home *** CD-ROM | disk | FTP | other *** search
/ Personal Computer World 2009 February / PCWFEB09.iso / Software / Resources / Chat & Communication / Digsby build 37 / digsby_setup.exe / lib / heapq.pyo (.txt) < prev    next >
Python Compiled Bytecode  |  2008-10-13  |  9KB  |  163 lines
  1. # Source Generated with Decompyle++
  2. # File: in.pyo (Python 2.5)
  3.  
  4. __about__ = 'Heap queues\n\n[explanation by Fran\xe7ois Pinard]\n\nHeaps are arrays for which a[k] <= a[2*k+1] and a[k] <= a[2*k+2] for\nall k, counting elements from 0.  For the sake of comparison,\nnon-existing elements are considered to be infinite.  The interesting\nproperty of a heap is that a[0] is always its smallest element.\n\nThe strange invariant above is meant to be an efficient memory\nrepresentation for a tournament.  The numbers below are `k\', not a[k]:\n\n                                   0\n\n                  1                                 2\n\n          3               4                5               6\n\n      7       8       9       10      11      12      13      14\n\n    15 16   17 18   19 20   21 22   23 24   25 26   27 28   29 30\n\n\nIn the tree above, each cell `k\' is topping `2*k+1\' and `2*k+2\'.  In\nan usual binary tournament we see in sports, each cell is the winner\nover the two cells it tops, and we can trace the winner down the tree\nto see all opponents s/he had.  However, in many computer applications\nof such tournaments, we do not need to trace the history of a winner.\nTo be more memory efficient, when a winner is promoted, we try to\nreplace it by something else at a lower level, and the rule becomes\nthat a cell and the two cells it tops contain three different items,\nbut the top cell "wins" over the two topped cells.\n\nIf this heap invariant is protected at all time, index 0 is clearly\nthe overall winner.  The simplest algorithmic way to remove it and\nfind the "next" winner is to move some loser (let\'s say cell 30 in the\ndiagram above) into the 0 position, and then percolate this new 0 down\nthe tree, exchanging values, until the invariant is re-established.\nThis is clearly logarithmic on the total number of items in the tree.\nBy iterating over all items, you get an O(n ln n) sort.\n\nA nice feature of this sort is that you can efficiently insert new\nitems while the sort is going on, provided that the inserted items are\nnot "better" than the last 0\'th element you extracted.  This is\nespecially useful in simulation contexts, where the tree holds all\nincoming events, and the "win" condition means the smallest scheduled\ntime.  When an event schedule other events for execution, they are\nscheduled into the future, so they can easily go into the heap.  So, a\nheap is a good structure for implementing schedulers (this is what I\nused for my MIDI sequencer :-).\n\nVarious structures for implementing schedulers have been extensively\nstudied, and heaps are good for this, as they are reasonably speedy,\nthe speed is almost constant, and the worst case is not much different\nthan the average case.  However, there are other representations which\nare more efficient overall, yet the worst cases might be terrible.\n\nHeaps are also very useful in big disk sorts.  You most probably all\nknow that a big sort implies producing "runs" (which are pre-sorted\nsequences, which size is usually related to the amount of CPU memory),\nfollowed by a merging passes for these runs, which merging is often\nvery cleverly organised[1].  It is very important that the initial\nsort produces the longest runs possible.  Tournaments are a good way\nto that.  If, using all the memory available to hold a tournament, you\nreplace and percolate items that happen to fit the current run, you\'ll\nproduce runs which are twice the size of the memory for random input,\nand much better for input fuzzily ordered.\n\nMoreover, if you output the 0\'th item on disk and get an input which\nmay not fit in the current tournament (because the value "wins" over\nthe last output value), it cannot fit in the heap, so the size of the\nheap decreases.  The freed memory could be cleverly reused immediately\nfor progressively building a second heap, which grows at exactly the\nsame rate the first heap is melting.  When the first heap completely\nvanishes, you switch heaps and start a new run.  Clever and quite\neffective!\n\nIn a word, heaps are useful memory structures to know.  I use them in\na few applications, and I think it is good to keep a `heap\' module\naround. :-)\n\n--------------------\n[1] The disk balancing algorithms which are current, nowadays, are\nmore annoying than clever, and this is a consequence of the seeking\ncapabilities of the disks.  On devices which cannot seek, like big\ntape drives, the story was quite different, and one had to be very\nclever to ensure (far in advance) that each tape movement will be the\nmost effective possible (that is, will best participate at\n"progressing" the merge).  Some tapes were even able to read\nbackwards, and this was also used to avoid the rewinding time.\nBelieve me, real good tape sorts were quite spectacular to watch!\nFrom all times, sorting has always been a Great Art! :-)\n'
  5. __all__ = [
  6.     'heappush',
  7.     'heappop',
  8.     'heapify',
  9.     'heapreplace',
  10.     'nlargest',
  11.     'nsmallest']
  12. from itertools import islice, repeat, count, imap, izip, tee
  13. from operator import itemgetter, neg
  14. import bisect
  15.  
  16. def heappush(heap, item):
  17.     heap.append(item)
  18.     _siftdown(heap, 0, len(heap) - 1)
  19.  
  20.  
  21. def heappop(heap):
  22.     lastelt = heap.pop()
  23.     if heap:
  24.         returnitem = heap[0]
  25.         heap[0] = lastelt
  26.         _siftup(heap, 0)
  27.     else:
  28.         returnitem = lastelt
  29.     return returnitem
  30.  
  31.  
  32. def heapreplace(heap, item):
  33.     returnitem = heap[0]
  34.     heap[0] = item
  35.     _siftup(heap, 0)
  36.     return returnitem
  37.  
  38.  
  39. def heapify(x):
  40.     n = len(x)
  41.     for i in reversed(xrange(n // 2)):
  42.         _siftup(x, i)
  43.     
  44.  
  45.  
  46. def nlargest(n, iterable):
  47.     it = iter(iterable)
  48.     result = list(islice(it, n))
  49.     if not result:
  50.         return result
  51.     
  52.     heapify(result)
  53.     _heapreplace = heapreplace
  54.     sol = result[0]
  55.     for elem in it:
  56.         if elem <= sol:
  57.             continue
  58.         
  59.         _heapreplace(result, elem)
  60.         sol = result[0]
  61.     
  62.     result.sort(reverse = True)
  63.     return result
  64.  
  65.  
  66. def nsmallest(n, iterable):
  67.     if hasattr(iterable, '__len__') and n * 10 <= len(iterable):
  68.         it = iter(iterable)
  69.         result = sorted(islice(it, 0, n))
  70.         if not result:
  71.             return result
  72.         
  73.         insort = bisect.insort
  74.         pop = result.pop
  75.         los = result[-1]
  76.         for elem in it:
  77.             if los <= elem:
  78.                 continue
  79.             
  80.             insort(result, elem)
  81.             pop()
  82.             los = result[-1]
  83.         
  84.         return result
  85.     
  86.     h = list(iterable)
  87.     heapify(h)
  88.     return map(heappop, repeat(h, min(n, len(h))))
  89.  
  90.  
  91. def _siftdown(heap, startpos, pos):
  92.     newitem = heap[pos]
  93.     while pos > startpos:
  94.         parentpos = pos - 1 >> 1
  95.         parent = heap[parentpos]
  96.         if parent <= newitem:
  97.             break
  98.         
  99.         heap[pos] = parent
  100.         pos = parentpos
  101.     heap[pos] = newitem
  102.  
  103.  
  104. def _siftup(heap, pos):
  105.     endpos = len(heap)
  106.     startpos = pos
  107.     newitem = heap[pos]
  108.     childpos = 2 * pos + 1
  109.     while childpos < endpos:
  110.         rightpos = childpos + 1
  111.         if rightpos < endpos and heap[rightpos] <= heap[childpos]:
  112.             childpos = rightpos
  113.         
  114.         heap[pos] = heap[childpos]
  115.         pos = childpos
  116.         childpos = 2 * pos + 1
  117.     heap[pos] = newitem
  118.     _siftdown(heap, startpos, pos)
  119.  
  120.  
  121. try:
  122.     from _heapq import heappush, heappop, heapify, heapreplace, nlargest, nsmallest
  123. except ImportError:
  124.     pass
  125.  
  126. _nsmallest = nsmallest
  127.  
  128. def nsmallest(n, iterable, key = None):
  129.     (in1, in2) = tee(iterable)
  130.     it = izip(imap(key, in1), count(), in2)
  131.     result = _nsmallest(n, it)
  132.     return map(itemgetter(2), result)
  133.  
  134. _nlargest = nlargest
  135.  
  136. def nlargest(n, iterable, key = None):
  137.     (in1, in2) = tee(iterable)
  138.     it = izip(imap(key, in1), imap(neg, count()), in2)
  139.     result = _nlargest(n, it)
  140.     return map(itemgetter(2), result)
  141.  
  142. if __name__ == '__main__':
  143.     heap = []
  144.     data = [
  145.         1,
  146.         3,
  147.         5,
  148.         7,
  149.         9,
  150.         2,
  151.         4,
  152.         6,
  153.         8,
  154.         0]
  155.     for item in data:
  156.         heappush(heap, item)
  157.     
  158.     sort = []
  159.     while heap:
  160.         sort.append(heappop(heap))
  161.     print sort
  162.  
  163.