因为heapq要求元素可比较，自定义类需实现__lt__等比较方法，否则无法判断堆中优先级。
Python里用heapq建堆，为什么list直接传进去不自动排序？
因为heapq不改变输入列表的结构前提——它只保证「堆性质」，不是「整体有序」。调用heapq.heapify()才原地转成最小堆，此时lst[0]是最小值，但lst[1:]并不递增。
常见错误现象：heapq.heappush(lst, x)前没调用heapify，或误以为sorted(lst)等价于堆化。
- 使用场景：初始化一批数据做优先队列时，必须先
heapq.heapify(lst)，不能靠反复heappush来“凑” - 性能影响：一次
heapify是O(n)，而n次heappush是O(n log n) - 示例：
data = [3, 1, 4, 1, 5]<br>heapq.heapify(data) # ✅ 正确建堆<br># data 变成 [1, 1, 4, 3, 5] —— 满足堆序，但非全排序
heapq.heappop()和heapq.nsmallest()选哪个取Top-K？
取决于K大小和是否要复用堆。如果只要前K小且K远小于总长度，nsmallest(k, iterable)更省事；如果后续还要持续插入/弹出，就得维护一个固定大小的堆。
容易踩的坑：nsmallest会把整个iterable读进内存再排序（内部用堆或排序算法自适应），对超大迭代器不友好；而手动用heappushpop维持k-size堆能流式处理。
- 参数差异：
nsmallest(k, lst)返回新列表；heappop修改原堆且每次只拿一个 - 兼容性注意：Python nsmallest对不可比较元素（如含
None）可能抛TypeError，而堆操作在push前就报错，更早暴露问题 - 示例（流式Top-3）：
heap = []<br>for x in huge_stream:<br> if len(heap) heapq.heappush(heap, -x) # 大顶堆模拟<br> elif -x > heap[0]:<br> heapq.heapreplace(heap, -x)
用heapq做堆排序，为什么不能直接while heap: yield heappop(heap)？
可以，但效率低——每次heappop是O(log n)，总共O(n log n)，和归并排序一样；而真正堆排序应先heapify，再逐个把堆顶换到末尾、缩小堆范围，原地完成，缓存更友好。
关键区别在于：标准库heapq没暴露「下沉」或「原地排序」接口，所以纯用它实现经典堆排序，本质是「堆提取」而非「堆排序算法」。
- 性能影响：纯
heappop循环比sorted()还慢，因为少了Timsort的优化 - 使用场景：真要堆排序逻辑（比如教学演示或特殊稳定性要求），建议手写
sift_down；日常只需有序结果，直接用sorted() - 示例对比：
# 不推荐（慢且额外空间）<br>def heap_sort_naive(h):<br> h = h.copy()<br> heapq.heapify(h)<br> return [heapq.heappop(h) for _ in range(len(h))]<br><br># 推荐（快且语义清晰）<br>sorted_data = sorted(data)
自定义对象进heapq，为什么总报TypeError: '？
因为heapq内部比较依赖__lt__（小于）方法，而默认类实例不支持。你得显式定义比较逻辑，或者用key函数包装——但注意heapq本身不接受key参数，只能靠预处理。
最容易被忽略的一点：即使实现了__lt__，也要确保逻辑严格、可传递，否则堆可能损坏（比如a 但<code>a >= c）。
- 实操建议：优先用
tuple包装，比如(priority, count, item)，避免重载方法出错 - 参数差异：不要试图给
heappush加key=...——它没有这个参数；想按字段排，提前转成(obj.score, obj.id, obj) - 示例：
import itertools<br>_counter = itertools.count() # 避免相同priority时比较obj<br>heap = []<br>for obj in objects:<br> heapq.heappush(heap, (obj.priority, next(_counter), obj))
堆的边界很薄：表面是heappush/heappop几个函数，底下全是隐含的不变量约束。一旦绕过heapify直接当列表用，或在多线程里共享堆却不加锁，问题就不是结果错，而是错得没规律。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
