Python图的BFS实现与路径查找方法

Python中BFS必须用collections.deque，因其popleft()和append()均为O(1)，而list.pop(0)是O(n)，节点超2000时性能差距可达5倍以上；需用set存visited、parent字典记录路径、邻接表存图，并在入队前检查是否已访问。

Python里用collections.deque写BFS最稳

不用list.pop(0)模拟队列，它每次删头是O(n)操作，图稍大就卡住。真BFS必须用deque——内部是双向链表，popleft()和append()都是O(1)。

常见错误现象：list当队列跑稀疏图不明显，但节点超2000个后，耗时可能差5倍以上；更隐蔽的是，某些测试用例会故意加长路径，让list.pop(0)退化成纯暴力遍历。

• 初始化队列：用deque([start_node])，别写deque().append(start_node)
• 每轮取节点：必须用queue.popleft()，不是pop()（那是栈）
• 避免重复访问：用set存visited，别用list in查，后者是O(n)

路径还原得靠parent字典，不是靠队列顺序

BFS本身只保证第一次到达某节点的距离最短，但队列里不存路径信息。想返回具体路径，必须在访问邻居时记录“谁带它来的”。

使用场景：找最短路径字符串、输出节点序列、做导航类逻辑。如果只要判断连通性或最短距离，parent可省略。

• 初始化：parent = {start: None}，别漏掉起点
• 更新时机：只在neighbor not in visited时设parent[neighbor] = current
• 还原路径：从终点往回跳parent，用while循环拼列表，最后reverse()，别用递归（深图易栈溢出）

graph用邻接表还是邻接矩阵？看数据规模和稀疏度

邻接矩阵（二维list或numpy数组）查边快O(1)，但建表O(n²)，内存吃紧；邻接表（dict套list或set）省内存、遍历快，适合绝大多数图问题。

性能影响：1000节点以下两者差别不大；上万节点且边数不到节点平方的1%，邻接表快3倍以上，内存少90%。

• 推荐结构：graph = {node: [neighbor1, neighbor2, ...]}，邻居用list就行，除非要频繁删边
• 注意键存在性：用graph.get(node, [])代替graph[node]，防KeyError
• 无向图记得双向加边：graph[u].append(v)和graph[v].append(u)

遇到MemoryError或超时，先检查是否漏了visited判重

这是BFS最常踩的坑——没在入队前检查是否已访问，导致同一节点反复进队，队列爆炸式增长。小图可能只是慢，大图直接崩。

错误现象：len(queue)在几轮后突然飙到百万级；visited集合大小远小于预期节点数；CPU跑满但没进展。

• 判重位置必须在for neighbor in graph[current]:循环内，且在append前
• 别把visited.add(neighbor)写在popleft()之后——那已经晚了，当前节点的邻居可能已被重复加入多次
• 调试技巧：打印len(queue)和len(visited)，若前者长期大于后者10倍，基本就是漏判重

事情说清了就结束。真正难的不是写出BFS，是每次写都下意识检查那三处：队列用没用deque、路径有没有记parent、visited有没有在正确位置拦住重复节点。