heapq.nlargest和nsmallest是Top-K问题最优解，时间复杂度O(n log k)，仅维护大小为k的堆，内存占用O(k)，支持key参数且不修改原数据；当k远小于n时性能显著优于sorted()。
直接用 heapq.nlargest 或 heapq.nsmallest，比先排序再切片快，尤其当 K 远小于数据总量时。
为什么不用 sorted()[:k]？
对 N 个元素排序时间复杂度是 O(N log N)，而堆找 Top-K 只需 O(N log K) —— 当 K=10、N=10⁶ 时，log K ≈ 3.3，log N ≈ 20，性能差 6 倍以上。更关键的是，heapq.nlargest 内部用的是最小堆维护 K 个候选值，边遍历边淘汰，内存只占 O(K)，不需加载全部数据到内存排序。
nlargest 和 nsmallest 的行为差异
两者都支持 key 参数，但注意：key 函数在每个元素上都会被调用一次，如果计算开销大（比如解析 JSON 字段），建议提前映射好；另外它们返回的是新列表，不修改原数据。
-
heapq.nlargest(3, data, key=lambda x: x['score'])返回 score 最高的 3 个字典 -
heapq.nsmallest(5, numbers)对纯数字列表最快，内部跳过 key 调用 - 若 K ≥ len(data)，它们会退化为排序，此时不如直接用
sorted(data, key=...)
手动维护堆的适用场景
当需要流式处理（比如从文件逐行读、或实时接收数据）、且不能一次性把所有数据加载进内存时，就得自己用 heapq.heappushpop 或 heapq.heapreplace 维护固定大小的堆。
立即学习“Python免费学习笔记（深入）”；
例如筛选前 100 个最大值：
import heapq <p>top_k = [] for item in stream_data: if len(top_k) < 100: heapq.heappush(top_k, item) elif item > top_k[0]: # top_k[0] 是当前最小值（最小堆） heapq.heapreplace(top_k, item) # 比 heappush + heappop 更快
注意：必须用最小堆存最大 K 个值（堆顶是最小的那个），反过来想就容易错；heapreplace 是原子操作，比先 push 再 pop 更安全高效。
真正容易被忽略的是 key 的副作用和堆的“方向感”——你存的是最大 K 个，堆却得是最小堆；你用 nsmallest 时传的却是“升序逻辑”，但底层还是靠堆结构保证效率。别被名字带偏，盯住你要留下的数据特征和堆顶代表什么。
