heapq.nlargest(n, iterable) 是取前 N 个最大值的最优解，时间复杂度 O(len(iterable)×log n)，返回新列表且不修改原数据，适用于 n 远小于列表长度的场景。
用 heapq.nlargest() 直接取前 N 个最大值
不需要排序整个列表，heapq.nlargest(n, iterable) 是最直接的解法。它内部用最小堆维护大小为 n 的候选集，时间复杂度是 O(len(iterable) * log n)，比全排序 O(n log n) 快得多，尤其当 n 时优势明显。
常见错误是误以为它返回索引——它只返回值；如果需要原始位置，得额外用 enumerate() 配合。
-
n超过列表长度时，不会报错，而是返回全部元素（按降序） - 列表含不可比较对象（如
[1, "a"]）会触发TypeError - 对生成器也有效，但注意它会消耗掉整个迭代器
示例：
import heapq nums = [3, 1, 9, 4, 7, 2] top3 = heapq.nlargest(3, nums) # → [9, 7, 4]
要保留原始索引？先转成 (value, index) 元组再处理
原生 heapq.nlargest() 不提供下标，但 Python 元组比较规则是“从左到右逐项比”，所以把值放前面、索引放后面，就能靠值排序、同时带出位置。
注意：如果多个元素值相同，索引会影响最终顺序（稳定但非原始出现顺序），必要时可在元组里加第三项（如原始序号）来强制稳定。
立即学习“Python免费学习笔记（深入）”；
- 别用
list.index()反查——重复值会导致索引错乱 - 避免用
sorted(enumerate(...), key=lambda x: x[1], reverse=True)，它全排序，性能差 - 如果只要索引不要值，最后用
[i for v, i in top_k_with_idx]提取即可
示例：
data = [5, 1, 8, 8, 3] with_idx = [(v, i) for i, v in enumerate(data)] top2 = heapq.nlargest(2, with_idx) # → [(8, 2), (8, 3)]
heapq.heapify() + 多次 heapq.heappop() 不推荐用于取 TopN
有人想手动建堆再弹出，但这是低效路径：建堆是 O(n)，弹出 k 次是 O(k log n)，总开销和 nlargest 相近，但代码更长、易出错，且无法利用 nlargest 对小 k 的优化（比如 k == 1 时它直接遍历找最大值，O(n)）。
-
heapq.heappop()会破坏原列表，除非你提前copy - 升序堆（默认）弹出的是最小值，取最大值得先取负或改用
heapq._heapify_max（不公开 API，别用） -
heapq.nsmallest()同理，别手写最小堆逻辑
数据量极大或需流式处理？考虑 heapq.merge() 或分块
当列表来自多个已排序子源（如日志文件按时间分片），可用 heapq.merge(*iterables) 归并后接 nlargest，避免一次性加载全部数据。
但注意：merge 要求每个输入都已升序/降序，且它本身不排序，只是归并；如果子源无序，仍得各自先取 topN 再合并，否则结果不可靠。
- 内存敏感场景下，优先用生成器 +
nlargest，别转成大 list - 如果 N 是动态的（比如“前 1%”），先算出具体数值再传给
nlargest，别在循环里反复调用 - 浮点数精度问题一般不影响比较，但若存在
nan，nlargest会把它排在最前（Python 中nan > any_number为False，但排序行为未定义，实际常抛异常）
真正要注意的是：heapq.nlargest 返回的是新列表，不改变原数据；但如果你在循环中反复对同一超大列表调用它，而没意识到底层仍要扫描全部元素，就容易误判性能瓶颈。值越小、列表越长，这个操作才越值得——别为了取前 3 个值，去优化一个本就很快的 O(n) 扫描。
