python数据结构学习笔记（九）

Priority Queues

9.1 ADT

9.2 implementing a priority queue

用无序的list来实现

用有序的列表来实现优先队列

9.3 heaps

heap数据结构

使用堆来实现优先队列

基于数组实现的完全二叉树

使用最小优先队列来进行排序

adaptable priority queue

Locators

Priority Queues

9.1 ADT

P.add(k, v)

P.min(): return (k, v)

P.remove_min(): return (k,v)

P.is_empty()

len(P)

优先队列可能有几个元素有相同的key值并且都是最小，这时最小的值是随机选择的一个。

9.2 implementing a priority queue

用无序的list来实现
对于优先队列里面列表的存储，一种方法是选择前面的PositionalList，这种方法由于队列里面的元素不需要 保持有序，添加一个元素只需要O(1)的时间就可以完成，但是对于min, remove_min操作就需要遍历一次整个list， 找到最小的元素的定位，所以需要O(n)的时间。

class UnsortedPriorityQueue(PriorityQueueBase):
def _find_min(self):
"""return Position of item with min key"""
if self.is_empty():
raise Empty('priority queue is empty')
small = self._data.first()
walk = self._data.after(small)
while walf is not None:
if walf.element() < small.element():
small = walk
walk = self._data.after(walk)
return small

def __init__(self):
self._data = PositionalList()

def __len__(self):
return len(self._data)

def add(self, key, value):
self._data.add_last(self._Item(key, value))

def min(self):
p = self._find_min()
item = p.element()
return (item._key, item._value)

def remove_min(self):
"""remove and return (k, v) tuple with min key."""
p = self._find_min()
item = self._data.delete(p)
return (item._key, item._value)

用有序的列表来实现优先队列
使用有序的列表来实现，队列中第一个元素就是最小的元素。

9.3 heaps
前面提到的使用有序和无序队列实现的优先队列各有各的优点。使用无序队列的在插入的时候可以达到 O(1)的时间，但是查找最小的元素就要O(n)的时间。有序队列实现的插入时要O(n)的时间，但是 查找最小的元素只需要O(1)的时间。

现在介绍一种新的数据结构，二叉堆，可以在对数的时间复杂的实现插入和查找的操作。

heap数据结构
二叉堆中的元素满足下面的性质：

对于每个不是根的位置p，该位置存储的key大于等于它的父结点上存储的key，这样从根结点开始向下的路径中

的所有key都是不减的，所以根结点的key就是最小的。

完全二叉树性质：一个高度为h的堆T如果在层数0到h-1都是满的，而在第h层可以不满，但是结点从左向右

紧密排列，及左边没有空隙， 那就可以说它是完全的。

一个完全的二叉堆，当里面有n个元素时，它的高度h不超过logn

使用堆来实现优先队列
因为堆的高度不会超过n的对数，如果我们实现更新的操作这个高度，那么就可以实现不超过对数时间的复杂度。

对于使用堆的实现，我们需要关心的是插入一个新的元素该如何操作。为了保持树的完全性，这个新的结点 应该在最下一层的最后一个结点的右边，如果这层刚好满了则在新一层的第一个结点。这样做仅仅满足树的 完全性，但是还要考虑一个结点的key值不小于它的父结点的key的性质。 假设新结点为p，他的父结点为q，如果kp < kq，则需要将这两个结点做一个交换。交换之后p结点仍然可能 小于它新的父结点，则继续检查判断是否要交换，直到p结点被推到根结点或者已经满足性质为止。 因为插入操作最坏的情况是将新结点一直推到根结点的位置，所以时间复杂度是O(logn)

现在到[code]remove_min
的实现。为了保证树的完全性，可以先将根结点与最下一层的最右边的结点进行交换，然后删除 最右下的那个结点。这样做有可能破坏子结点key不小于父结点的性质。维护的方法与插入类似，从根结点开始， 与它的子结点的key进行比较，注意它可能有2个子结点，所以需要与其中key较小那个进行比较。如果根的key值大于 子结点的key值，则进行交换，然后继续判断是否需要进一步交换。最坏情况也是O(logn)的复杂度。

基于数组实现的完全二叉树
f(p)是位置p在数组中存储的下标

如果p是根，则f(p) = 0

如果p是位置q的左孩子，则f(p) = 2f(q) + 1

如果p是位置q的右孩子，则f(p) = 2f(q) + 2

使用数组实现有一个好处，就是在找最下层最右边结点的时候非常方便，就是下标n - 1存储的那个位置。

class HeapPriorityQueue(PriorityQueueBase):
"""a min-oriented priority queue implemented with a binary heap."""
def _parent(self, j):
return (j - 1) // 2

def _left(self, j):
return 2 * j + 1

def _right(self, j):
return 2 * j + 2

def _has_left(self, j):
return self._left(j) < len(self._data)

def _has_right(self, j):
return self._right(j) < len(self._data)

def _swap(self, i, j):
"""swap the elements at indices i and j of array"""
self._data[i], self._data[j] = self._data[j], self._data[i]

def _upheap(self, j):
parent = self._parent(j)
if j > 0 and self._data[j] < self._data[parent]:
self._swap(j, parent)
self._upheap(parent)  # recur at position of parent

def _downheap(self, j):
if self._has_left(j):
left = self._left(j)
small_child = left
if self._has_right(j):
right = self._right(j)
if self._data[right] < self._data[left]:
small_child = right
if self._data[small_child] < self._data[j]:
self._swap(j, small_child)
self._downheap(small_child)

# ---------------- public methods --------------------
def __init__(self):
self._data = []

def __len__(self):
return len(self._data)

def add(self, key, value):
self._data.append(self._Item(key, value))
self._upheap(len(self._data) - 1)

def min(self):
if self.is_empty():
raise Empty('priority queue is empty')
item = self._data[0]
return (item._key, item._value)

def remove_min(self):
if self.is_empty():
raise Empty('priority queue is empty')
self._swap(0, len(self._data) - 1)
item = self._data.pop()
self._downheap(0)
return (item._key, item._value)

使用最小优先队列来进行排序
可以先构造一个空的优先队列，然后将要排序的元素一个个插入到队列中，然后通过

remove_min

不断 从队列中取出元素就可以得到有序的队列。

adaptable priority queue

优先队列现在可以实现移除最小的一个元素，但是实际情况中可能还有一些问题需要处理，如一些在排队的 顾客中，中间的某个人突然说不想继续排了要离开，这时需要能将任意一个元素移除。还有比如排队的某个 客人本来优先级在后面，但是突然拿出一张vip卡，那么他的优先级突然变得很高，需要能将他的key修改为 新的值。

为了支持这些新的操作，我们需要定义一个新的ADT

adaptable priority queue

.

Locators
要修改队列中的任意一个元素，我们要能定位到里面的任意一个元素。现在增加定位器Locators， 在添加一个新元素到队列中的时候，返回一个locator给上级函数。

P.update(loc, k, v): 将loc指定位置的key, value更新。

P.remove(loc): 删除指定的元素，并返回(key, value)

class AdaptableHeapPriorityQueue(HeapPriorityQueue):
""" a locator-based priority queue implemented with a binary heap."""
class Locator(HeapPriorityQueue._Item):
__slots__ = '_index'

def __init__(self, k, v, j):
super().__init__(k, v)
self._index = j
# -------------- nonpublic methods -----------------
# override swap to record new indices
def _swap(self, i, j):
super()._swap(i, j)
self._data[i]._index = i
self._data[j]._index = j

def _bubble(self, j):
"""将某个元素上移或者下移到适当的位置"""
if j > 0 and self._data[j] < self._data[self._parent(j)]:
self._upheap(j)
else:
self._downheap(j)

def add(self, key, value):
""" add a key-value pair."""
token = self.Locator(key, value, len(self._data))
self._data.append(token)
self._upheap(len(self._data) - 1)
return token

def update(self, loc, newkey, newval):
j = loc._index
if not (0 <= j < len(self) and self._data[j] is loc):
raise ValueError('invalid locator')
loc._key = newkey
loc._value = newval
self._bubble(j)

def remove(self, loc):
""" remove and return (key, value)"""
j = loc._index
if not (0 <= j < len(self) and self._data[j] is loc):
raise ValueError('invalid locator')
if j == len(self) - 1: # remove the last position
self._data.pop()
else:
self._swap(j, len(self) - 1)
self._data.pop()
self._bubble(j)
return (loc._key, loc._value)

[/code]