内部实现
1、deque()
deque是Python中的一个双端队列，位于collections模块中。
数据结构：
deque 是一个双端队列，其内部实现基于一个双向链表。
这意味着元素不是连续存储在内存中的，而是分布在多个节点中，每个节点包含元素本身以及指向其前一个和后一个节点的链接。
动态扩容：虽然 deque 不需要像 list 那样复制整个数组来扩容，但它仍然需要管理链表的节点，并在必要时添加新的节点。然而，这个过程的开销通常比 list 的扩容要小。
随机访问：与 list 相比，deque 不支持快速的随机访问。访问 deque 中的元素通常需要从头或尾开始遍历链表，直到找到所需的元素，这可能需要O(n)时间复杂度。
插入和删除：在 deque 的两端添加或删除元素是非常高效的（O(1)），因为只需要修改几个指针即可。
然而，在 deque 的中间插入或删除元素则可能较慢（O(n)），因为需要遍历链表来找到正确的位置，并可能需要移动多个节点。
2、list()
数据结构：
list 是一个动态数组，其内部实现基于一个连续的数组。
数组的大小可以动态变化，以容纳更多的元素。
内存分配：当列表需要更多空间时，Python会分配一个新的、更大的数组，并将旧数组的元素复制到这个新数组中。
这个过程称为“扩容”。
随机访问：由于列表是基于数组的，因此它支持快速的随机访问，即可以在O(1)时间复杂度内通过索引访问列表中的任意元素。
插入和删除：在列表的末尾添加或删除元素是高效的（O(1)），但在列表的开头或中间插入或删除元素则可能较慢（O(n)），因为需要移动其他元素
3、heapq
heapq是Python中的一个模块；实际上是基于Python的列表（list）实现了一个最小堆，用于维护一组元素的优先队列。
数据结构：heapq 模块提供了一个堆队列算法的实现，它通常使用列表（list）作为底层容器。但是，heapq 并不改变列表的底层数据结构；它只是通过一系列操作（如上浮和下沉）来维护堆的属性。
堆属性：heapq 实现的是一个最小堆（尽管可以通过一些技巧来实现最大堆），其中父节点的值不大于其子节点的值。
这使得堆顶（列表的第一个元素）始终是最小的元素。
操作：heapq 提供了如 heappush（向堆中添加元素）、heappop（从堆中移除最小元素）和 heapify（将列表转换成堆）等函数。
这些函数通过维护堆的属性来确保堆的有效性。
性能：heapq 的性能特点主要体现在其插入和删除操作上。
向堆中添加元素（heappush）和从堆中移除最小元素（heappop）的时间复杂度都是O(log n)，其中n是堆中的元素数量。
这是因为这些操作可能需要通过上浮或下沉来调整堆的结构。
使用场景
1、deque()
双端队列：
当需要在队列的两端进行频繁的插入和删除操作时，deque是理想的选择。
高效访问两端元素：deque提供了从两端快速访问元素的能力，这使得它在某些特定场景下（如循环队列）非常有用。
队列和栈的实现：deque可以作为队列和栈的底层实现，因为它支持从两端添加和删除元素。
2、list()
存储静态数据集：
适用于需要频繁访问元素、但不经常进行插入或删除操作的场景
3、heapq
优先队列：
当需要处理一系列元素，但每次只想处理优先级最高（或最低）的元素时，heapq非常有用。
堆排序：heapq可以用于实现堆排序算法，这是一种基于比较的排序算法，适用于大数据集的排序。
资源分配：在资源分配问题中，如内存管理、CPU时间片分配等，heapq可以根据优先级来分配资源。
常用方法
1、deque()与list()
注意：deque在两端添加或删除元素时性能更高，而list在列表中间或两端添加元素时性能相对较差，尤其是在列表很大时。
共用方法 append(x) 向右侧添加一个元素 pop() 从右侧移除并返回一个元素 extend(iterable) 从右侧扩展，添加指定迭代器的元素 insert(index,obj) 在指定位置插入一个元素 index(value, [start, [stop]]) 返回指定值在列表中第一次出现的索引 clear() 移除列表中的所有元素，使其长度为0 remove(value) 移除列表中第一个出现的指定值 count(value) 返回列表中指定值的出现次数 reverse() 原地翻转列表中元素 copy() 返回一个浅拷贝 deque()专用方法 appendleft(x) 向左侧添加一个元素 extendleft(iterable) 从左侧扩展deque，通过添加指定迭代器的元素（元素顺序相反） popleft() 从左侧移除并返回一个元素 rotate(n=1) 向右旋转deque n个步骤（如果n是负数，则向左旋转） list()专用方法 sort(key=None, reverse=False) 列表中的元素进行排序 2、heapq
heappush(heap, item) 将item项添加到heap中，保持堆属性 heappop(heap) 弹出并返回heap中的最小元素（对于小顶堆）。如果堆为空，则会引发IndexError heappushpop(heap, item) 将item推入堆中，然后弹出并返回堆中的最小元素。这个操作比先调用heappush()再调用heappop()更高效 heapreplace(heap, item) 弹出并返回堆中的最小元素，同时将item推入堆中。这个操作与先调用heappop()再调用heappush()效果相同，但更高效 heapify(list) 将列表list转换成堆。这是通过就地修改列表来完成的，意味着不会创建新列表 nlargest(n, iterable, key=None) 返回iterable中n个最大的元素。这通过保持一个大小为n的堆来实现，使得堆的根元素始终是最大的元素之一 nsmallest(n, iterable, key=None) 返回iterable中n个最小的元素。与nlargest()类似，但这是为了找到最小的元素 merge(*iterables, key=None, reverse=False) 合并多个已排序的输入为一个已排序的迭代器；这类似于sorted(itertools.chain(*iterables))，但返回的是一个迭代器，并且不会一次性加载所有数据，因此更适合于大数据集
 Logical Operator 【8 kyu】)
