法一:基于快速排序的选择方法
解题思路:
//215.数组的第k大元素
func findKthLargest(nums []int,k int)int{//定义查找第k大元素的函数
quickPartition(nums,0,len(nums)-1,k-1) // 对待排数组进行快排分区
return nums[k-1]//返回排序后的第k大元素
}
//定义快排分区函数,输入参数为待排序数组,待排区间的左右边界和目标位置
func quickPartition(nums []int,left,right,target int){
rand.Seed(time.Now().UnixNano())//以当前时间为种子生成随机数
random:=rand.Intn(right-left+1) +left//生成在待排区间内的随机数
privot:=nums[random]//以随机数为下标,用该随机数下标获得的元素作为基准数
nums[left],nums[random]=nums[random],nums[left]//将待排区间的第一个元素与基准数交换位置
index:=left//初始化index为待排区间左端点
for i:=left+1;i<=right;i++{//从待排区间的第二个元素开始,依次与基准数比较大小,将比基准数大的元素放到待排区间的前面
if nums[i]>=privot{
index++
//比基数大的放在左边,比基数小保留在已排序的元素序列的右侧,等待下一轮与更大的元素交换位置。
nums[index],nums[i]=nums[i],nums[index]
}
}
//最后,循环结束时,已经把比基数大的元素放在左边,比基数小的元素放在右边。
//这时候要把基数放在正确的位置,基数是左边大元素中的最小值,要把基数放在这些大元素的末尾,
//即要跟排好的最后一个大元素nums[index]交换位置
//这时候我们不用管基数左右两边的数是否排好序,因为基数左边的数都是比他大的,右边的都是比他小的,
//所以index位置的基数就是左边大元素的最小数,可以判断出它现在处于数组的第几个最大元素
nums[index],nums[left]=nums[left],nums[index]
//然后再去判断是不是我们要的第k大,如果当前index比第k大的数还小,那么第k大在index的左边,继续在基数左边的数组里分区
//如果当前index比第k大的数还大,那么第k大在index的右边,继续在基数右边的数组里分区
if index == target {
return
}else if index<target{
quickPartition(nums,index+1,right,target)
}else {
quickPartition(nums,left,index-1,target)
}
}
时间复杂度:
这段代码的时间复杂度为O(n),其中n为输入数组的长度。快速选择算法的平均时间复杂度为O(n),而该算法正是在对输入数组进行快排分区的过程中进行查找的,因此时间复杂度也为O(n)。具体地,每次在分区操作中,平均情况下可以将待排序区间缩小到原来的一半,因此总共需要进行O(log n)次分区操作。每次分区操作中需要进行线性的比较和交换操作,因此时间复杂度为O(n)。因此,快速选择算法的总时间复杂度为O(n log n),但在实际应用中,该算法的时间复杂度通常比较接近O(n)。
空间复杂度:
该算法的空间复杂度为O(1),因为它并没有使用任何与n相关的额外空间,所有的操作都是在原数组上进行的,没有使用任何辅助数组或数据结构。所以无论输入的规模大小,算法所需的额外空间都是常数级别的。
法二:基于堆排序的选择方法
留给下次写!!!