Python中heapq仅提供原地最小堆操作函数，无MinHeap类；所有操作须调用heapq.heappush()、heappop()等函数维持堆序，列表本身无堆对象属性。
Python里用heapq建最小堆，不是调heapq.MinHeap()
Python标准库没有MinHeap类，heapq模块只提供**原地堆操作函数**，底层始终维护一个列表的最小堆性质。别搜“如何创建最小堆对象”，它根本不存在。
常见错误现象：heapq.heapify([3,1,4])后原列表变成[1,3,4]，但你以为这是“堆对象”——其实它只是个普通list，所有操作都得靠heapq.heappush()、heapq.heappop()等函数维持堆序。
-
heapq.heapify(lst)：就地转成最小堆，时间复杂度 O(n)，必须传可变序列（不能是tuple） -
heapq.heappush(heap, item)：插入后自动调整，heap必须是已堆化的列表 -
heapq.heappop(heap)：弹出并返回最小元素，同时修复堆结构 - 别直接对列表做
heap[0]以外的索引操作——看似能读，但破坏堆不变量后后续heappop会出错
求Top K用heapq.nsmallest()还是手动维护K大小堆？
取决于K和数据总量的相对大小。小K（比如K=10）且数据很大（百万级），手动维护固定大小的最小堆更省内存；K接近总长度时，nsmallest()内部会切片+排序，反而更快。
性能影响：heapq.nsmallest(k, iterable)在iterable可随机访问（如list）时，用的是“分治+堆”，平均 O(n log k)；但若传入生成器，它会先把全部数据读进内存再处理，可能OOM。
立即学习“Python免费学习笔记（深入）”；
- 数据流场景（如日志实时解析）：用
heap = []初始化，遍历中heappushpop(heap, item)（比先push再pop快） - K固定且较小：初始化
heap = list(itertools.islice(data, k))，heapq.heapify(heap)，再对剩余元素逐个heapq.heappushpop(heap, x) - 错误写法：
for x in data: heapq.heappush(heap, x); if len(heap) > k: heapq.heappop(heap)——多一次pop，效率低且逻辑绕
heapq默认是最小堆，怎么搞最大堆？
Python没提供最大堆开关，也没heapq.maxheapify()。唯一可靠办法是**存负值**或用key参数（仅限nsmallest/nlargest）。
使用场景：需要Top K最大值，但又不想反转整个数据集。
- 通用解法：存
-item，取出来再取反，例如heapq.heappush(max_heap, -x)，-heapq.heappop(max_heap) -
heapq.nlargest(k, data)本质就是用key=lambda x: -x，但注意它不修改原数据，也不支持流式输入 - 别用
heapq._heapify_max()——它是私有函数，文档未承诺兼容性，PyPy甚至不实现 - 如果元素是自定义对象，必须实现
__lt__，且逻辑要跟你要的“最大/最小”一致；否则heapq按默认大小比较，结果不可控
为什么heapq.heappop()后列表长度没变但heap[0]变了？
因为heappop()把堆尾元素挪到堆顶，再向下调整（sift-down），原堆尾位置留空但列表长度不变——这是实现细节，你本不该依赖这个位置的值。
容易踩的坑：有人以为heap.pop()能替代heappop()，结果堆结构彻底崩坏；或者在heappop()后还去读heap[-1]，拿到的是上一轮被挪过来的脏数据。
- 永远用
heapq.heappop(heap)来取最小值，不要混用list.pop() - 调试时想看堆当前状态，直接
print(heap)就行，不用额外切片或复制 - 如果需要清空堆，直接
heap.clear()或重新赋值heap = []，别循环heappop()
heappushpop而多一次pop」——这两个点卡住的人最多。 
