方法一: 使用partition函数,将数组分为两组。partition函数是快速排序中用来把数组分成两部分的函数。
(1)分为两个组,sa和sb。
(2)若sa组的个数大于K,则继续在sa分组中找取最大的K个数字 。
(3)若sa组中的数字小于K ,其个数为T,则继续在sb中找取 K-T个数字 。
具体代码实现:
#include <iostream>
using namespace std ;
const int N = 8 ;
const int K = 4 ;
int partition(int a[] ,int low , int high)
{
int i = low - 1 ;
int j = low;
while(j < high)
{
if(a[j] >= a[high])
{
swap( a[i+1] , a[j]) ;
i++ ;
}
j++ ;
}
//最后处理a[high]
swap(a[i+1] , a[high]) ;
return i + 1;
}
int findk(int a[] , int low , int high , int k)
{
if(low < high)
{
int q = partition(a , low , high) ;
int len = q - low + 1 ; //表示第几个位置
if(len == k)
return q ; //返回第k个位置
else if(len < k)
return findk(a , q + 1 , high , k - len) ;
else
return findk(a , low , q - 1, k ) ;
}
}
int main()
{
int a[N] = {5 ,2 ,66 ,23, 11 ,1 ,4 ,55} ;
findk(a , 0 , N - 1 , K) ;
for(int i = 0 ; i < K ; i++)
cout<<a[i]<<endl ;
system("pause") ;
return 0 ;
}
方法二 :
此种方法为常用方法,建立一个大小为K的堆。每次遍历数组时,需要判断是否需要加入堆中。
堆中存储着的是最大的k个数字,但是若是需要插入堆中,则需要对堆进行调整时间为o(log k)。
全部的时间复杂度为o(n * log k)。
这种方法当数据量比较大的时候,比较方便。因为对所有的数据只会遍历一次,第一种方法则会多次遍历
数组。 如果所查找的k的数量比较大。可以考虑先求出k` ,然后再求出看k`+1 到 2 * k`之间的数字,然后
一次求取。
方法三:
利用二分的方法求取TOP k问题。
首先查找 max 和 min,然后计算出 mid = (max + min) / 2
该算法的实质是寻找最大的K个数中最小的一个。
代码如下:
#include <iostream>
using namespace std ;
const int N = 8 ;
const int K = 4 ;
/*
利用二分的方法求取TOP k问题。
首先查找 max 和 min,然后计算出 mid = (max + min) / 2
该算法的实质是寻找最大的K个数中最小的一个。
*/
int find(int * a , int x) //查询出大于或者等于x的元素个数
{
int sum = 0 ;
for(int i = 0 ; i < N ; i++ )
{
if(a[i] >= x)
sum++ ;
}
return sum ;
}
int getK(int * a , int max , int min) //最终max min之间只会存在一个或者多个相同的数字
{
while(max - min > 1) //max - min的值应该保证比两个最小的元素之差要小
{
int mid = (max + min) / 2 ;
int num = find(a , mid) ; //返回比mid大的数字个数
if(num >= K) //最大的k个数目都要比min值大
min = mid ;
else
max = mid ;
}
cout<<"end"<<endl;
return min ;
}
int main()
{
int a[N] = {54, 2 ,5 ,11 ,554 ,65 ,33 ,2} ;
int x = getK(a , 554 , 2) ;
cout<<x<<endl ;
getchar() ;
return 0 ;
}
for(sumCount = 0, v = MAXN -1; v >=0; v--)
{
cumCount += count[v];
if(sumCount >= k)
break;
}
return v;
个人觉得除了最后一种方法不行,其他的都可以。因为最后一种需要是正数。
提示:堆排序?当每一个网页权重更新的时候,更新堆。还有更好的方法吗?
4. 在实际应用中,还有一个“精确度”的问题。我们可能并不需要返回严格意义上的最大的K个元素,在边界位置允许出现一些误差。当用户输入一个query的时候,对于每一个文档d来说,它跟这个query之间都有一个相关性衡量权重f (query, d)。搜索引擎需要返回给用户的就是相关性权重最大的K个网页。如果每页10个网页,用户不会关心第1000页开外搜索结果的“精确度”,稍有误差是可以接受的。比如我们可以返回相关性第10 001大的网页,而不是第9999大的。在这种情况下,算法该如何改进才能更快更有效率呢?网页的数目可能大到一台机器无法容纳得下,这时怎么办呢?
提示:归并排序?如果每台机器都返回最相关的K个文档,那么所有机器上最相关K个文档的并集肯定包含全集中最相关的K个文档。由于边界情况并不需要非常精确,如果每台机器返回最好的K’个文档,那么K’应该如何取值,以达到我们返回最相关的90%*K个文档是完全精确的,或者最终返回的最相关的K个文档精确度超过90%(最相关的K个文档中90%以上在全集中相关性的确排在前K),或者最终返回的最相关的K个文档最差的相关性排序没有超出110%*K。
网上答案:答: 正如提示中所说,可以让每台机器返回最相关的 K' 个文档,然后利用归并排序的思想,得到所有文档中最相关的 K 个。 最好的情况是这 K 个文档在所有机器中平均分布,这时每台机器只要 K' = K / n ( n 为所有机器总数);最坏情况,所有最相关的 K 个文档只出现在其中的某一台机器上,这时 K' 需近似等于 K 了。我觉得比较好的做法可以在每台机器上维护一个堆,然后对堆顶元素实行归并排序。5. 如第4点所说,对于每个文档d,相对于不同的关键字q1, q2, …, qm,分别有相关性权重f(d, q1),f(d, q2), …, f(d, qm)。如果用户输入关键字qi之后,我们已经获得了最相关的K个文档,而已知关键字qj跟关键字qi相似,文档跟这两个关键字的权重大小比较靠近,那么关键字qi的最相关的K个文档,对寻找qj最相关的K个文档有没有帮助呢?
解答:肯定是有帮助的。 qi最相关的K个文档可能就是qj的最相关的K个文档,可以先假设这K个就是,然后根据问题四的解法获得K',分别和这K个比较,可以用堆进行比较,从而获得qj最相关的K个文档。由于最开始的K个文档极有可能是最终的K个文档,所以K'和K比较的次数可能并不多。
参考: