本质是维护大小为K的最小堆，堆顶即当前第K大元素；新元素大于堆顶时用heapreplace高效替换，确保堆中始终为迄今最大的K个数。
用 heapq 维护前K个最大元素，本质是维护大小为K的最小堆
Python 的 heapq 只提供最小堆，所以不能直接建最大堆来取前K大。正确做法是：只保留当前见过的最大的K个数，用最小堆存它们——堆顶就是这K个数里最小的那个，也就是“第K大元素”的实时值。一旦新元素比堆顶大，就弹出堆顶、压入新元素。
关键点不是“找最大”，而是“淘汰不够格的”。堆里永远只有K个数，且保证是截至目前所有数中最大的K个。
- 初始化空堆，遍历数据流；
- 若堆长度 heapq.heappush()；
- 若堆已满（
len(heap) == K），且新元素 >heap[0]（即堆顶），则heapq.heapreplace(heap, new_val)—— 这比heappop + heappush更高效； - 注意：不要用
heapq.nlargest(K, ...)处理流式数据，它每次都是全量扫描，时间复杂度 O(N log K)，而动态维护是 O(log K) 每次。
为什么不用 heapq._heapify_max？
heapq 内部有 _heapify_max 和 _heappop_max，但它们是私有函数，不承诺稳定，文档明确不建议使用。更严重的是：这些函数无法支持 heapreplace 等关键操作，也无法和标准堆操作混用。强行用会导致行为不可预测，比如 heapq.heappush 会破坏最大堆结构。
- 私有函数名带下划线，随时可能被移除或改名；
- 混合调用
heappush（最小堆逻辑）和_heappop_max会引发堆结构错乱； - 实际测试中，多次
_heappop_max后再heappush，heap[0]不再是最大值。
处理重复元素和边界情况
数据流中可能出现重复值，比如连续多个相同的大数。只要满足“大于堆顶”就替换，重复值自然会被接纳——这是正确的：若K=3，流是 [5,5,5,5]，最终堆应为 [5,5,5]（顺序不定，但含三个5）。
- K == 0 时，直接跳过所有操作，返回空列表；
- K == 1 时，等价于维护全局最大值，堆退化为单元素，
heapreplace仍安全； - 数据流为空或长度不足K时，堆大小
- 如果要求严格去重（同一数值只算一次），得额外用
set记录已入堆的值，但这就不再是纯堆问题了。
一个可直接跑的流式更新示例
下面这段代码模拟逐个读入数据，并始终能拿到当前前3大元素（以升序列表形式）：
import heapq <p>def top_k_stream(k): heap = [] def add(num): if len(heap) heap[0]: heapq.heapreplace(heap, num) return sorted(heap) # 返回升序结果，便于验证 return add</p><p>add_func = top_k_stream(3) print(add_func(1)) # [1] print(add_func(5)) # [1, 5] print(add_func(3)) # [1, 3, 5] print(add_func(9)) # [3, 5, 9] print(add_func(2)) # [3, 5, 9] —— 2不大于3，不进堆 </p>
注意 sorted(heap) 仅用于观察，不影响堆本身；真实场景中，你通常只需要 heap[0]（第K大）或 list(heap)（无序的K个数）。
真正容易被忽略的是：堆内元素顺序不反映大小顺序，heap[0] 是最小值，其余位置无序。别试图通过索引取“第2大”，要取全部K个再排序——除非K极小，否则不如每次需要时调用 sorted(heap)。
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！
