优先使用 heapq.nlargest/nsmallest 而非 sorted()[:k]，因其时间复杂度 o(n log k) 远优于 o(n log n)，内存占用更少，尤其适用于大数据量、小 k 值及内存受限场景。
直接用 heapq.nlargest 或 heapq.nsmallest，别手写堆逻辑——它们底层用 C 实现，比纯 Python 循环 + 排序快得多，尤其当 K 远小于数据总量时。
为什么不用 sorted()[:k]？
对百万级列表取 top-10，sorted() 会完整排序所有元素，时间复杂度 O(n log n)；而 heapq.nlargest(10, data) 只维护大小为 10 的堆，时间复杂度 O(n log k)，实际运行快 3–5 倍。内存也更省：不需要复制整个列表。
常见错误现象：sorted(data, reverse=True)[:10] 在数据量大时卡顿、内存飙升；换成 heapq.nlargest(10, data) 后响应明显变快。
- 适用场景：流式数据、内存受限环境、K
- 注意：如果 K 接近 n（比如取 top-90%），
heapq反而更慢，此时直接sorted()更合适 -
heapq.nlargest支持key参数，和sorted()一致，例如heapq.nlargest(5, users, key=lambda x: x.score)
如何处理可迭代但不支持随机访问的数据源？
比如从文件逐行读、数据库游标、生成器——这些没法用 sorted()，但 heapq.nlargest 能直接消费迭代器，边读边建堆，不缓存全部数据。
示例：从大日志文件中取耗时最长的 3 条请求
with open('access.log') as f:
top3 = heapq.nlargest(3, f, key=lambda line: float(line.split()[-2]))
关键点：
python-docx Skill功能概述python-docx Skill是一项面向实际任务的技能，主要用于本Skill提供使用python-docx生成专业Word文档的标准方法和最佳实践；生成安全服务方案文档；核心要点生成技术架构设计文档；生成任何需要专业排版的Word文档；核心库 : python-docx；使用与执行辅助库 : docx.shared , docx.enum , docx.oxml.ns；标准代码模板；1. 文档初始化；2. 字体设置（必须！它将相关步骤、工具调用和结果整理方式集
- 输入可以是任意可迭代对象，不要先转成 list
- 如果数据源本身是生成器且可能为空，
heapq.nlargest(0, gen)返回空列表，不会报错 - 避免写
list(gen)再传给nlargest，否则失去流式优势
自定义比较逻辑时，别改原始数据结构
Python 堆只支持最小堆，nlargest 内部已自动处理逆序逻辑。若需复杂排序（如按多个字段、优先级组合），别试图重载 __lt__ 或包装对象——容易出错且影响性能。
正确做法：用 key 函数返回元组，让自然排序生效
# 按 score 降序，score 相同时按 name 升序 heapq.nlargest(5, players, key=lambda p: (p.score, -ord(p.name[0])))
或者更稳妥地：
heapq.nlargest(5, players, key=lambda p: (p.score, p.name))
因为 heapq.nlargest 对元组按字典序比较，且默认对第二字段升序；若需第二字段也降序，就用负数或 str 取反技巧（如 -p.age 或 p.name[::-1]）。
- 切忌在
key中做耗时计算（如网络请求、文件读取），它会被调用 n 次 - 如果 key 计算复杂，先用生成器预计算
(key_val, item)对，再传给nlargest - 不要用
heapq.heappush手动维护堆来模拟 top-k——除非你明确需要在线插入/删除，否则纯属增加 bug 风险
真正要注意的是 key 函数的稳定性：如果两个元素 key 值完全相同，nlargest 返回的相对顺序和原始迭代顺序一致，但不保证跨 Python 版本或不同输入规模下完全一致——别依赖这个行为做业务逻辑判断。
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！
