LeetCode刷题之HOT100之前k个高频元素

Xummmerr

于 2024-07-14 11:49:27 发布

阅读量292

点赞数 5

文章标签： leetcode 算法数据结构 java

本文链接：https://blog.csdn.net/weixin_48424783/article/details/140412672

版权

2024 7/14

1、题目描述

在这里插入图片描述

2、算法分析

我的初步想法就是：创建一个哈希映射表，将键值对存储进去，那么我们怎么将出现频率前k高的元素给取出来呢？这就有点犯难了，那也只能看看题解啦！题解说利用堆排序，就可以将哈希表里面的进行排序，之后直接取出前k个值即可。
思路：

统计频率：
使用哈希表（HashMap）来统计每个数字在输入数组中出现的频率。这是因为哈希表提供了快速的键值对查找、插入和更新操作，非常适合用于计数任务。
利用优先队列（最大堆）：
创建一个优先队列（PriorityQueue），并通过自定义比较器将其配置为最大堆。最大堆是一种特殊的完全二叉树，其中每个父节点的值都大于或等于其子节点的值。在Java中，PriorityQueue默认是小顶堆，但可以通过提供自定义比较器来实现大顶堆。将哈希表中每个条目（即数字及其频率）作为Map.Entry对象添加到优先队列中。由于队列是按照频率降序排列的，因此频率最高的元素将始终位于队列的顶部。使用Lambda表达式可以实现大根堆排序：
(a, b) -> b.getValue() - a.getValue())
维护前k个高频元素：
由于只需要找到前k个高频元素，因此可以限制优先队列的大小为k。当尝试添加一个新元素到队列中，并且队列的大小已经达到k时，队列会自动移除当前频率最低的元素（即队列的底部元素），以保持队列中只有频率最高的k个元素。
提取结果：
最后，遍历优先队列（实际上是从队列中依次移除元素，因为poll()方法会移除并返回队列的头部元素），将前k个高频元素的键（即数字）存储在结果数组中并返回。

3、代码

public int[] topKFrequent(int[] nums, int k) {
        // 创建一个HashMap来统计每个数字出现的频率
        Map<Integer, Integer> map = new HashMap<Integer, Integer>();
        // 遍历输入的整数数组nums
        for(int num : nums){
            // 使用getOrDefault方法更新每个数字的频率，如果不存在则默认为0 
            map.put(num, map.getOrDefault(num, 0) + 1);
        }

        // 创建一个PriorityQueue（优先队列，这里用作最大堆），按照Map.Entry的value（即频率）降序排列
        PriorityQueue<Map.Entry<Integer, Integer>> queue = new PriorityQueue<>(
            // 使用lambda表达式定义比较器，确保队列按照频率降序排列
            (a, b) -> b.getValue() - a.getValue());

        // 将HashMap中的所有条目（即数字及其频率）添加到优先队列中 
        for(Map.Entry<Integer, Integer>entry : map.entrySet()){
            queue.offer(entry);
        }
        
        // 创建一个大小为k的整数数组来存储结果
        int[] res = new int[k];
        // 从优先队列中依次取出前k个频率最高的数字（即堆顶元素）
        for(int i = 0; i < k; i++){
            // poll方法会移除并返回队列的头部元素（这里是最大元素）
            res[i] = queue.poll().getKey();
        }
        // 返回包含前k个最高频率数字的结果数组
        return res;
    }

4、示例演示

初始数组为[1,1,1,2,2,3]
在这里插入图片描述
初始化HashMap并统计频率。

初始化最大堆优先队列，并将HashMap中的条目添加到队列中。

从队列中依次移除并返回前k个元素（在这个例子中是前两个元素），将它们的键存储在结果数组中。
返回结果数组[1, 2]。

5、复杂度分析

时间复杂度：O(Nlogk)，其中 N 为数组的长度。我们首先遍历原数组，并使用哈希表记录出现次数，每个元素需要 O(1) 的时间，共需O(N) 的时间。随后，我们遍历「出现次数数组」，由于堆的大小至多为 k，因此每次堆操作需要 O(logk) 的时间，共需O(Nlogk) 的时间。二者之和为 O(Nlogk)。
空间复杂度：O(N)。哈希表的大小为 O(N)，而堆的大小为 O(k)，共计为 O(N)。

okok，那就先这样吧，我的外卖到啦，吃饭去咯！