先来看看什么是堆?
堆是一种图的树形结构，被用于实现"优先队列"（priority queues）
注:优先队列是一种数据结构，可以自由添加数据，但取出数据时要从最小值开始按顺序取出。
在堆的树形结构中，各个顶点被称为"结点"（node），数据就存储在这些结点中，堆中的每个结点最多有两个子结点
在堆中存储数据时必须遵守这样一条规则：子结点必定大于父结点 。因此，最小值被存储在顶端的根结点中。从堆中取出数据时，取出的是最上面的数据。这样，堆中就能始终保持最上面的数据最小。同时由于最上面的数据被取出，因此堆的结构也需要重新调整。
01 首先，在堆中存储所有的数据，并按降序来构建堆。
02 现在，所有数据都存进堆里了。为了排序，需要再从堆中把数据一个个取出来。
注：
从降序排列的堆中取出数据时会从最大的数据开始取，所以将取出的数据反序输出，排序就完成了。
03 首先取出根结点的数字7。
04 重新构造堆。
重构的规则请参考：
05 同样地，取出根结点的数字6，将它放在右数第2个位置上。
06 重新构造堆。
07 重复上述操作直到堆变空为止。
08 排序中......
09 从堆中取出了所有数字，排序完成。
解说
堆排序一开始需要将n个数据存进堆里，所需时间为O（nlogn）。排序过程中，堆从空堆的状态开始，逐渐被数据填满。由于堆的高度小于log2n，所以插入1个数据所需要的时间为O（logn）。
每轮取出最大的数据并重构堆所需要的时间为O（logn）。由于总共有n轮，所以重构后排序的时间也是O（nlogn）。因此，整体来看堆排序的时间复杂度为O（nlogn）。
这样来看，堆排序的运行时间比之前讲到的冒泡排序、选择排序、插入排序的时间O（n2）都要短，但由于要使用堆这个相对复杂的数据结构，所以实现起来也较为困难。
一般来说，需要排序的数据都存储在数组中。这次我们使用了堆这种数据结构，但实际上，这也相当于将堆嵌入到包含了序列的数组中，然后在数组中通过交换数据来进行排序。具体来说，就是让堆中的各结点和数组像下图这样呈对应关系。正如大家所见，这可以说是强行在数组中使用了堆结构。
代码演示
python
def heapify(arr, n, i):
# 初始化最大值的索引为当前节点
largest = i
# 左子节点的索引
left = 2 * i + 1
# 右子节点的索引
right = 2 * i + 2
# 如果左子节点比当前节点大，更新最大值索引
if left < n and arr[i] < arr[left]:
largest = left
# 如果右子节点比当前节点大，更新最大值索引
if right < n and arr[largest] < arr[right]:
largest = right
# 如果最大值不是当前节点，交换值并递归调整
if largest != i:
arr[i], arr[largest] = arr[largest], arr[i]
heapify(arr, n, largest)
def heap_sort(arr):
n = len(arr)
# 构建最大堆（Max Heap）
# 从最后一个非叶子节点开始到根节点，逐个进行堆调整
for i in range(n // 2 - 1, -1, -1):
heapify(arr, n, i)
# 逐步取出最大元素并进行堆调整
for i in range(n - 1, 0, -1):
# 将当前最大值（堆顶）与未排序部分的最后一个值交换
arr[i], arr[0] = arr[0], arr[i]
# 对剩余元素重新构建最大堆
heapify(arr, i, 0)
return arr
arr = [2, 6, 7,8, 9, 4, 10, 3, 5, 1]
sorted_arr = heap_sort(arr)
print(sorted_arr)结果:
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]更详细的可以看这篇文章：
文章来源:书籍《我的第一本算法书》
书籍链接:
我的第一本算法书 (豆瓣) (douban.com)
作者：宫崎修一 石田保辉
出版社：人民邮电出版社
ISBN：9787115495242
本篇文章仅用于学习和研究目的，不会用于任何商业用途。引用书籍《我的第一本算法书》的内容旨在分享知识和启发思考，尊重原著作者宫崎修一和石田保辉的知识产权。如有侵权或者版权纠纷，请及时联系作者。
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
原文链接：https://blog.csdn.net/jhghuhbb/article/details/139089141