漫画：寻找无序数组的第k大元素

 

—————  第二天  —————

 

 

 

题目是什么意思呢？比如给定的无序数组如下：

 

 

如果 k=6，也就是要寻找第6大的元素，这个元素是哪一个呢？

 

显然，数组中第一大的元素是24，第二大的元素是20，第三大的元素是17 ...... 第6大的元素是9。

 

 

方法一：排序法

这是最容易想到的方法，先把无序数组从大到小进行排序，排序后的第k个元素，自然就是数组中的第k大元素。

 

 

 

 

 

方法二：插入法

维护一个长度为k的数组A的有序数组，用于存储已知的k个较大的元素。

接下来遍历原数组，每遍历到一个元素，和数组A中最小的元素相比较，如果小于等于数组A的最小元素，继续遍历；如果大于数组A的最小元素，则插入到数组A中，并把曾经的最小元素“挤出去”。

 

比如k=3，先把最左侧的7,5,15三个数有序放入数组A当中，代表当前最大的三个数。

 

这时候，遍历到3， 由于3<5，继续遍历。

 

接下来遍历到17，由于17>5，插入到数组A的合适位置，类似于插入排序，并把原先最小的元素5“挤出去”。

 

继续遍历原数组，一直遍历到数组的最后一个元素......

 

最终，数组A中存储的元素是24,20,17，代表着整个数组中最大的3个元素。此时数组A中的最小的元素17就是我们要寻找的第k大元素。

 

 

 

————————————

 

 

 

 

 

 

什么是二叉堆？不太了解的小伙伴可以先看看这一篇：漫画：什么是二叉堆？（修正版）

 

简而言之，二叉堆是一种特殊的完全二叉树，它包含大顶堆和小顶堆两种形式。

 

其中小顶堆的特点，是每一个父节点都小于等于自己的子节点。要解决这个算法题，我们可以利用小顶堆的特性。

 

 

 

方法三：小顶堆法

维护一个容量为k的小顶堆，堆中的k个节点代表着当前最大的k个元素，而堆顶显然是这k个元素中的最小值。

遍历原数组，每遍历一个元素，就和堆顶比较，如果当前元素小于等于堆顶，则继续遍历；如果元素大于堆顶，则把当前元素放在堆顶位置，并调整二叉堆（下沉操作）。

遍历结束后，堆顶就是数组的最大k个元素中的最小值，也就是第k大元素。

 

假设k=5，具体的执行步骤如下：

 

1.把数组的前k个元素构建成堆。

 

 

2.继续遍历数组，和堆顶比较，如果小于等于堆顶，则继续遍历；如果大于堆顶，则取代堆顶元素并调整堆。

 

遍历到元素2，由于 2<3，所以继续遍历。

 

 

遍历到元素20，由于 20>3，20取代堆顶位置，并调整堆。

 

 

 

 

遍历到元素24，由于 24>5，24取代堆顶位置，并调整堆。

 

 

 

 

以此类推，我们一个一个遍历元素，当遍历到最后一个元素8的时候，小顶堆的情况如下：

 

 

3.此时的堆顶，就是堆中的最小值，也就是数组中的第k大元素。

 

 

 

这个方法的时间复杂度是多少呢？

 

1.构建堆的时间复杂度是 O（k）

2.遍历剩余数组的时间复杂度是O（n-k）

3.每次调整堆的时间复杂度是 O（logk）

 

其中2和3是嵌套关系，1和2,3是并列关系，所以总的最坏时间复杂度是O（（n-k）logk + k）。当k远小于n的情况下，也可以近似地认为是O（nlogk）。

 

 

这个方法的空间复杂度是多少呢？

 

刚才我们在详细步骤中把二叉堆单独拿出来演示，是为了便于理解。但如果允许改变原数组的话，我们可以把数组的前k个元素“原地交换”来构建成二叉堆，这样就免去了开辟额外的存储空间。

 

因此，方法的空间复杂度是O（1）。

 

 

/**

* 寻找第k大的元素

* @param array  待调整的堆

* @param k  第几大

*/

public static int findNumberK(int[] array, int k){

   //1.用前k个元素构建小顶堆

   buildHeap(array, k);

   //2.继续遍历数组，和堆顶比较

   for(int i=k; i<array.length;i++){

       if(array[i] > array[0]){

           array[0] = array[i];

           downAdjust(array, 0, k);

       }

   }

   //3.返回堆顶元素

   return array[0];

}





/**

* 构建堆

* @param array  待调整的堆

* @param length  堆的有效大小

*/

private static void buildHeap(int[] array, int length) {

   // 从最后一个非叶子节点开始，依次下沉调整

   for (int i = (length-2)/2; i >= 0; i--) {

       downAdjust(array, i, length);

   }

}





/**

* 下沉调整

* @param array     待调整的堆

* @param index    要下沉的节点

* @param length    堆的有效大小

*/

private static void downAdjust(int[] array, int index, int length) {

   // temp保存父节点值，用于最后的赋值

   int temp = array[index];

   int childIndex = 2 * index + 1;

   while (childIndex < length) {

       // 如果有右孩子，且右孩子小于左孩子的值，则定位到右孩子

       if (childIndex + 1 < length && array[childIndex + 1] < array[childIndex]) {

           childIndex++;

       }

       // 如果父节点小于任何一个孩子的值，直接跳出

       if (temp <= array[childIndex])

           break;

       //无需真正交换，单向赋值即可

       array[index] = array[childIndex];

       index = childIndex;

       childIndex = 2 * childIndex + 1;

   }

   array[index] = temp;

}







public static void main(String[] args) {

   int[] array = new int[] {7,5,15,3,17,2,20,24,1,9,12,8};

   System.out.println(findNumberK(array, 5));

}

 

 

方法四：分治法

大家都了解快速排序，快速排序利用分治法，每一次把数组分成较大和较小的两部分。

我们在寻找第k大元素的时候，也可以利用这个思路，以某个元素A为基准，把大于于A的元素都交换到数组左边，小于A的元素都交换到数组右边。

 

比如我们选择以元素7作为基准，把数组分成了左侧较大，右侧较小的两个区域，交换结果如下：

 

 

包括元素7在内的较大元素有8个，但我们的k=5，显然较大元素的数目过多了。于是我们在较大元素的区域继续分治，这次以元素12位基准：

 

 

这样一来，包括元素12在内的较大元素有5个，正好和k相等。所以，基准元素12就是我们所求的。

 

这就是分治法的大体思想，这种方法的时间复杂度甚至优于小顶堆法，可以达到O（n）。有兴趣的小伙伴可以尝试用代码实现一下。

 

 

 

 

觉得本文有用，请给个好看，觉得特别有用，请转发给你的朋友们。