heapq.heappush和heappop时间复杂度均为o(log n)，因仅需调整堆路径上约log₂n层节点，无需全排序；而list.sort()为o(n log n)，性能差距随规模扩大显著放大。
heapq.heappush 和 heappop 的时间复杂度是 O(log n)
普通 list 每次插入后调用 sort() 是 O(n log n)，而 heapq.heappush 只需调整树路径上的少数节点，实际操作最多涉及 log₂n 层；同理，heapq.heappop 弹出根节点后只需一次“下沉”修复，也不需要重排整个列表。当队列长度从 1000 增长到 100000，list.sort() 的耗时可能增长上百倍，而 heapq 操作只慢约 5 倍。
heapq 不要求全序，只依赖 比较
只要你的元素支持 （比如 <code>int、float，或实现了 __lt__ 的类），就能直接入堆。不需要全局排序稳定性，也不依赖 key= 参数——这避免了每次插入都构造新元组或调用函数的开销。常见错误是传入不可比较对象（如 dict 或未定义 __lt__ 的自定义类），会直接抛 TypeError。
堆结构天然适合“只关心最小/最大值”的场景
优先队列的核心需求不是遍历有序序列，而是快速获取并移除极值。heapq 把 heap[0] 固定为最小值，访问它始终是 O(1)；而用 sorted(list)[0] 每次都要排序，用 min(list) 则是 O(n)。容易忽略的一点是：heapq 不保证其余元素有序——heap[1] 和 heap[2] 谁小不确定，所以不能当有序列表用。
nlargest/nsmallest 在 K 远小于 N 时比排序更省
当你只需要前 K 个最大/最小元素（比如取 top-10 热门商品），heapq.nlargest(10, data) 内部只维护一个大小为 10 的堆，时间复杂度 O(N log K)，远优于 sorted(data, reverse=True)[:10] 的 O(N log N)。但若 K 接近 N（比如取 top-90%），它反而可能更慢，因为堆操作常数更大。
heapq 当成万能排序替代品——它强在动态极值管理，弱在随机访问和范围查询。该用 sorted() 的时候别硬套堆。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！
