Top K问题:前K个最大的数
参考
- 海量数据处理的 Top K算法(问题) 小顶堆实现
- 《算法导论》读书笔记之第6章 堆排序
- 寻找最小的k个数
问题描述
输入N个整数, N很大, 求出其中的前K个最大的数,K很小,一般在10以内。
由于输数据很大,但只求前K个最大的值,所以对所有输入数据的保存和排序是不可取的。
1 解法一:最小堆
利用最小堆的性质,每个非叶结点的数值,都小于等于其孩子节点的数值。利用含有K个节点的最小堆,保存K个目前的最大值。
每次接受新的数据输入时,先与根节点比较。若不大于根节点,则舍弃;否则用新数值替换根节点数值,并进行最小堆的调整。
1.1 最小堆复习
@算法导论
1.1.1 堆化数组
用数组存储堆,
若数组下标从1开始,则parent(i) = i/2, left(i) = i*2, right(i) = i*2+1
若数组下标从0开始,则parent(i) = i/2, left(i) = i*2 + 1, right(i)=i*2+2
最小堆的性质:
- 除了根结点以外,对于所有节点i,有A[parent(i)] \le A[i]
- 含有n个元素的节点高度是ceil(lgn)
- 叶子节点的下标是n/2+1,…,n(下标从1开始);n/2,…,n-1(下标从0开始)
以下讨论的都是下标从0开始的情况
1.1.2 维护堆
给定一个节点i,保证以i为根的子树满足堆性质,是自顶向下的过程
递归与非递归版的维护堆代码:
// 维护最小堆,递归, 调整以i为根的子树
void adjust_min_heap_recursive(int *a, int n, int i){
int left = i * 2 + 1; // 节点i的左孩子编号
int right = left + 1; // 节点i的右孩子编号
int smallest = i; // 默认最小是父节点
if(left < n && a[left] < a[smallest]) // 找到i与其左右孩子中最小值的编号
smallest = left;
if(right < n && a[right] < a[smallest])
smallest = right;
if(smallest != i){ // 若最小值不是父节点
swap(a[smallest], a[i]);
adjust_min_heap_recursive(a, n, smallest); // 递归,继续自顶向下维护
}
}
// 维护最小堆,非递归, 调整以i为根的子树
void adjust_min_heap(int *a, int n, int i){
int left, right, smallest = i;
while(1){
left = 2 * i + 1;
right = left + 1;
if(left < n && a[left] < a[smallest])
smallest = left;
if(right < n && a[right] < a[smallest])
smallest = right;
if(smallest != i){
swap(a[i], a[smallest]);
i = smallest;
} else {
break;
}
}
}
1.1.3 建堆
建堆时,调用维护堆过程,是自底向上的过程,从数组的最后一个非叶结点(n/2-1)开始调整。
建堆代码:
// 建堆,堆化数组
void build_min_heap(int *a, int n){
for(int i = n/2 - 1; i >= 0; --i){
adjust_min_heap_recursive(a, n, i);
// adjust_min_heap(a, n, i);
}
}
1.1.4 堆排序(与Top K问题无关)
顺便复习一下堆排序
堆排序的流程是:
- 建最大堆,将输入数组a[1..N]转化为最小堆,使得最小值在堆顶,也就是a[0];
- 每次不断将最大值提取出来,放置到数组的末尾,再将原数组末尾的值挪到堆顶,最大堆的size-1,并对剩下的对元素进行调整。
1.1.5 测试程序
#include <iostream>
#include <algorithm>
#include <cstdlib>
using namespace std;
// 数组下标从0开始
void print_array(int *a, int n){
for(int i = 0; i < n; ++i){
cout << a[i] << " ";
}
cout << endl;
}
// 维护最小堆,递归, 调整以i为根的子树,自顶向下
void adjust_min_heap_recursive(int *a, int n, int i){
int left = i * 2 + 1; // 节点i的左孩子编号
int right = left + 1; // 节点i的右孩子编号
int smallest = i; // 默认最小是父节点
if(left < n && a[left] < a[smallest]) // 找到i与其左右孩子中最小值的编号
smallest = left;
if(right < n && a[right] < a[smallest])
smallest = right;
if(smallest != i){ // 若最小值不是父节点
swap(a[smallest], a[i]);
adjust_min_heap_recursive(a, n, smallest); // 递归,继续自顶向下维护
}
}
// 建堆,堆化数组,自底向上
void build_min_heap(int *a, int n){
for(int i = n/2 - 1; i >= 0; --i){
adjust_min_heap_recursive(a, n, i);
// adjust_min_heap(a, n, i);
}
}
int main(){
const int N = 10;
int a[N];
for(int i = 0; i < N; ++i){
a[i] = rand() % 20;
}
cout << "堆化前数组:";
print_array(a, N);
build_min_heap(a, N);
cout << "堆化后数组:";
print_array(a, N);
return 0;
}
1.2 Top K max 最小堆解法
时间复杂度O(nlogK)=O(n),空间复杂度O(K)=O(1)
前面第1节介绍的方法再提一遍。
利用含有K个节点的最小堆,保存K个目前的最大值。
每次接受新的数据输入时,先与根节点比较。若不大于根节点,则舍弃;否则用新数值替换当前的最小值,即根节点,并进行最小堆的调整。
#include <iostream>
#include <algorithm>
#include <fstream>
#include <cstdlib>
#include <cstdio>
using namespace std;
// 数组下标从0开始
void print_array(int *a, int n){
for(int i = 0; i < n; ++i){
cout << a[i] << " ";
}
cout << endl;
}
void write_rand_num(int n, int range)
{
ofstream out("data.txt");
if(out.is_open()){
for(int i = 0; i < n; ++i){
out << rand() % range << endl;
}
out.close();
}
}
// 维护最小堆,递归, 调整以i为根的子树,自顶向下
// 时间复杂度O(logK),空间复杂度O(1)
void adjust_min_heap_recursive(int *a, const int n, int i){
int left = i * 2 + 1; // 节点i的左孩子编号
int right = left + 1; // 节点i的右孩子编号
int smallest = i; // 默认最小是父节点
if(left < n && a[left] < a[smallest]) // 找到i与其左右孩子中最小值的编号
smallest = left;
if(right < n && a[right] < a[smallest])
smallest = right;
if(smallest != i){ // 若最小值不是父节点
swap(a[smallest], a[i]);
adjust_min_heap_recursive(a, n, smallest); // 递归,继续自顶向下维护
}
}
// 建堆,堆化数组,自底向上
// 时间复杂度O(n)*O(logK) = O(nlogK),空间复杂度O(K)(建立的大小为K的堆化数组)
void build_min_heap(int *a, const int n){
for(int i = n/2 - 1; i >= 0; --i){
adjust_min_heap_recursive(a, n, i);
// adjust_min_heap(a, n, i);
}
}
int main(){
int n = 100; // N很大
// write_rand_num(n, 50); // 第一次运行,产生随机数据,写入data.txt
// 第二次运行,从data.txt读数据
const int K = 10; // K很小
int *a = new int[K], temp;
freopen("data.txt", "r", stdin);
// 先读K个
for(int i = 0; i < K; ++i){
cin >> a[i];
}
// 堆化数组,建立最小堆
build_min_heap(a, K);
cout << "初始最小堆:";
print_array(a, K);
// 继续读剩余的n-K个
for(int i = K; i < n; ++i){
cin >> temp;
if(temp > a[0]){
a[0] = temp;
adjust_min_heap_recursive(a, n, 0); // 向下调整
}
}
cout << "最终最小堆:";
print_array(a, K);
fclose(stdin);
return 0;
}
注意:必须分两次运行才可以,而且这样写实在太丑,目前猜测原因是两次写/读的流不同导致数据不同步。
另:是时候来个C/C++ IO专题了。
2 解法二:选择/交换排序
使用选择/交换排序,每轮对K个元素进行排序,流程如下:
- 存入前K个数,这K个数是当前最大的K个数。O(k)
- 对K个数,利用选择或交换排序找到K个元素中的最小值kmin。O(k)
- 继续遍历剩余n-k个数,设每次遍历到的新元素为x,
1) 若x>kmin, 则用x替换kmax,并回到第2步,找出k个元素中的最小值kmin’
2) 否则继续遍历下个元素。
时间复杂度O(n)*O(k) = O(nk)
使用快速排序,实现如下:
#include <iostream>
#include <algorithm>
#include <cstdio>
#include <cstdlib>
using namespace std;
void print_array(int *a, int n){
for(int i = 0; i < n; ++i){
cout << a[i] << " ";
}
cout << endl;
}
// 划分,第一个数为基准
int partition(int *a, int from, int to)
{
int i = from;
int j = to + 1;
int pivot = a[from];
while(true){
// 从前向后,找到第1个比基准大的数,i指向该数
while(i < to && a[++i] < pivot);
// 从后向前,找到第1个比基准小的数,j指向该数
while(j > from && a[--j] > pivot);
if(i >= j) break;
swap(a[i], a[j]);
}
swap(a[from], a[j]);
return j;
}
void quick_sort(int *a, int from, int to){
if(from < to)
{
int p = partition(a, from, to);
quick_sort(a, from, p - 1);
quick_sort(a, p + 1, to);
}
}
int main(){
int n = 100;
int K = 10;
freopen("data.txt", "r", stdin);
int *a = new int[K];
int i, temp;
for(i = 0; i < K; ++i){
cin >> a[i];
}
quick_sort(a, 0, K-1);
cout << "初始Top K max数组:";
print_array(a, K);
for(i = K; i < n; ++i){
cin >> temp;
if(temp > a[0]){
a[0] = temp;
quick_sort(a, 0, K-1);
}
}
cout << "最终Top K max数组:";
print_array(a, K);
fclose(stdin);
return 0;
}
3 解法三:快速选择算法
《数据结构与算法分析–c语言描述》书中,第7章第7.7.6节,阐述了一种在平均情况下,时间复杂度为 O(N) 的快速选择算法,用于选择第K小的元素,将算法改成选择第k大的,流程如下:
(注:不知道为什么平均情况下时间复杂度为O(N))
- 选取S中一个元素作为枢纽元v,将集合S-{v}分割成S1和S2,就像快速排序那样
- 如果k <= |S2|,那么第k个最大元素必然在S2中。在这种情况下,QuickSelect(S2, K),继续排序S2部分,最终数组后K个为所求的最大的K个数。
- 如果k = 1 + |S2|,那么枢纽元素就是第k个最大元素,则从第K到n为最大的K个数
- 否则,k > |S2| + 1,这第K个最大元素就在S1中,即在S1中的后(k - |S1| - 1)个最小元素,递归调用并返回QuickSelect(S1, k - |S1| - 1)。
将该算法转换成选择前K大的也不难,就是每次排序的时候比快排多了判断条件;该算法需要保存所有的数据。
也可以每次读2*K个数据,然后每次排序后,最后K个是最大的K个数,最后再归并?这样复杂度就变成了O(nlogn).
所以快速选择算法只能在n不太大的时候用了。
还有很多解决方案,未完待续。。。