algorithms,一个实用的 Python 库

大家好，我是木木。

今天给大家分享一个实用的 Python 库，algorithms。

algorithms

它收录了排序、搜索、图论、动态规划、回溯、贪心等经典算法的纯 Python 实现，每个文件都自包含、带文档字符串和复杂度标注，适合学习和面试准备。

项目地址：https://github.com/keon/algorithms

官方文档：https://github.com/keon/algorithms/blob/master/README.md

三个特点

代码精简

每个算法都是独立文件，代码量控制在几十行以内，docstring 写明原理、复杂度和引用。读一个文件就能理解一个算法，不像教科书那么厚。

覆盖面广

涵盖排序、搜索、图论、树、动态规划、回溯、贪心、位运算、字符串、数学、堆、栈、链表、集合、队列、矩阵等 20+ 分类，数百个算法实现。

即装即用

pip install algorithms 后直接 import 调用，不用自己手写。数据结构类（BinaryHeap、Trie、BST）可以直接在项目里复用。

最佳实践

安装后直接导入使用，零配置。

排序算法实践

这段代码解决什么问题：演示 merge_sort 和 quick_sort 对乱序数组的排序效果，对比两种经典排序算法的输出。

两种排序算法都能正确返回升序结果。merge_sort 是稳定排序，时间复杂度 O(n log n)；quick_sort 平均 O(n log n) 但最坏 O(n²)。根据场景选择合适的排序算法很重要。

图论 — Dijkstra 最短路径

这段代码解决什么问题：在有向加权图中，用 Dijkstra 算法找到从起点到终点的最短路径和代价。

从节点 s 到 t 的最短路径是 s → b → d → t，总代价 8。Dijkstra 是单源最短路径的经典算法，适合非负权图。如果你需要处理负权边，可以考虑 Bellman-Ford。

高级功能

数据结构 — 二叉堆和字典树

这段代码解决什么问题：演示 BinaryHeap 的插入和最小值弹出，以及 Trie 的插入、精确搜索和前缀搜索。

BinaryHeap 每次 remove_min 返回当前最小值（1、3），底层自动维护堆结构。Trie 支持 O(k) 的字符串插入和搜索，starts_with 前缀查询在前缀匹配场景中非常有用，比如自动补全。

适用 / 不适用场景

适用：

• 学习算法和数据结构，每个文件都是独立可读的教学代码。
• 面试准备，覆盖了大部分常见面试题的算法实现。
• 项目中需要快速引入某个算法，不想从零手写。

不适用：

• 需要生产级高性能算法库（建议用 NumPy、SciPy、networkx 等优化过的库）。
• 深度学习、机器学习方向的算法需求。
• 超大规模数据处理场景（这些实现是教学级别的，未做极致优化）。

上线前检查清单

• 确认算法复杂度符合你的业务场景，不要在生产环境直接用于大规模数据。
• 建议只 import 需要的具体算法，避免全量导入。
• 贡献代码前先看 CONTRIBUTING.md，确保风格一致。

总结

如果你在学习算法、准备面试，或者项目中需要一个现成的算法实现，algorithms 是一个非常实用的工具库。每个文件都干净利落，读起来像在翻一本算法笔记。