一、题目描述
Find the kth largest element in an unsorted array. Note that it is the kth largest element in the sorted order, not the kth distinct element.
Input: [3,2,1,5,6,4] and k = 2
Output: 5
二、题解
方法一:PQ 维护 k 个元素的最小堆
public int findKthLargest(int[] nums, int k) {
PriorityQueue<Integer> pQ = new PriorityQueue<>();
for (int n : nums) {
pQ.add(n);
if (pQ.size() > k)
pQ.poll();
}
return pQ.peek();
}
复杂度分析
- 时间复杂度: O ( N × l o g k ) O(N × logk) O(N×logk),N 为 nums 的元素个数,k 为最小堆中的元素。
- 空间复杂度: O ( k ) O(k) O(k),
方法二:自建 minHeapify
思路与算法
- 默认使用数组的前k个元素创建一个元素个数为 k 的小顶堆。
- 堆顶的元素是最小的,也当前堆中的 k 个元素的第 k 大元素,当然还有后面的逻辑。
- 遍历剩下的数组元素,只有比堆顶的元素要大,我们才让它替换对顶元素,然后重新调整堆结构。
public int findKthLargest1(int[] nums, int k) {
//前K个元素原地建小顶堆
buildHeap(nums, k);
//遍历剩下的元素,若有元素比堆顶小,则跳过;否则,交换后重新堆化
for (int i = k; i < nums.length; i++) {
if (nums[i] > nums[0]) {
swap(nums, i, 0);
heapify(nums, k, 0);
}
}
return nums[0];
}
// 从最后一个非叶子结点开始将数组堆化
public void buildHeap(int[] data, int K) {
for (int i = K/2 - 1; i >= 0; i--)
heapify(data, K, i);
}
private void heapify(int[] data, int K, int parentIndex) {
int minIndex = parentIndex;
while (true) {
int l = parentIndex * 2 + 1;
int r = parentIndex * 2 + 2;
if (l < K && data[l] < data[parentIndex])
minIndex = l;
if (r < K && data[r] < data[minIndex])
minIndex = r;
//如果minIndex没有发生变化,说明父节点已经是最小了,不用继续调整
if (minIndex == parentIndex)
break;
swap(data, parentIndex, minIndex);
parentIndex = minIndex;
}
}
private static void swap (int[] arr, int l, int r) {
int temp = arr[l];
arr[l] = arr[r];
arr[r] = temp;
}
复杂度分析
- 时间复杂度: O ( N l o g k ) O(Nlogk) O(Nlogk),buildHeap 时间复杂度为 O ( k ) O(k) O(k);遍历剩下元素并且堆化的时间复杂度为 ( N − k ) × O ( l o g k ) (N-k) × O(logk) (N−k)×O(logk),故总体的时间复杂度为: O ( N l o g k ) O(Nlogk) O(Nlogk)。
- 空间复杂度: O ( 1 ) O(1) O(1),
方法三:快速选择
快速选择就是每次进行区域划分的时候,选择一个中轴 p(设 x = a[p]),然后进行每一次区域划分后,数组 a 都会呈现这个样子:
- 区间 [ 0 , q ) [0, q) [0,q) 中的元素 ⩽ x \leqslant x ⩽x;
- 区间 [ q + 1 , N ) [q+1, N) [q+1,N) 中的元素 ⩾ x \geqslant x ⩾x
- 因为我无需保证所有元素都是有序的,这样做是比快排要高效地多的。
即:每经过一次这样操作就能缩小排序的范围
class Solution {
void swap (int[] a, int l, int r) {
int t = a[l];
a[l] = a[r];
a[r] = t;
}
int quick_select(int[] a, int l, int r, int k) {
if (l >= r)
return a[k];
int x = a[l + r >>> 1], i = l-1, j = r+1;
while (i < j) {
do i++; while (a[i] < x);
do j--; while (a[j] > x);
if (i < j) swap(a, i, j);
}
if (j >= k) return quick_select(a, l, j, k);
else return quick_select(a, j+1, r, k);
}
public int findKthLargest(int[] a, int k) {
int n = a.length;
return quick_select(a, 0, n-1, n-k);
}
}
这里 j j j 是从左往右数,第一个大于等于 x x x 的数位置,如果 j ⩾ k j \geqslant k j⩾k 则表示第一个大于等于 x x x 的数都在 k k k 的右边,那么我就没有必要再去右边找了
不知道是不是没有卡这个没有加随机化的算法,基本上是 0/1 ms,保险起见还是加上吧…
int quick_select(int[] a, int l, int r, int k) {
if (l >= r)
return a[k];
int p = (int)(Math.random() * (r-l+1)) + l, x = a[p], i = l-1, j = r+1;
while (i < j) {
do i++; while (a[i] < x);
do j--; while (a[j] > x);
if (i < j) swap(a, i, j);
}
if (j >= k) return quick_select(a, l, j, k);
else return quick_select(a, j+1, r, k);
}
复杂度分析
- 时间复杂度: O ( N ) O(N) O(N)
- 空间复杂度: O ( 1 ) O(1) O(1),