leetode 347 前k个高频元素

思路：因为有时间复杂度限制

一 ：利用堆排序（nlogn）,这里采用java 自带的PriorityQueue队列 （默认是小根堆，所以要重写compartor里的compare（）函数，将其改成大根堆，实际上是比较 hashmap频度的大根堆）。总体流程： 先把 num(key) 以及其频度(value) 放入 HashMap中，再将key遍历放入PriorityQueue 中，然后往外取k 个就可以了。

private Map<Integer, Integer> map = new HashMap<>();
    public List<Integer> topKFrequent(int[] nums, int k) {
        for(int num : nums) //把数组按照频度放入
        {
            if(map.containsKey(num))
            {
                map.put(num, map.get(num) + 1);
            }else
            {
                map.put(num, 1);
            }
        }

        PriorityQueue<Integer> pq = new PriorityQueue<>(new Comparator<Integer>() {
            @Override
            public int compare(Integer a, Integer b) {
                return map.get(b) - map.get(a);
            }
        });
        for (Map.Entry<Integer, Integer> entry : map.entrySet()) {
            pq.add(entry.getKey());
        }
    List<Integer> List = new ArrayList<>();
    for(int i = k; i > 0; i --)
    {
        List.add(pq.poll());
    }
    return List;
    }

二 ： 利用桶排序（n + K）

桶排序原理就是设置几个（所提供数组长度为个数）以频度为标准的桶（List）  还是先将num 以及 频度放入Hashmap中，然后遍历Hashmap， 将对应频度的num放入到对应的桶中，接下来从后从后往前遍历桶，选出k个，添加进ansList

public List<Integer> topKFrequent(int[] nums, int k)
{
    Map<Integer, Integer> frequen = new HashMap<>();
    for(int num : nums)
    {
        frequen.put(num, frequen.getOrDefault(num, 0)  + 1);
    }
    List<Integer> [] bucks = new ArrayList[num.lengh + 1];
    for(int key : frequen.keySet())
    {
        int frequency = frequen.get(key);
        if (bucks[frequency] == null)
        {
            bucks[frequency] = new ArrayList<>();
        }
        bucks[frequency].add(key);
    }
    List<Integer> topk = new ArrayList<>();
    for(int i = bucks.lengh - 1; i >= 0 && topk.size() < k; i--)
    {
        if(bucks[i] == null)
        {
            coninue;
        }
        if(bucks[i].size() <= (k - topk.size()))
        {
            topk.addAll(bucks[i]);
        }
        else
        {
            topk.addAll(bucks[i].subList(0, k - topk.size()));
        }
    }
    return topk;
}