构建图的最小生成树或求最短路径。(二选一部分) (1)、用Prim法求连通图的最小生成树（邻接表） (2)、用Dijkstra算法求某一确定顶点到所有其它顶点的最短路径，请在网上寻找到这段话

好的，以下是用Prim算法求连通图的最小生成树的Python实现（使用邻接表表示图）：

import heapq

def prim(graph):
    # 任选一个顶点作为起点
    start = list(graph.keys())[0]

    # 初始化距离字典、已知最短路径集合和边集合
    distance = {vertex: float('inf') for vertex in graph}
    distance[start] = 0
    visited = set()
    edges = []

    # 堆优化的Prim算法
    heap = [(0, start)]
    while heap:
        (dist, current_vertex) = heapq.heappop(heap)

        # 如果当前顶点已经在已知最短路径集合中，跳过
        if current_vertex in visited:
            continue

        visited.add(current_vertex)

        # 将当前顶点与已知最短路径集合中的顶点之间的边加入边集合中
        if current_vertex != start:
            edges.append((distance[current_vertex], current_vertex, parent))

        # 更新与当前顶点相邻的顶点的距离
        for neighbor, weight in graph[current_vertex].items():
            if neighbor not in visited:
                if weight < distance[neighbor]:
                    distance[neighbor] = weight
                    heapq.heappush(heap, (weight, neighbor))
                    parent = current_vertex

    # 返回边集合
    return edges

其中，graph是邻接表表示的图。这个实现中使用了堆优化，可以有效地加速算法。

以下是用Dijkstra算法求某一确定顶点到所有其它顶点的最短路径的Python实现（使用邻接表表示图）：

import heapq

def dijkstra(graph, start):
    # 初始化距离字典和已知最短路径集合
    distance = {vertex: float('inf') for vertex in graph}
    distance[start] = 0
    visited = set()

    # 堆优化的Dijkstra算法
    heap = [(0, start)]
    while heap:
        (dist, current_vertex) = heapq.heappop(heap)

        # 如果当前顶点已经在已知最短路径集合中，跳过
        if current_vertex in visited:
            continue

        visited.add(current_vertex)

        # 更新与当前顶点相邻的顶点的距离
        for neighbor, weight in graph[current_vertex].items():
            if neighbor not in visited:
                new_distance = dist + weight
                if new_distance < distance[neighbor]:
                    distance[neighbor] = new_distance
                    heapq.heappush(heap, (new_distance, neighbor))

    # 返回距离字典
    return distance

其中，graph是邻接表表示的图，start是起点。这个实现中使用了堆优化，可以有效地加速算法。