本文实例讲述了python找到最大或最小的N个元素实现方法。分享给大家供大家参考，具体如下：
问题：想在某个集合中找出最大或最小的N个元素
解决方案：heapq模块中的nlargest()和nsmallest()两个函数正是我们需要的。
|
1
2
3
4
5
6
7
|
>>> 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]>>> |
这两个函数接受一个参数key，允许其工作在更复杂的数据结构之上：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# example.py## Example of using heapq to find the N smallest or largest itemsimport heapqportfolio = [ {'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(3, portfolio, key=lambda s: s['price'])expensive = heapq.nlargest(3, portfolio, key=lambda s: s['price'])print(cheap)print(expensive) |
|
1
2
3
4
5
6
7
|
Python 3.4.0 (v3.4.0:04f714765c13, Mar 16 2014, 19:24:06) [MSC v.1600 32 bit (Intel)] on win32Type "copyright", "credits" or "license()" for more information.>>> ================================ RESTART ================================>>>[{'name': 'YHOO', 'price': 16.35, 'shares': 45}, {'name': 'FB', 'price': 21.09, 'shares': 200}, {'name': 'HPQ', 'price': 31.75, 'shares': 35}][{'name': 'AAPL', 'price': 543.22, 'shares': 50}, {'name': 'ACME', 'price': 115.65, 'shares': 75}, {'name': 'IBM', 'price': 91.1, 'shares': 100}]>>> |
如果正在寻找的最大或最小的N个元素，且相比于集合中元素的数量，N很小时，下面的函数性能更好。
这些函数首先会在底层将数据转化为列表，且元素会以堆的顺序排列。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
>>> import heapq>>> nums=[1,8,2,23,7,-4,18,23,42,37,2]>>> heap=list(nums)>>> heap[1, 8, 2, 23, 7, -4, 18, 23, 42, 37, 2]>>> heapq.heapify(heap) #heapify()参数必须是list，此函数将list变成堆，实时操作。从而能够在任何情况下使用堆的函数。>>> heap[-4, 2, 1, 23, 7, 2, 18, 23, 42, 37, 8]>>> heapq.heappop(heap)#如下是为了找到第3小的元素-4>>> heapq.heappop(heap)1>>> heapq.heappop(heap)2>>> |
堆（heap）最重要的特性就是heap[0]总是最小的元素。可通过heapq.heappop()轻松找到最小值，这个操作的复杂度为O(logN)，N代表堆得大小。
总结：
1、当要找的元素数量相对较小时，函数nlargest()和nsmallest()才最适用。
2、若只是想找到最小和最大值（N=1）时，使用min()和max()会更快。
3、若N和集合本身的大小差不多，更快的方法是先对集合排序再进行切片操作（例如使用sorted(items)[:N]或sorted(items)[-N：]）
4、heapq.heappush(heap, item):将item压入到堆数组heap中。如果不进行此步操作，后面的heappop()失效；
heapq.heappop(heap):从堆数组heap中取出最小的值，并返回。
heapq.heapify(list):参数必须是list，此函数将list变成堆，实时操作。从而能够在任何情况下使用堆的函数。
heapq.heappushpop(heap, item):是上述heappush和heappop的合体，同时完成两者的功能.注意：相当于先操作了heappush(heap,item),然后操作heappop(heap)
heapreplace(heap, item):是heappop(heap)和heappush(heap,item)的联合操作。注意，与heappushpop(heap,item)的区别在于，顺序不同，这里是先进行删除，后压入堆
heap,merge(*iterables)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
>>> h=[] #定义一个list>>> from heapq import * #引入heapq模块>>> h[]>>> heappush(h,5) #向堆中依次增加数值>>> heappush(h,2)>>> heappush(h,3)>>> heappush(h,9)>>> h #h的值[2, 5, 3, 9]>>> heappop(h) #从h中删除最小的，并返回该值2>>> h[3, 5, 9]>>> h.append(1) #注意，如果不是压入堆中，而是通过append追加一个数值>>> h #堆的函数并不能操作这个增加的数值，或者说它堆对来讲是不存在的[3, 5, 9, 1]>>> heappop(h) #从h中能够找到的最小值是3,而不是13>>> heappush(h,2) #这时，不仅将2压入到堆内，而且1也进入了堆。>>> h[1, 2, 9, 5]>>> heappop(h) #操作对象已经包含了11 |
|
1
2
3
4
5
6
7
8
|
>>> h[1, 2, 9, 5]>>> heappop(h)1>>> heappushpop(h,4) #增加4同时删除最小值2并返回该最小值，与下列操作等同：2 #heappush(h,4),heappop(h)>>> h[4, 5, 9] |
|
1
2
3
4
5
6
7
8
9
10
|
>>> a=[3,6,1]>>> heapify(a) #将a变成堆之后，可以对其操作>>> heappop(a)1>>> b=[4,2,5] #b不是堆，如果对其进行操作，显示结果如下>>> heappop(b) #按照顺序，删除第一个数值并返回,不会从中挑选出最小的4>>> heapify(b) #变成堆之后，再操作>>> heappop(b)2 |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
>>> a=[]>>> heapreplace(a,3) #如果list空，则报错Traceback (most recent call last):File "<stdin>", line 1, in <module>IndexError: index out of range>>> heappush(a,3)>>> a[3]>>> heapreplace(a,2) #先执行删除（heappop(a)->3),再执行加入（heappush(a,2))3>>> a[2]>>> heappush(a,5)>>> heappush(a,9)>>> heappush(a,4)>>> a[2, 4, 9, 5]>>> heapreplace(a,6) #先从堆a中找出最小值并返回，然后加入62>>> a[4, 5, 9, 6]>>> heapreplace(a,1) #1是后来加入的，在1加入之前，a中的最小值是44>>> a[1, 5, 9, 6] |
|
1
2
3
4
5
|
>>> a=[2,4,6]>>> b=[1,3,5]>>> c=merge(a,b)>>> list(c)[1, 2, 3, 4, 5, 6] |
希望本文所述对大家Python程序设计有所帮助。
原文链接：http://www.cnblogs.com/apple2016/p/5744497.html
