347. 前 K 个高频元素详解：哈希表与优先级队列的经典结合-CSDN博客

本文链接：https://blog.csdn.net/Musennn/article/details/147929043

题目描述

给定一个整数数组 nums 和一个整数 k，请返回其中出现频率前 k 高的元素。例如，输入 nums = [1,1,1,2,2,3], k = 2，输出 [1,2]。

核心难点分析

1. 哈希表的作用

为什么使用哈希表？
哈希表（HashMap）用于统计每个元素出现的频率。遍历数组时，我们需要快速记录每个元素的出现次数，而哈希表的插入和查询操作平均时间复杂度为 O(1)，非常适合这种场景。

2. 优先级队列的选择

为什么使用小顶堆而不是大顶堆？
优先级队列（堆）用于维护当前频率最高的 k 个元素。

如果使用大顶堆，堆顶是最大频率元素。当堆大小超过 k 时，需要弹出堆顶元素，这会导致丢失当前最大的元素，最终无法保留前 k 个高频元素。
小顶堆的堆顶是最小频率元素。当新元素的频率大于堆顶时，替换堆顶元素，这样可以确保堆中始终保留频率前 k 大的元素。此操作的时间复杂度为 O(log k)，效率更高。

解题思路分步解析

步骤 1：统计元素频率

遍历数组，使用哈希表记录每个元素的出现次数。

Map<Integer, Integer> cnt = new HashMap<>();
for (int n : nums) {
    cnt.put(n, cnt.getOrDefault(n, 0) + 1);
}

步骤 2：维护小顶堆

创建小顶堆，按频率升序排列。
遍历哈希表，保持堆的大小不超过 k。当堆满时，若新元素频率更高，则替换堆顶。

PriorityQueue<int[]> res = new PriorityQueue<>((p1, p2) -> p1[1] - p2[1]);
for (Map.Entry<Integer, Integer> entry : cnt.entrySet()) {
    if (res.size() < k) {
        res.add(new int[] { entry.getKey(), entry.getValue() });
    } else {
        if (entry.getValue() > res.peek()[1]) {
            res.poll();
            res.add(new int[] { entry.getKey(), entry.getValue() });
        }
    }
}

步骤 3：提取结果

从小顶堆中依次取出元素，逆序填充结果数组。

int[] ans = new int[k];
for (int i = 0; i < k; i++) {
    ans[i] = res.poll()[0];
}
return ans;

关键知识点详解

哈希表的优势

快速统计频率：哈希表通过键值对存储元素及其频率，查找和插入操作高效。
去重处理：自动合并重复元素的计数。

小顶堆的工作机制

堆的排序规则：通过比较器 (p1, p2) -> p1[1] - p2[1] 实现升序排列，堆顶元素是当前堆中的最小频率。
动态维护前 k 大元素：当堆满时，只有比堆顶频率更高的元素才能加入，确保堆中元素始终是当前最大的 k 个。

时间复杂度分析

统计频率：O(n)，n 为数组长度。
堆操作：每次插入/删除操作 O(log k)，最坏情况下执行 n 次，总复杂度 O(n log k)。
总复杂度：O(n log k)，优于大顶堆的 O(n log n)。

为什么不用大顶堆？

假设使用大顶堆，我们需要将所有元素插入堆中，然后弹出前 k 个元素。此时堆的大小为 n，插入操作的时间复杂度为 O(n log n)。当 n 远大于 k 时，这种方法的效率明显低于小顶堆的 O(n log k)。

完整代码

class Solution {
    public int[] topKFrequent(int[] nums, int k) {
        Map<Integer, Integer> cnt = new HashMap<>();
        for (int n : nums) {
            cnt.put(n, cnt.getOrDefault(n, 0) + 1);
        }
        PriorityQueue<int[]> res = new PriorityQueue<>((p1, p2) -> p1[1] - p2[1]);
        for (Map.Entry<Integer, Integer> entry : cnt.entrySet()) {
            if (res.size() < k) {
                res.add(new int[] { entry.getKey(), entry.getValue() });
            } else {
                if (entry.getValue() > res.peek()[1]) {
                    res.poll();
                    res.add(new int[] { entry.getKey(), entry.getValue() });
                }
            }
        }
        int[] ans = new int[k];
        for (int i = 0; i < k; i++) {
            ans[i] = res.poll()[0];
        }
        return ans;
    }
}