深刻理解堆和堆排序以及在 Python 中的应用
作者：互联网
您是否也厌倦了需要很长时间才能处理大型数据集的缓慢、低效的排序算法？
是时候跟着icode9技术分享来看看堆排序了，这是一种高性能的排序算法，可以在O(Nlg(N))时间复杂度和O(1)空间复杂度上快速高效地对数据集进行排序。
在本文中，我们将深入探讨 Python 中的堆和堆排序，探索这种强大算法的内部工作原理，并学习如何逐步实现它。
堆简介：一种基于树的数据结构
堆是满足堆特性的完全二叉树，即树中每个节点的值大于或等于其子节点的值。
有两种类型的堆：
-
最大堆：在最大堆中，每个节点的值都大于或等于其子节点的值，并且根节点在树中具有最大值。
-
最小堆：在最小堆中，每个节点的值都小于或等于其子节点的值，并且根节点在树中具有最小值。
堆排序如何工作
堆排序是一种基于比较的排序算法，它使用堆数据结构对元素列表进行排序。它的工作原理是从输入列表构建一个堆，然后重复提取根元素（最大值或最小值）并将其放在排序列表的末尾。重复此过程，直到堆为空并且列表已完全排序。
简单来说，有两个步骤：
-
构建堆
-
从堆中提取元素
-
如何在 Python 中表示堆？
首先，我们需要知道如何在构建堆之前正确地表示它。
鉴于堆是一棵完全二叉树，我们可以直接使用 Python 列表来表示堆。
树的列表表示意味着真正的树在我们的脑海中。我们总是在真实代码中操作列表。
它之所以起作用，是因为列表和树之间存在以下特殊关系：
树的根始终是 index 处的元素0。
index 处节点的左孩子i存储在 index2i+1中，右孩子存储在 index2i+2中。
因此，我们总是可以通过列表的索引轻松访问树的节点。
例如，这是一个名为 的输入列表arr。
它的元素是[5, 2, 7, 1, 3]。
它代表一个原始的完全二叉树，我们需要将它转换为一个堆，如下所示：
-
树的根是arr[0]
-
根的左孩子是arr[2*0+1]，右孩子是arr[2*0+2]。
如何建堆？
从列表构建堆的过程称为 heapify。
原始列表已经是二叉树的表示（树在我们的脑海中），如上所示。我们需要做的是将原始树转换为堆。
由于最大堆和最小堆具有相似的思想。下面就说说如何建立最大堆吧。
思路是自下而上遍历二叉树的非叶子节点构造一个最大堆，对于每个非叶子节点，将其与其左右子节点进行比较，将最大值与父节点交换这个子树。
为什么从非叶节点而不是最后一个节点开始？
因为叶子节点下面没有子节点，所以不需要操作。
为什么从下往上遍历而不是从上往下遍历？
如果我们从底部往上走，肯定会将最大值放入根节点（类似于冒泡排序的思想）。
提取一个元素后如何更新堆？
把原来的链表转成堆后，剩下的就简单了。我们只需要反复提取堆的根元素，也就是最大/最小元素，放到需要返回的排序列表的末尾即可。
但是，我们需要做一件事——在提取根节点后更新整个堆。
它需要两个步骤：
用堆中的最后一个元素替换根节点：删除根节点（在最大堆中具有最大值或在最小堆中具有最小值）并将其替换为堆中的最后一个元素。
再次堆化整个堆。
在 Python 中实现堆排序
话不多说，让我们看看代码：
关键功能是heapify和heapify_node。它们用于从原始列表构建堆。
使用 Python 的 heapq 模块
幸运的是，我们不需要每次都实现构建堆的基本功能。Python 有一个名为heapq.
该heapq模块提供了处理堆的功能，包括：
heappush(heap, elem)：将一个元素压入堆中，保持堆属性。
heappop(heap)：从堆中弹出并返回最小的元素，保持堆属性。
heapify(x)：在线性时间内将常规列表就地转换为堆。
nlargest(k, iterable, key=None)：返回一个列表，其中包含指定迭代器中的 k 个最大元素并满足堆属性。
nsmallest(k, iterable, key=None)：返回一个列表，其中包含指定可迭代对象中的 k 个最小元素并满足堆属性。
heapq模块实现为堆队列，即优先级队列实现为堆。它是高效排序和搜索列表和其他可迭代对象的有用工具。
现在，让我们用它来做堆排序：
import heapq
def heap_sort ( arr ):
# 建立一个堆
heapq.heapify(arr)
# 从堆中逐一提取元素
sorted_arr = []
while arr:
sorted_arr.append(heapq.heappop(arr))
return sorted_arr
# 测试堆排序函数
arr = [ 5 , 21 , 207 , 19 , 3 ]
print (heap_sort(arr))
# 输出：[3, 5, 19, 21, 207]
简单又优雅，不是吗？