LeetCode347：前K个高频元素

问题描述

给定一个非空的整数数组，返回其中出现频率前 k 高的元素。

示例 1:

输入: nums = [1,1,1,2,2,3], k = 2
输出: [1,2]
示例 2:

输入: nums = [1], k = 1
输出: [1]
说明：

你可以假设给定的 k 总是合理的，且 1 ≤ k ≤ 数组中不相同的元素的个数。
你的算法的时间复杂度必须优于 O(n log n) , n 是数组的大小。

链接：https://leetcode-cn.com/problems/top-k-frequent-elements

问题分析

首先要统计出元素出现的频率，然后对频率进行排序，最后拿出对应的前K高的元素。
出现频率的统计可以使用字典，然后排序的时候为了考虑算法的复杂度必须优于$O(nlogn)$，所以可使用的排序方法不多
具有线性的时间复杂度的算法只有桶排序，基数排序和计数排序，而基数排序和计数排序的思想和桶排序是一样的，可以看成是桶排序。

解法一（使用基数排序）

def topKFrequent(nums,k):
    #以元素为字典中的key值，元素出现的频率为字典中的value值
    dictionary={}
    for i in nums:
        if dictionary.get(i) is None:
            dictionary[i]=1
        else:
            dictionary[i] += 1

    values=list(dictionary.values()) # 取出频率，准备排序

    #下面是基数排序
    #参考：
    i=0 # 起始位为个位
    j=3 # 最多设置到百位
    while i<j:
        bucket_list=[[] for _ in range(10)] # 每次位排序都需要初始设置10个桶
        for n in values:
            x=int(n/(10**i)%10) # 算出对应的位数，当i=0时，x为个位，当i=1时，x为十位
            bucket_list[x].append(n) # 按照位数放入各自的桶里
        c=[]
        for n in bucket_list:
            c=c+n # 将每个桶里的元素放进一个list中，进行下一步排序
        values=c
        i += 1

    output=[]
    
    # 下面是根据字典和频率的排序值取出对应的前K高频的数字
    for key, value in dictionary.items():
        if value>=values[-k]: # 注意是前k个高频的，不是第K高频的，因为基数排序习惯性是升序的，所以用-k来取值
            output.append(key)
    return output

运行结果：
执行用时 :76 ms, 在所有 Python3 提交中击败了47.91%的用户
内存消耗 :15.6 MB, 在所有 Python3 提交中击败了99.44%的用户

基数排序

更加简洁的写法如下：

def RadixSort(list, d): # list为需要排序的数组，d为最高位数
    for k in range(d):
        s=[[] for _ in range(10)]
        for i in list:
            s[int(i/(10**k)%10)].append(i)
        list=[j for i in s for j in i]
    return list

解法二（堆）

解法详细解释：前 K 个高频元素

class Solution:
    def topKFrequent(self, nums: List[int], k: int) -> List[int]:
        count = collections.Counter(nums)
        return heapq.nlargest(k, count.keys(), key=count.get)

运行结果：
执行用时 :56 ms, 在所有 Python3 提交中击败了96.61%的用户
内存消耗 :15.7 MB, 在所有 Python3 提交中击败了95.48%的用户

关于heapq库的相关操作指南在下面链接:
Python标准库模块之heapq
从一个集合中查找最大最小的N个元素——Python heapq 堆数据结构