数据结构与算法-23.前K个高频元素

23、前K个高频元素

题目

23.0、基于快排

先遍历一遍数组，用哈希映射来记录每个值对应的频率。

把哈希映射转化为vector<pair<int,int>>或者二维数组的格式。

然后就可以使用和查找数组中第K大元素相同的方法来找到前K大频率的分割下标。

private:
//产生随机数，将该随机下标的数与最后一个数调换位置，然后将数组分为左右两部分，返回分界线的下标
int randomPartition(vector<pair<int, int>>& dataPair, int leftIndex, int rightIndex)
{
    srand((unsigned int)time(0));
    int randnum = rand() % (rightIndex - leftIndex + 1) + leftIndex;
    swap(dataPair[randnum], dataPair[rightIndex]);

    int flagIndex = leftIndex;
    for (int i = leftIndex; i < rightIndex; i++)
        if (dataPair[i].second >= dataPair[rightIndex].second)
        {
            swap(dataPair[i], dataPair[flagIndex]);
            flagIndex++;
        }
    swap(dataPair[rightIndex], dataPair[flagIndex]);
    return flagIndex;
}
//快速选择
void quickSelect(vector<pair<int, int>>& dataPair, int leftIndex, int rightIndex, int k)
{
    int flagIndex = randomPartition(dataPair, leftIndex, rightIndex);
    if (flagIndex == k)
        return;
    else
        flagIndex < k ? quickSelect(dataPair, flagIndex + 1, rightIndex, k) : quickSelect(dataPair, leftIndex, flagIndex - 1, k);
}

public:

//快速排序
vector<int> topKFrequent(vector<int>& nums, int k) 
{
    vector<int> result;
    unordered_map<int, int> dataMap;
    for (auto& i : nums)            //统计个数
        dataMap[i]++;
    vector<pair<int, int>> dataPair(dataMap.begin(), dataMap.end());//把哈希映射变为一个数组
    quickSelect(dataPair, 0, dataPair.size() - 1, k - 1);
    for (int i = 0; i < k; i++)
        result.push_back(dataPair[i].first);
    return result;
}

时间复杂度：O（n）具体证明，参照算法导论。

空间复杂度：O（n）这里的n都指统计完频率后的个数n

23.1、优先队列（大根堆）

先遍历一遍数组，用哈希映射来记录每个值对应的频率。

把哈希映射转化为vector<pair<int,int>>或者二维数组的格式。（先序步骤和上面的一样）

手撸大根堆：

对于序列【5，8，3，2，5，3，8，1，3】

其下标为【0，1，2，3，4，5，6，7，8】

把这个一维的数组像下图这样排列（是不是像一个树）

既然像树，那么父节点怎么和子节点连接起来呢，比如第二层的那个8，他的下标是1，那2的下标不就是1*2+1 = 3嘛，5的下标不就是1*2+2 = 4吗，其他的都是这样滴，那这样我们就可以构造一颗假树了。

在构造假树的时候，从下往上构造，顺便把最大的数放在根节点，比如左下角这一块，把2和3互换位置，这样最后构造的假树的最顶点就是整个树最大的数了，就是像下面这样。

注意，这里仅仅是巧合，好像显得每个根节点都是最大的，其实我们只能保证顶点的根节点是最大的。

先设置一个heapSize表示需要维护节点的多少

我们把最上面的8和最下面的2互换位置，heapSize减1，表示把最大的8删除了（heapSize-1也就管不到一维数组最后面的8了，所以就当是删除了）

进行互换后，需要对树重新进行维护，保证顶点是最大的

以此类推，直到删够K个节点，就得到了前K个高频元素了。

vector<int> topKFrequent2(vector<int>& nums, int k)
{
    vector<int> result;
    unordered_map<int, int> dataMap;
    for (auto& i : nums)            //统计个数
        dataMap[i]++;
    vector<pair<int, int>> dataPair(dataMap.begin(), dataMap.end());//把哈希映射变为一个数组

    int heapSize = dataPair.size();
    buildMaxHeap(dataPair, heapSize);
    for (int i = dataPair.size() - 1; i >= (int)dataPair.size() - k; i--)
    {
        result.push_back(dataPair[0].first);
        swap(dataPair[i], dataPair[0]);
        heapSize--;
        maxHeapify(dataPair, 0, heapSize);
    }
    return result;
}
void buildMaxHeap(vector<pair<int, int>>& dataPair, int heapSize)
{
    for (int i = heapSize / 2; i >= 0; i--)
        maxHeapify(dataPair, i, heapSize);
}
void maxHeapify(vector<pair<int, int>>& dataPair, int root, int heapSize)
{
    int leftChild = root * 2 + 1, rightChild = root * 2 + 2, largestChild = root;
    if (leftChild<heapSize && dataPair[leftChild].second>dataPair[largestChild].second)largestChild = leftChild;
    if (rightChild<heapSize && dataPair[rightChild].second>dataPair[largestChild].second)largestChild = rightChild;
    if (largestChild != root)
    {
        swap(dataPair[root], dataPair[largestChild]);
        maxHeapify(dataPair, largestChild, heapSize);
    }
}

时间复杂度：O（n log n）在维护的时候，只需要顺着一条树枝维护，所以消耗是log n
空间复杂度：O（n）