Top n排序算法

数据结构中, 常用的算法有,交换排序(冒泡排序)、选择排序和插入排序,还有相应改进算法快速排序、堆排序和希尔排序

简单的排序(交换排序、选择排序和插入排序),平均时间复杂度都是O(n^2) 即n平方,每一趟排序平均要查询n个元素。它们改进后的算法,快速排序、堆排序平均时间复杂度都是

 希尔排序平均时间复杂度是:

 这些算法的排序研究都是基于将所有元素都排序好的。但Top n只需要选出前几名最大或最小值。  那我们就在以上几种算法中,选择每趟都可以找到一个当前最大值的排序算法就好。以上算法都有两层循环,top n求解时,外层循环只需要运行指定次数, 如100个分数排名,找出前10名的, 则我们只需要要外循环运行10次。内循环,一般算法是运行n次,改进的算法是运行

 。

从以上分析,可以选出:

交换排序(冒泡排序)、选择排序,堆排序。

那快速排序可不可以呢?  那是不可以的。因为快速排序一趟下来,能确定的是轴元素的最终位置,但轴元素却不是当前排序元素的最值元素。

所以以上列出的最高效的top n算法,就是堆排序了。它的空间复杂度是O(1)。

留个小问题,除了时间复杂度,空间复杂度外,关于编写代码多少的编码复杂度,小伙伴们有了解吗?

这可以关系到你写的代码精不精炼的评判标准。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
实验题目: 图的应用 实验目的: (1)熟练掌握图的基本存储方法; (2)熟练掌握图的深度优先和广度优先搜索方法; (3)掌握AOV网和拓扑排序算法; (4)掌握AOE网和关键路径。 实验内容: 拓扑排序。 任意给定一个有向图,设计一个算法,对它进行拓扑排序。拓扑排序算法思想:a. 在有向图中任选一个没有前趋的顶点输出;b.从图中删除该顶点和所有以它为尾的 弧;c.重复上述a、b,直到全部顶点都已输出,此时,顶点输出序列即为一个拓朴 有序序列;或者直到图中没有无前趋的顶点为止,此情形表明有向图中存在环。 设计分析: 为实现对无权值有向图进行拓扑排序,输出拓扑序列,先考虑如何存储这个有向图。拓 扑排序的过程中要求找到入度为0的顶点,所以要采用邻接表来存储有向图,而要得到邻 接表,则先要定义有向图的邻接矩阵结构,再把邻接矩阵转化成邻接表。 在具体实现拓扑排序的函数中,根据规则,当某个顶点的入度为0(没有前驱顶点)时, 就将此顶点输出,同时将该顶点的所有后继顶点的入度减1,为了避免重复检测入度为0 的顶点,设立一个栈St,以存放入度为0的顶点。 源程序代码: #include<stdio.h> #include<stdlib.h> #define MAXV 10 // 最大顶点个数 typedef struct { int edges[MAXV][MAXV]; // 邻接矩阵的边数组 int n; // 顶点数 }MGraph; typedef struct ANode { int adjvex; // 该弧的终点位置 struct ANode * nextarc; // 指向下一条弧的指针 }ArcNode; typedef struct { int no; // 顶点信息 int count; // 顶点入度 ArcNode * firstarc; // 指向第一条弧 }VNode, AdjList[MAXV]; typedef struct { AdjList adjlist; // 邻接表 int n; // 图的顶点数 }ALGraph; void MatTolist(MGraph g, ALGraph * &G) { int i, j, n=g.n; ArcNode * p; G = (ALGraph *)malloc(sizeof(ALGraph)); for (i=0; i<n; i++) G->adjlist[i].firstarc = NULL; for (i=0; i<n; i++) for (j=n-1; j>=0; j--) if (g.edges[i][j]!=0) { p=(ArcNode *)malloc(sizeof(ArcNode)); p->adjvex = j; p->nextarc = G->adjlist[i].firstarc; G->adjlist[i].firstarc = p; } G->n=n; } void TopSort(ALGraph * G) { int i,j,flag=0,a[MAXV]; int St[MAXV], top = -1; // 栈St的指针为top ArcNode * p; for (i=0; i<G->n; i++) // 入度置初值为0 G->adjlist[i].count = 0; for (i=0; i<G->n; i++) // 求所有顶点的入度 { p=G->adjlist[i].firstarc; while (p!=NULL) { G->adjlist[p->adjvex].count++; p=p->nextarc; } } for (i=0; i<G->n; i++) if (G->adjlist[i].count==0) // 入度为0的顶点进栈 { top++; St[top] = i; } while (top>-1) // 栈不为空时循环 { i = St[top]; top--; // 出栈 a[flag++]=i; // 输出顶点 p=G->adjlist[i].firstarc; // 找第一个相邻顶点 while (p!=NULL) { j = p->adjvex; G->adjlist[j].count--; if (G->adjlist[j].count==0) { top++; St[top] = j; // 入度为0的相邻顶点进栈 } p = p->nextarc; // 找下一个相邻顶点 } } if (flag<G->n) printf("该图存在回路,不存在拓扑序列!\n"); else { printf("该图的一个拓扑序列为:"); for(i=0; i<flag; i++) printf("%d
### 回答1: 当然,在使用 Flink 编写一个 TopN 程序时,您需要遵循以下步骤: 1. 使用 Flink 的 DataStream API 从源(例如 Kafka、Socket 等)读取数据流。 2. 对数据流执行 map 操作,以将输入转换为键值对。 3. 使用 keyBy 操作将数据分区,并为每个分区执行 topN 操作。 4. 使用 Flink 的 window API 设置滑动窗口,按照您所选择的窗口大小进行计算。 5. 使用 reduce 操作聚合每个分区中的 topN 元素。 6. 最后,使用 Flink 的 sink API 将结果写入目的地(例如文件、数据库等)。 下面是一个使用 Flink 实现 TopN 的示例代码: ``` DataStream<String> inputStream = ...; DataStream<Tuple2<String, Integer>> keyValuePairs = inputStream .map(new MapFunction<String, Tuple2<String, Integer>>() { public Tuple2<String, Integer> map(String value) { String[] fields = value.split(","); String key = fields[0]; Integer count = Integer.parseInt(fields[1]); return new Tuple2<>(key, count); } }); KeyedStream<Tuple2<String, Integer>, String> keyedStream = keyValuePairs.keyBy(new KeySelector<Tuple2<String, Integer>, String>() { public String getKey(Tuple2<String, Integer> value) { return value.f0; } }); DataStream<Tuple2<String, Integer>> topN = keyedStream .window(SlidingProcessingTimeWindows.of(Time.seconds(10), Time.seconds(5))) .reduce(new ReduceFunction<Tuple2<String, Integer>>() { public Tuple2<String, Integer> reduce(Tuple2<String, Integer> value1, Tuple2<String, Integer> value2) { return new Tuple2<>(value1.f0, value1.f1 + value2.f1); } }) . ### 回答2: 使用Flink编写一个TopN的实现可以使用窗口操作和排序算法来实现。下面是一个使用DataStream的例子: 1. 首先,我们需要定义输入数据流以及TopN的大小: ```java DataStream<Tuple2<String, Integer>> dataStream = ...; // 输入数据流 int n = ...; // TopN的大小 ``` 2. 然后,我们可以使用窗口操作来对输入数据进行分组和聚合。在这个例子中,我们可以使用滚动窗口,将所有数据划分为固定大小的窗口: ```java // 使用滚动窗口,每个窗口包含5个元素 WindowedStream<Tuple2<String, Integer>, String, TimeWindow> windowedStream = dataStream .keyBy(data -> data.f0) // 按照键进行分组 .window(TumblingProcessingTimeWindows.of(Time.seconds(1))); // 定义滚动窗口 ``` 3. 接下来,我们可以使用reduce函数对窗口中的数据进行聚合,并使用排序算法来获取TopN元素: ```java // 使用reduce函数对窗口中的数据进行聚合,并使用排序算法获取TopN元素 SingleOutputStreamOperator<List<Tuple2<String, Integer>>> topNStream = windowedStream .reduce((value1, value2) -> new Tuple2<>(value1.f0, value1.f1 + value2.f1)) // 将窗口中的数据聚合 .windowAll(TumblingProcessingTimeWindows.of(Time.seconds(1))) // 在所有窗口中操作 .process(new TopNFunction(n)); // 自定义的处理函数,用于获取TopN元素 ``` 4. 最后,我们可以在输出流中打印或保存TopN元素: ```java topNStream.print(); // 打印TopN元素 // 自定义的处理函数,用于获取TopN元素 public static class TopNFunction extends ProcessAllWindowFunction<Tuple2<String, Integer>, List<Tuple2<String, Integer>>, TimeWindow> { private final int n; public TopNFunction(int n) { this.n = n; } @Override public void process(Context context, Iterable<Tuple2<String, Integer>> input, Collector<List<Tuple2<String, Integer>>> out) { List<Tuple2<String, Integer>> topN = new ArrayList<>(); for (Tuple2<String, Integer> value : input) { topN.add(value); } topN.sort((value1, value2) -> value2.f1 - value1.f1); // 根据元素的值进行降序排序 topN = topN.subList(0, Math.min(n, topN.size())); // 获取TopN元素 out.collect(topN); } } ``` 这样,我们就使用Flink编写了一个TopN的实现。 ### 回答3: 使用Flink编写一个TopN问题的解决方案。我们可以按照以下步骤实现: 1. 从数据源读取数据:使用Flink提供的数据源API,从文件、Kafka等数据源中读取数据,将数据转换为DataStream。 2. 转换数据流:根据具体的需求,对数据流进行转换操作,例如筛选、过滤、聚合等。这些操作可以使用Flink提供的转换算子(Transformation Operators)实现。 3. 对数据流进行分组排序:使用Flink提供的GroupBy和Sort算子,对数据流进行分组和排序操作。可以将数据流按照指定的key进行分组,然后在每个组内按照指定的字段进行排序。 4. 实现TopN逻辑:根据具体的需求,选择合适的算法实现TopN逻辑。例如,可以使用Flink提供的KeyedProcessFunction来维护一个有序列表,然后在每个分组内进行排序,选取前N个元素。 5. 输出结果:根据具体的需求,选择适当的输出方式输出结果。例如,可以将结果写入文件、输出到Kafka等。 总结:使用Flink编写TopN问题的解决方案,需要将数据源转换为DataStream,对数据流进行转换、分组、排序等操作,并实现TopN逻辑,最后输出结果。Flink提供了丰富的API和算子,可以方便地实现TopN问题的解决方案。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值