用小顶堆求top k最大数最省内存，因堆顶为当前最小值，仅当新数更大时才替换，确保最终留下的必为全局最大k个；流式数据须用heapreplace并严守堆长。
直接用 heapq 维护一个大小为 K 的小顶堆，是处理海量数据 Top K 最稳、最省内存的方案——前提是你要清楚什么时候该 push、什么时候该 pushpop、为什么不能用 sorted 或全量建堆。
为什么必须用小顶堆求最大 K 个数
小顶堆的堆顶永远是当前堆里最小的那个值。当你想留“最大的 K 个”，就要保证：任何比堆顶还小的数都不配进堆；只有比堆顶大的新数，才有资格挤掉它。这样一遍扫完全部数据，堆里自然剩下全局最大的 K 个。
- 求最小 K 个数？换成大顶堆（Python 里用负数模拟）
- 堆大小始终控制在 K，空间复杂度严格为
O(K)，不是O(N) - 如果误用大顶堆求最大 K 个，堆顶会是最大值，你无法判断后续数是否该保留——逻辑就崩了
heapq.heappushpop() 和 heapq.heapreplace() 别混用
这两个函数看着像，但触发条件和行为完全不同，选错会导致结果错误或漏数：
-
heappushpop(heap, item)：先 push 再 pop，**即使item ≤ heap[0]也会 push 进去再立刻 pop 出最小值** → 堆长度不变，但可能把本不该留下的小值临时塞进去又踢出，多一次无效操作 -
heapreplace(heap, item)：先 pop 再 push，**要求堆非空，且只在item > heap[0]时才有意义** → 更精准，适合“维持固定大小堆”的场景 - 正确模式是：
if item > heap[0]: heapq.heapreplace(heap, item)，而不是无脑heappushpop
初始化阶段不能跳过前 K 个元素的建堆
很多人直接从索引 0 开始遍历，对每个元素都做比较，但前 K 个必须先完整入堆并完成堆化，否则 heap[0] 没意义：
- 错误写法：
for x in nums: if len(heap) —— 这只是插入，没调用 <code>heapify，堆结构未建立，heap[0]不一定是最小值 - 正确做法：用前 K 个元素初始化堆，
heapq.heapify(heap)或逐个heappush（后者自动维护堆序） - 更简洁写法：
heap = nums[:k]; heapq.heapify(heap)，然后从nums[k:]开始遍历
结果顺序与去重问题常被忽略
小顶堆最终给出的 K 个数是正确的，但它们在堆数组里**不保证有序**，也不自动去重：
- 要升序输出？用
sorted(heap)；要降序（即从大到小）？用sorted(heap, reverse=True) - 原始数据有重复，而你想要“出现频率最高的 K 个元素”？那得先用
collections.Counter统计频次，再按(freq, num)元组入堆 —— 注意元组比较规则：(3, 100)(3, 99) 是 False，因为 100 > 99，所以高频相同时要加负号或调整字段顺序 - 流式数据（如日志行）无法预知总量？必须用
heapreplace+ 守住堆长，不能依赖len(nums)
真正难的不是写对那十几行代码，而是想清楚：你的 K 是多少、数据能不能全加载、是否允许重复、结果要不要保序、频次统计是否前置——这些决策点一旦错，堆再快也没用。
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！
