N个数选出M个最小或最大值，topk算法

一种遍历一次即可得到TOPK的算法

def get_topk(tensor_1d, topk=3):
    # value in topk_vals are placed by descending order
    topk_vals = [-float("Inf")] * topk
    topk_idxs = [0] * topk

    for idx, elem in enumerate(tensor_1d):
        if elem > topk_vals[topk - 1]:
            for i in range(topk):
                # find where current top value should be placed
                # then we right shift the topk_vals to place the top value
                if elem > topk_vals[i]:
                    # right shift
                    for j in reversed(range(i, topk-1)):
                        topk_vals[j+1] = topk_vals[j]
                        topk_idxs[j+1] = topk_idxs[j]
                    
                    topk_vals[i] = elem
                    topk_idxs[i] = idx
                    break
    return topk_vals, topk_idxs

tensor_1d=[1,2,3,4,4,5,5,6]

topk_vals, topk_idxs = get_topk(tensor_1d, topk=3)

print(topk_vals)
print(topk_idxs)

该方法保存top k元素的数组，然后遍历每个元素，依次向后与该数组元素比较，找到大于当前top元素的位置，然后从当前位置右移top k元素的数组并插入该top元素。

一种基于直方图的方法

有时候需要N个数选出M个最小或最大值算法，但并未要求选出的M个数据需要有序排列，那么这使得算法复杂度可以很低。这里给出一种可行的方法，比常见的一些方法具有更加显著的速度。

1，找出N个数据的最大和最小值。需要一次N个数据遍历。

2，根据最大最小值根据一个间隔创建一个直方图，N个数据遍历一次，进行直方图统计。例如，直方图间隔为k，则每次直方图（CurDat-MinDat）/K位置加1即可.

3，根据直方图从最小或最大处开始，找到累积大于等于M个元素的阈值，需要一次直方图遍历。

4，根据步骤3找到的阈值选出M1个数据，需要一次N个数据遍历。

5，由于M1可能略大于M，稍作后处理移除即可。可能需要对M1进行多余数据次数的排序。

该方法的缺点则是第3步缺乏准确性，导致选出的数据会略大于需求个数，在一些极端情况下可能工作不好。但在我的应用中，未限定死选出的最小数必须为M个，只需要近似即可，因此该方法具有较好实现性和性能。