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]