop(heap)
2
1
2
3
4
5
6

4）使用key，来选取哪个位置做大小比较

predict = {idx: score for idx, score in enumerate(pred)}
pred_dict = heapq.nlargest(5, pred_dict.items(), key=lambda kv :kv[1])
1
2

2. 比较

• 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）。

• 尽管你没有必要一定使用这里的方法，但是堆数据结构的实现是一个很有趣并且值得你深入学习的东西。 基本上只要是数据结构和算法书籍里面都会有提及到。 heapq 模块的官方文档里面也详细的介绍了堆数据结构底层的实现细节。