找出N个整数中最大的K个数

原文来自:博客园（华夏35度）http://www.cnblogs.com/zhangchaoyang 作者:Orisun

如题：给出N个整数（N可能很大，以致无法装入内存），找出前K个最大的整数

【解法一】

当学生们信笔写下 float array [10000000]，他们往往没有想到这个数据结构
要如何在电脑上实现，是从当前程序的栈（Stack）中分配，还是堆（Heap），
还是电脑的内存也许放不下这么大的东西？

我们先假设元素的数量不大，例如在几千个左右，在这种情况下，那我们就排序一下吧。在这里，快速排序或堆排序都是不错的选择，他们的平均时间复杂度都是 O（N * log2N）。然后取出前 K 个，O（K）。
总时间复杂度 O（N * log2N）+ O（K） = O（N * log2N）。

你一定注意到了，当 K=1 时，上面的算法也是 O（N * log2N）的复杂度，
而显然我们可以通过 N-1 次的比较和交换得到结果。上面的算法把整个数组都
进行了排序，而原题目只要求最大的 K 个数，并不需要前 K 个数有序，也不需
要后 N-K 个数有序。

怎么能够避免做后 N-K 个数的排序呢？我们需要部分排序的算法，选择排
序和交换排序都是不错的选择。把 N 个数中的前 K 大个数排序出来，复杂度是O（N * K）。

那一个更好呢？O（N * log2N）还是 O（N * K）？
这取决于 K 的大小，这是你需要在面试者那里弄清楚的问题。在 K（K < = log2N）较小的情况下，可以选择部分排序。

在下一个解法中，会通过避免对前 K 个数排序来得到更好的性能。

【解法二】

回忆一下快速排序，快排中的每一步，都是将待排数据分做两组，其中一组
的数据的任何一个数都比另一组中的任何一个大，然后再对两组分别做类似的操
作，然后继续下去……

在本问题中，假设 N 个数存储在数组 S 中，我们从数组 S 中随机找出一个
元素 X，把数组分为两部分 Sa 和 Sb。Sa 中的元素大于等于 X，Sb 中元素小于 X。

这时，有两种可能性：

1. Sa中元素的个数小于K，Sa中所有的数和Sb中最大的K-|Sa|个元素（|Sa|指Sa

中元素的个数）就是数组S中最大的K个数。

2. Sa中元素的个数大于或等于K，则需要返回Sa中最大的K个元素。

这样递归下去，不断把问题分解成更小的问题，平均时间复杂度 O（N *
log2K）。伪代码如下：

Kbig(S, k):
if(k <= 0):
return [ ] // 返回空数组

if(length S <= k):
return S
(Sa, Sb) = Partition(S)
return Kbig(Sa, k).Append(Kbig(Sb, k – length Sa)

Partition(S):

Sa = [] // 初始化为空数组

Sb = []
// 随机选择一个数作为分组标准，以避免特殊数据下的算法退化
// 也可以通过对整个数据进行洗牌预处理实现这个目的
// Swap(S[1], S[Random() % length S])
p = S[1]
for i in [2: length S]:
S[i] > p ? Sa.Append(S[i]) : Sb.Append(S[i])
// 将p加入较小的组， 可以避免分组失败， 也使分组更均匀，提高效率
length Sa < length Sb ? Sa.Append(p) : Sb.Append(p)
return (Sa, Sb)

【解法三】

寻找 N 个数中最大的 K 个数，本质上就是寻找最大的 K 个数中最小的那个，
也就是第 K 大的数。可以使用二分搜索的策略来寻找 N 个数中的第 K 大的数。
对于一个给定的数 p，可以在 O（N）的时间复杂度内找出所有不小于 p 的数。
假如 N 个数中最大的数为 Vmax，最小的数为 Vmin，那么这 N 个数中的第 K 大数
一定在区间[Vmin, Vmax]之间。那么，可以在这个区间内二分搜索 N 个数中的第 K
大数 p。伪代码如下：

while(Vmax-Vmin > delta)
{
Vmid = Vmin + (Vmax – Vmin) * 0.5;
if(f(arr, N, Vmid) >= K)
Vmin = Vmid;
else
Vmax = Vmid;
}

伪代码中 f（arr, N, Vmid）返回数组 arr[0, …, N-1]中大于等于 Vmid 的数的个数。

上述伪代码中，delta 的取值要比所有 N 个数中的任意两个不相等的元素差
值之最小值小。如果所有元素都是整数，delta 可以取值 0.5。循环运行之后，得
到一个区间（Vmin, Vmax），这个区间仅包含一个元素（或者多个相等的元素）。
这个元素就是第 K 大的元素。
整个算法的时间复杂度为 O（N * log2（|Vmax – Vmin|/delta））。
由于 delta 的取值要比所有 N 个数中的任意两个不相等的元素差值之
最小值小，因此时间复杂度跟数据分布相关。在数据分布平均的情况下，时间复杂度为 O（N * log2（N））。

在整数的情况下，可以从另一个角度来看这个算法。假设所有整数的大小都
在[0, 2m-1]之间，也就是说所有整数在二进制中都可以用 m bit 来表示（从低位到
高位,分别用 0, 1, …, m-1 标记）。我们可以先考察在二进制位的第（m-1）位，
将 N 个整数按该位为 1 或者 0 分成两个部分。也就是将整数分成取值为[0, 2m-1-1]
和[2m-1, 2m-1]两个区间。前一个区间中的整数第（m-1）位为 0，后一个区间中
的整数第（m-1）位为 1。如果该位为 1 的整数个数 A 大于等于 K，那么，在所
有该位为 1 的整数中继续寻找最大的 K 个。否则，在该位为 0 的整数中寻找最
大的 K-A 个。接着考虑二进制位第（m-2）位，以此类推。思路跟上面的浮点数
的情况本质上一样。

对于上面两个方法，我们都需要遍历一遍整个集合，统计在该集合中大于等
于某一个数的整数有多少个。不需要做随机访问操作，如果全部数据不能载入内
存，可以每次都遍历一遍文件。经过统计，更新解所在的区间之后，再遍历一次
文件，把在新的区间中的元素存入新的文件。下一次操作的时候，不再需要遍历
全部的元素。每次需要两次文件遍历，最坏情况下，总共需要遍历文件的次数为
2 * log2（|Vmax – Vmin|/delta）。由于每次更新解所在区间之后，元素数目会减少。
当所有元素能够全部载入内存之后，就可以不再通过读写文件的方式来操作了。

此外，寻找 N 个数中的第 K 大数，是一个经典问题。理论上，这个问题存
在线性算法。不过这个线性算法的常数项比较大，在实际应用中效果有时并不好。

【解法四】

我们已经得到了三个解法，不过这三个解法有个共同的地方，就是需要对数
据访问多次，那么就有下一个问题，如果 N 很大呢，100 亿？（更多的情况下，
是面试者问你这个问题）。这个时候数据不能全部装入内存（不过也很难说，说
知道以后会不会 1T 内存比 1 斤白菜还便宜），所以要求尽可能少的遍历所有数
据。

不妨设 N > K，前 K 个数中的最大 K 个数是一个退化的情况，所有 K 个数
就是最大的 K 个数。如果考虑第 K+1 个数 X 呢？如果 X 比最大的 K 个数中的最
小的数 Y 小，那么最大的 K 个数还是保持不变。如果 X 比 Y 大，那么最大的 K
个数应该去掉 Y，而包含 X。如果用一个数组来存储最大的 K 个数，每新加入一
个数 X，就扫描一遍数组，得到数组中最小的数 Y。用 X 替代 Y，或者保持原数
组不变。这样的方法，所耗费的时间为 O（N * K）。

进一步，可以用容量为 K 的最小堆来存储最大的 K 个数。最小堆的堆顶元
素就是最大 K 个数中最小的一个。每次新考虑一个数 X，如果 X 比堆顶的元素
Y 小，则不需要改变原来的堆，因为这个元素比最大的 K 个数小。如果 X 比堆
顶元素大，那么用 X 替换堆顶的元素 Y。在 X 替换堆顶元素 Y 之后，X 可能破
坏最小堆的结构（每个结点都比它的父亲结点大），需要更新堆来维持堆的性
质。更新过程花费的时间复杂度为 O（log2K）。

图 2-1 是一个堆，用一个数组 h[]表示。每个元素 h[i]，它的父亲结点是 h[i/2]，
儿子结点是 h[2 * i + 1]和 h[2 * i + 2]。每新考虑一个数 X，需要进行的更新操作伪
代码如下:

if(X > h[0])
{
h[0] = X;
p = 0;
while(p < K)
{
q = 2 * p + 1;
if(q >= K)
break;
if((q < K-1) && (h[q + 1] < h[q]))
q = q + 1;
if(h[q] < h[p])
{
t = h[p];
h[p] = h[q];
h[q] = t;
p = q;
}
else
break;
}
}

因此，算法只需要扫描所有的数据一次，时间复杂度为 O（N * log2K）。这
实际上是部分执行了堆排序的算法。在空间方面，由于这个算法只扫描所有的数
据一次，因此我们只需要存储一个容量为 K 的堆。大多数情况下，堆可以全部
载入内存。如果 K 仍然很大，我们可以尝试先找最大的 K’个元素，然后找第 K’+1
个到第 2 * K’个元素，如此类推（其中容量 K’的堆可以完全载入内存）。不过
这样，我们需要扫描所有数据 ceil1（K/K’）次。

【解法五】

上面类快速排序的方法平均时间复杂度是线性的。能否有确定的线性算法
呢？是否可以通过改进计数排序、基数排序等来得到一个更高效的算法呢？答案
是肯定的。但算法的适用范围会受到一定的限制。

如果所有 N 个数都是正整数，且它们的取值范围不太大，可以考虑申请空间，记录每个整数出现的次数，然后再从大到小取最大的 K 个。比如，所有整数都在（0, MAXN）区间中的话，利用一个数组 count[MAXN]来记录每个整数出现的个数（count[i]表示整数 i 在所有整数中出现的个数）。我们只需要扫描一遍就可以得到 count 数组。然后，寻找第 K 大的元素：

for(sumCount = 0, v = MAXN-1; v >= 0; v–)
{
sumCount += count[v];
if(sumCount >= K)
break;
}
return v;

极端情况下，如果 N 个整数各不相同，我们甚至只需要一个 bit 来存储这个
整数是否存在。\

《寻找N个元素中的前K个最大者》方法总结是在这里看到的 /algorithm/20111105/314362.html ，我觉得解法二和解法四用得广泛一些，编程实现了一下。

利用快速排序中的partition操作

经过partition后，pivot左边的序列sa都大于pivot右边的序列sb；

如果|sa|==K或者|sa|==K-1，则数组的前K个元素就是最大的前K个元素，算法终止;

如果|sa|<K-1，则从sb中寻找前K-|sa|-1大的元素;

如果|sa|>K，则从sa中寻找前K大的元素。

一次partition(arr,begin,end)操作的复杂度为end-begin，也就是O(N)，最坏情况下一次partition操作只找到第1大的那个元素，则需要进行K次partition操作，总的复杂度为O(N*K)。平均情况下每次partition都把序列均分两半，需要log(2,K)次partition操作，总的复杂度为O(N*log(2,K))。

#include<iostream>

#include<cstdlib>

#include<ctime>

#include<vector>

#include<algorithm>

using namespace std;

/*分割，pivot左边的都比右边的大*/

template<typename Comparable>

int partition(vector<Comparable> &a,int left,int right){

int begin=left;

int end=right;

Comparable pivot=a[left];

while(left<right){

while(left<right && a[right]<=pivot)

right--;

a[left]=a[right];

while(left<right && a[left]>=pivot)

left++;

a[right]=a[left];

}

a[left]=pivot;

return left-begin; //返回pivot左边的元素个数

}

template<typename Comparable>

void findKMax(vector<Comparable> &vec,int left,int right,int k){

if(k>right-left+1)

return;

//由于partition时，总是固定地选取首元素作为轴，所以事先打乱一下顺序比较好，防止算法退化

//random_shuffle(vec.begin()+left,vec.begin()+right);

int n=partition(vec,left,right);

if(n==k || n==k-1)

return;

if(n<k-1)

findKMax(vec,left+n+1,right,k-n-1);

else if(n>k)

findKMax(vec,left,left+n-1,k);

}

int main(){

int total=5;//原先有5个元素

int k=3;//选取前3个最大的

srand(time(0));

vector<int> a(total);

for(int i=0;i<a.size();i++)

a[i]=rand()%100;

for(int i=0;i<a.size();i++)

cout<<a[i]<<"\t";

cout<<endl;

findKMax(a,0,a.size()-1,k);

for(int i=0;i<a.size();i++)

cout<<a[i]<<"\t";

cout<<endl;

return 0;

}

利用小根堆实现

顺序读取数组中的前K个元素，构建小根堆。小根堆的特点是根元素最小，并且一次调整（deleteMin）操作的时间复杂度为log(2,K)。

接下来从数组中取下一个元素，如果该元素不比堆顶元素大，则丢弃；否则用它替换堆顶元素，然后调整小根堆。

当把数组中的元素全部读出来后，小根堆中保留的就是前K大的元素。

初始建堆操作需要K*log(2,K)--这是最多的操作次数，从数组中读取后N-K个元素和堆顶元素一一比较，最坏的情况是每次都要替换堆顶元素，都要调整小根堆，复杂度为(N-K)*log(2,K)。总的复杂度为O(N*log(2,K))。

#include<iostream>

#include<cstdlib>

#include<ctime>

#include<vector>

using namespace std;

template<typename Comparable>

void percolate(vector<Comparable> &vec,int index){

int i=index;

int j=2*i+1;

while(j<=vec.size()){

if(j<vec.size() && vec[j]>vec[j+1])

j++;

if(vec[i]<vec[j])

break;

else{

swap(vec[i],vec[j]);

i=j;

j=2*i+1;

}

}

}

template<typename Comparable>

void buildHeap(vector<Comparable> &vec){

int len=vec.size();

for(int i=(len-1)/2;i>=0;i--)

percolate(vec,i);

}

int main(){

srand(time(0));

vector<int> a(10); //原先有10个元素

for(int i=0;i<a.size();i++)

a[i]=rand()%100;

vector<int> b(7); //找出a中最大的前7个元素

for(int i=0;i<b.size();i++)

b[i]=a[i];

buildHeap(b);

for(int i=b.size();i<a.size();i++){

if(a[i]>b[0]){

b[0]=a[i];

percolate(b,0);

}

}

vector<int>::iterator iter=a.begin();

while(iter!=a.end()){

cout<<*iter<<"\t";

iter++;

}

cout<<endl;

iter=b.begin();

while(iter!=b.end()){

cout<<*iter<<"\t";

iter++;

}

cout<<endl;

return 0;

}