拓扑排序失败时queue为空但仍有未访问节点，说明图中存在环；应统计全部节点、用in_degree字典记录入度，最终比较result长度与总节点数是否相等来判断。
拓扑排序失败时，queue 为空但图中仍有未访问节点怎么办
说明：这代表图中存在环，无法完成拓扑排序。标准实现里，如果最终输出的节点数小于图中总节点数，就说明有环。
实操建议：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 初始化时统计所有节点（哪怕没有出边），用
in_degree字典记录每个节点的入度，缺失节点默认为 0 - 入队前检查：只将
in_degree[node] == 0的节点加入queue；入队后立即将其入度设为 -1 或用集合标记已入队，避免重复添加 - 循环结束后对比
len(result)和len(graph)（或预存的节点总数），不等即存在环 - 调试时打印每次出队的
node和剩余in_degree值，能快速定位卡在哪个节点
用 collections.deque 还是 list.pop(0) 实现队列
说明：list.pop(0) 是 O(n) 操作，会显著拖慢大规模依赖图的处理速度；而 deque.popleft() 是 O(1)。
实操建议：
- 必须用
from collections import deque，初始化为queue = deque([node for node in in_degree if in_degree[node] == 0]) - 避免写
queue = [n for ...]; queue.pop(0)—— 即使图只有几百个节点，依赖链一深就容易感知到延迟 - 如果用
heapq实现字典序最小拓扑序（如编译器调度），仍需搭配deque或改用heapq管理候选集，但基础 BFS 拓扑排序无需堆
graph 用字典还是邻接表列表？键名类型影响大不大
说明：键名类型决定你能否直接索引、是否需要统一预处理。常见坑是字符串 ID 和整数 ID 混用导致 KeyError 或逻辑错位。
实操建议：
- 统一用字符串作节点标识（如
"task_a"、"module_2"），避免整数 0/1 被误判为布尔值 - 图结构推荐用
defaultdict(list)：添加边时直接graph[u].append(v)，不用每次都检查键是否存在 - 若原始数据是二维列表（如
[["a","b"],["b","c"]]），先遍历一遍提取全部唯一节点，再构建in_degree和graph，防止漏掉无入边也无出边的孤立节点 - 不要用 list 索引模拟图（如
graph[i]），除非你 100% 确认节点 ID 是连续非负整数且从 0 开始
如何让拓扑序满足额外约束，比如“相同模块的任务尽量相邻”
说明：标准 Kahn 算法只保证依赖先后，不控制同层节点顺序。所谓“尽量相邻”，本质是在入度为 0 的候选集中做稳定优先选择。
实操建议：
- 把
deque换成heapq，入队时 push(priority_key, node)，例如按模块名分组后加序号：(module_map[node], counter) - 或者维护一个有序列表，每次取满足
in_degree[n] == 0且module[n] == current_module的节点；没匹配上再 fallback 到其他模块 —— 这需要额外状态管理 - 注意：加优先级不改变正确性，但可能掩盖真实依赖瓶颈。上线前用小规模带环数据验证 fallback 行为是否合理
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！
