目录
4.思考 --->在解决topK的过程中优先级队列比排序的优点
题目
设计一个算法,找出数组中最小的k个数。以任意顺序返回这k个数均可。
题目来源:力扣
题目地址:力扣https://leetcode.cn/problems/smallest-k-lcci/
1.思路一
取前k个最小值,可以将这个数组,依次入优先级队列,然后依次出k次堆
代码实现一
public class topK {
/**
* topK问题
* 方法1:常规解法
* 求前k个最小值
* 建立优先级队列,将数组元素依次入堆,再依次出堆k次
* //时间复杂度:O((N+k)*logN)
*/
public int[] smallestK(int[] arr, int k) {
int[] ret = new int[k];
if(arr == null || k == 0){
return ret;
}
//O(NlogN)
Queue<Integer> minHeap = new PriorityQueue<>(arr.length);
for(int x : arr){
minHeap.offer(x);
}
//O(k*logN)
for(int i = 0; i < k; i++){
ret[i] = minHeap.poll();
}
return ret;
}
}
时间复杂度一 --->O((N+k)*logN)
2.思路二
1. 取前k个元素建立大根堆
这里涉及到如何创建大根堆的问题
1.1 priorityQueue默认创建的小根堆
1.2 通过传入一个比较器进行创建大根堆
1.3 源码是孩子节点小于父亲节点进行交换,这里改成大于父亲节点进行交换.
1.4 要想满足大于父亲节点进行交换,就要将integer的compare方法进行相反操作
2. 将数组剩余元素与堆顶元素进行比较,比对顶元素小,就将对顶元素进行出堆,将该元素进行入堆操作
3. 遍历堆取前k个值 * 4.要想求第k个最小值,就返回堆顶元素即可 * 时间复杂度:O(N*logK)
代码实现二
1.自定义比较器
package heap;
import java.util.Comparator;
/**
* Created with IntelliJ IDEA.
* Description:
* User: YAO
* Date: 2023-03-27
* Time: 11:24
*/
public class inComparator implements Comparator<Integer> {
//整形比较器
@Override
public int compare(Integer o1, Integer o2){
return o2.compareTo(o1);
}
}
2.进行获取前k个最小值
public class topK{
public static int[] smallestK2(int[] arr, int k) {
int[] ret = new int[k];
if(arr == null || k == 0){
return ret;
}
//O(NlogN)
inComparator inComparator = new inComparator();
Queue<Integer> maxHeap = new PriorityQueue<>(inComparator);
// 2.遍历数组的前k个放在堆中
//时间复杂度:O(k*logK)
for (int i = 0; i < k; i++) {
maxHeap.offer(arr[i]);
}
for (int i = k; i <arr.length ; i++) {
// 3.1如果比堆顶元素小,进行删除堆顶元素,该元素入堆
if (arr[i] < maxHeap.peek()){
maxHeap.poll();
maxHeap.offer(arr[i]);
}
// 3.1如果大于堆定元素,往后遍历
}
for (int i = 0; i < k; i++) {
ret[i] = maxHeap.poll();
}
return ret;
}
}
时间复杂度分析二 --->O(N*logK)
3.补充:求第k个最大值
直接返回优先级序列的堆顶元素即可
代码实现三
public class topK{
/**
* 第k个最大元素
* 最小根堆的堆顶元素
*/
public static int MaxK(int[] arr, int k) {
int[] ret = new int[k];
if(arr == null || k == 0){
return -1;
}
// 1.建立一个堆大小为k的小根堆
Queue<Integer> minHeap = new PriorityQueue<>(k);
// 2.遍历数组的前k个放在堆中
//时间复杂度:O(k*logK)
for (int i = 0; i < k; i++) {
minHeap.offer(arr[i]);
}
//时间复杂度:O((N-k)*logK)
// 3.遍历剩下的arr.length-k个元素,每次都与堆顶元素进行比较,
for (int i = k; i <arr.length ; i++) {
// 3.1如果比堆顶元素大,进行删除堆顶元素,该元素入堆
if (arr[k] > minHeap.peek()){
minHeap.poll();
minHeap.offer(arr[i]);
}
// 3.1如果小于堆定元素,往后遍历
}
return minHeap.peek();
}
}
4.思考 --->在解决topK的过程中优先级队列比排序的优点
TOP-K问题:即求数据集合中前K个最大的元素或者最小的元素,一般情况下数据量都比较大
比如:专业前10名、世界500强、富豪榜、游戏中前100的活跃玩家等。
对于Top-K问题,能想到的最简单直接的方式就是排序,但是:如果数据量非常大,排序就不太可取了(可能数据都
不能一下子全部加载到内存中)。
最佳的方式就是用堆来解决,基本思路如下:
1. 用数据集合中前K个元素来建堆
前k个最大的元素,则建小堆
前k个最小的元素,则建大堆
2. 用剩余的N-K个元素依次与堆顶元素来比较,不满足则替换堆顶元素将剩余N-K个元素依次与堆顶元素比完之后,堆中剩余的K个元素就是所求的前K个最小或者最大的元素。