优先级队列（堆）

例题一

解法（利⽤堆）：

算法思路：

其实就是⼀个模拟的过程：

• 每次从⽯堆中拿出最⼤的元素以及次⼤的元素，然后将它们粉碎；

• 如果还有剩余，就将剩余的⽯头继续放在原始的⽯堆⾥⾯。

重复上⾯的操作，直到⽯堆⾥⾯只剩下⼀个元素，或者没有元素（因为所有的⽯头可能全部抵消了）

那么主要的问题就是解决：

• 如何顺利的拿出最⼤的⽯头以及次⼤的⽯头；

• 并且将粉碎后的⽯头放⼊⽯堆中之后，也能快速找到下⼀轮粉碎的最⼤⽯头和次⼤⽯头；

这不正好可以利⽤堆的特性来实现嘛？

• 我们可以创建⼀个⼤根堆；

• 然后将所有的⽯头放⼊⼤根堆中；

• 每次拿出前两个堆顶元素粉碎⼀下，如果还有剩余，就将剩余的⽯头继续放⼊堆中；

这样就能快速的模拟出这个过程。

例题二

解法（优先级队列）：

算法思路：

我相信，看到 TopK 问题的时候，兄弟们应该能⽴⻢想到「堆」，这应该是刻在⻣⼦⾥的记忆。

例题三

解法（堆）：

算法思路：

• 稍微处理⼀下原数组：

a. 我们需要知道每⼀个单词出现的频次，因此可以先使⽤哈希表，统计出每⼀个单词出现的频 次；

b. 然后在哈希表中，选出前 k ⼤的单词（为什么不在原数组中选呢？因为原数组中存在重复的单 词，哈希表⾥⾯没有重复单词，并且还有每⼀个单词出现的频次）

• 如何使⽤堆，拿出前 k ⼤元素：

a. 先定义⼀个⾃定义排序，我们需要的是前 k ⼤，因此需要⼀个⼩根堆。但是当两个字符串的频次相同的时候，我们需要的是字典序较⼩的，此时是⼀个⼤根堆的属性，在定义⽐较器的时候需要注意！

▪ 当两个字符串出现的频次不同的时候：需要的是基于频次⽐较的⼩根堆

▪ 当两个字符串出现的频次相同的时候：需要的是基于字典序⽐较的⼤根堆

b. 定义好⽐较器之后，依次将哈希表中的字符串插⼊到堆中，维持堆中的元素不超过 k 个；

c. 遍历完整个哈希表后，堆中的剩余元素就是前 k ⼤的元素

例题四

解法（利⽤两个堆）：

算法思路：

这是⼀道关于「堆」这种数据结构的⼀个「经典应⽤」。

我们可以将整个数组「按照⼤⼩」平分成两部分（如果不能平分，那就让较⼩部分的元素多⼀个），较⼩的部分称为左侧部分，较⼤的部分称为右侧部分：

• 将左侧部分放⼊「⼤根堆」中，然后将右侧元素放⼊「⼩根堆」中；

• 这样就能在 O(1) 的时间内拿到中间的⼀个数或者两个数，进⽽求的平均数。

如下图所⽰：

于是问题就变成了「如何将⼀个⼀个从数据流中过来的数据，动态调整到⼤根堆或者⼩根堆中，并且保证两个堆的元素⼀致，或者左侧堆的元素⽐右侧堆的元素多⼀个」,为了⽅便叙述，将左侧的「⼤根堆」记为 left ，右侧的「⼩根堆」记为 right ，数据流中来的「数据」记为 x 。其实，就是⼀个「分类讨论」的过程：

1. 如果左右堆的「数量相同」， left.size() == right.size() ：

a. 如果两个堆都是空的，直接将数据 x 放⼊到 left 中；

b. 如果两个堆⾮空：

i. 如果元素要放⼊左侧，也就是 x <= left.top() ：那就直接放，因为不会影响我们制定的规则；

ii. 如果要放⼊右侧

• 可以先将 x 放⼊ right 中，

• 然后把 right 的堆顶元素放⼊ left 中 ；

2. 如果左右堆的数量「不相同」，那就是 left.size() > right.size() ：

a. 这个时候我们关⼼的是 x 是否会放⼊ left 中，导致 left 变得过多：

i. 如果 x 放⼊ right 中，也就是 x >= right.top() ，直接放；

ii. 反之，就是需要放⼊ left 中：

• 可以先将 x 放⼊ left 中，

• 然后把 left 的堆顶元素放⼊ right 中 ；

只要每⼀个新来的元素按照「上述规则」执⾏，就能保证 left 中放着整个数组排序后的「左半部 分」， right 中放着整个数组排序后的「右半部分」，就能在 O(1) 的时间内求出平均数。