347. 前 K 个高频元素

347. 前 K 个高频元素
思路：
先求出每个元素的出现次数，然后根据出现次数排序
进阶：用小顶堆代替dict，优化时间复杂度

class Solution:
    def topKFrequent2(self, nums: List[int], k: int) -> List[int]:
        result = []
        d = {}
        for i in nums:
            if i not in d:
                d[i] = 1
            else:
                d[i] += 1
        # 以字典value排序，只要前k个 d.items()遍历的时间复杂度O(n),排序的时间复杂度O(logn),切片时间复杂度O(k)，综合实践复杂度O(nlogn)
        result = sorted(d.items(), key=lambda x:x[1], reverse=True)[:k]
        return [i[0] for i in result]

    def topKFrequent(self, nums: List[int], k: int) -> List[int]:
        # 进阶 时间复杂度 必须 优于 O(n log n)， 上面方法 时间复杂度O(nlogn)，用小顶堆可将时间复杂度优化到nlog(k), k<=n
        # 可以使用小顶堆，小顶堆中元素数量是k，以元素的数量排序，数量小的放到堆顶部 新增一个元素，会同时弹出堆顶的（最小的），到最后小顶堆中所有元素就是前k个高频元素，不需要考虑返回顺序
        d = {}
        for i in nums:
            if i not in d:
                d[i] = 1
            else:
                d[i] += 1
        # 小顶堆
        pri_que = []
        # 遍历d 以字典的value为顺序 放入小顶堆
        for key, value in d.items(): # 时间复杂度o(n) 
            heapq.heappush(pri_que, (value, key)) # 最小堆的插入、删除的时间复杂度都是log(k)，k代表最小堆中元素数量
            # 如果堆中数量大于k 就弹出堆顶的（低频元素）
            if len(pri_que) > k:
                heapq.heappop(pri_que) #  最小堆的插入、删除的时间复杂度都是log(k)，k代表最小堆中元素数量
        # 排序的时间复杂度nlog(k)
        # 此时 pre_que的格式是 [(数量，元素), (数量，元素)]，只需要返回元素
        return [i[1] for i in pri_que]