大数问题

1、假设在32位机器上，请在2亿个随机的、未经排序的32位整型数字中找出中间值

 

2亿个32位整型数字共占用空间大小：2*10^8*4(个字节)= 2*10^8*4/(1024*1024)<1G，

32位机器可表示的最大的值为2^32

 

1）如果是查找大小为中间值的数：

定义一个bit数组，大小为2^32,读入数字的时候讲该bit位置1，并且统计1的个数n，然后再取出n/21的下标，就是所求

2）如果是查找中位数

方法1：使用类似快排，当partion<mid时，在partion=（partion+1，end）之前

              当partion>mid时候，在start,partion-1间找mid

 

3）桶排序，但是需要遍历一遍

 

拓展1：当数据量非常大内存放不开的时候，

如题 “在一个文件中有 10G 个整数,乱序排列,要求找出中位数(内存限制为 2G)”假设整数用32bit来表示。
第一步：要表示10G个整数，最少需要一个64位的数据空间。（10G =5 * 2^31 > 2^32 ) 解释：假如说10G个整数全是1，那么映射后，会全部映射到第一个区间。此时，第一个区间的数值应该表示10G，其他的所有区间的数值都为0。要想表示一个数，这个数的大小是10G，只能是64位了。
第二步：分区间
2G的内存，能够表示多少个64bit，就能分多少个区间。（一个区间 就表示一个64bit的数据空间）区间数位：2G / 64bit = 256M 个区间。
第三步：求区间表示范围
32bit的整数最大值为2^32-1,所以区间的范围是2^32 / 256M = 16.
即0 ~ 15 ，16 ~ 31，32 ~ 47，......（总共256M个)
此时我们有 256M个区间，大小总共为256M * 64bit = 2G内存。
第四步：遍历10G个整数。每读取一个整数就将此整数对应的区间+1。
第五步：找出中位数所在的区间
统计每个区间中整数的值。然后从第一个区间的整数值开始累加。当累加到5G时，停止。此时的区间便包含中位数。记下此区间所表示的范围，设为[a,a+15].并且记下此区间之前所有区间的累加和，设为m。释放掉除包含中位数区间的其他所有区间的内存。
第六步：再次遍历10G个整数，统计出现在区间[a,a+15]中每个值的计数，有16个数值，按照a到a+15排序。设为n0,n1,n2,...n15
第七步：当m+n0+n1+...+nx首次大于5G时，此时的 a+x 就是所求的中位数。

拓展二：

当数据量大，求前最小或最大的K个数的时候，（ K比较小）可以使用堆排序，或者set（见剑指offer面30，解法二）

拓展三：

假设淘宝一天有5亿条成交数据，求出销量最高的100个商品并给出算法的时间复杂度。

 

1）维护一个前100大的最小堆，然后遍历一次O(nlogk)，显然当n很大时候效率也不是很高，

2）数据分桶，对数量大于100的最后几个桶做堆排序建小顶堆去除100以后的，复杂度是n+log100

 

桶排序的话每个桶的容量怎么确定啊？有可能同样的数据有好多条，但是有的数据只有几条桶的大小怎么确定？

方法：比如现在要在0,2,1,2,1,4,5,8,9,4这10个数里找前三，首先遍历一遍找出最大值9和最小值0，然后自己假定一个平均的桶容量，因为最后要找前三嘛，那么可以定平均每个桶3个元素，那么就需要（9-0）/3=3个桶，所以[0,3]是第一个桶，(3,6]是第二个桶，(6,9]是第三个桶，这时候并没有真的把数据分桶来存，然后再遍历一遍，求得第一个桶有5个元素，第二个桶有3个元素，第三个桶有两个元素，这时候我们发现除了最后两个桶之外，前面的桶都不可能有前三的数，所以不需要对他们进行存储和排序，这时候再遍历一遍，把第二三个桶的数据，也就是>6的数存到一个数组里，数组长度=后两个桶实际容量的总和也就是5，然后对这个数组做堆排序，就能得到前三了，我这个例子数比较少，5亿的数据最后剩下的桶里应该只有几百的数据量，堆排就很快了，而且5亿的初始数据存到数组里内存勉强够用，更大的数据量可以用分布式的系统来做上面的操作

 2种思路比较：

先遍历一遍找最值，复杂度n+计算各桶容量复杂度n+堆排序复杂度100*log k，k是几百的量级，总复杂度就是2n+100logk，直接堆排的话是n*log100，，当n很大的时候明显第一种复杂度低吧~

 

对找中位数的题目来说就是：算完每个桶里有多少个数之后就知道第n/2个元素在第几个桶里了，然后对那个桶排序找第n/2个数就行了~