题目: 我有一个文件, 里面存储了10亿个商品销量数据, 如何找出前1000大的数据?
分析:
第一种最容易想到的方法是将数据全部排序,在排序后的集合中进行查找,最快的排序算法的时间复杂度一般为O(nlogn),如快速排序。但是在32位的机器上,每个float类型占4个字节,10亿个浮点数就要占用400MB的存储空间,对于一些可用内存小于400M的计算机而言,很显然是不能一次将全部数据读入内存进行排序的。显然该方法并不高效,因为题目的目的是寻找出最大的10000个数即可,而排序却是将所有的元素都排序了,做了很多的无用功。
第二种方法为局部淘汰法,该方法与排序方法类似,用一个容器保存前10000个数,然后将剩余的所有数字——与容器内的最小数字相比,如果所有后续的元素都比容器内的10000个数还小,那么容器内这个10000个数就是最大10000个数。如果某一后续元素比容器内最小数字大,则删掉容器内最小元素,并将该元素插入容器,最后遍历完这10亿个数,得到的结果容器中保存的数即为最终结果了。此时的时间复杂度为O(n+m^2),其中m为容器的大小,即10000。
第三种方法是分治法,将10亿个数据分成100份,每份100万个数据,找到每份数据中最大的10000个,最后在剩下的100份数据里面找出最大的10000个。如果100万数据选择足够理想,那么可以过滤掉10亿数据里面99%的数据。100万个数据里面查找最大的10000个数据的方法如下:用快速排序的方法,将数据分为2堆,如果大的那堆个数N大于10000个,继续对大堆快速排序一次分成2堆,如果大的那堆个数N大于10000个,继续对大堆快速排序一次分成2堆,如果大堆个数N小于10000个,就在小的那堆里面快速排序一次,找第10000-n大的数字;递归以上过程,就可以找到第1w大的数。参考上面的找出第1w大数字,就可以类似的方法找到前10000大数字了。此种方法需要每次的内存空间为10^64=4MB,一共需要101次这样的比较。
第四种方法是Hash法。如果这10亿个书里面有很多重复的数,先通过Hash法,把这10亿个数字去重复,这样如果重复率很高的话,会减少很大的内存用量,从而缩小运算空间,然后通过分治法或最小堆法查找最大的10000个数。
第五种方法采用最小堆。首先读入前10000个数来创建大小为10000的最小堆,建堆的时间复杂度为O(mlogm)(m为数组的大小即为10000),然后遍历后续的数字,并于堆顶(最小)数字进行比较。如果比最小的数小,则继续读取后续数字;如果比堆顶数字大,则替换堆顶元素并重新调整堆为最小堆。整个过程直至10亿个数全部遍历完为止。然后按照中序遍历的方式输出当前堆中的所有10000个数字。该算法的时间复杂度为O(nmlogm),空间复杂度是10000(常数)。
实际运行: 实际上,最优的解决方案应该是最符合实际设计需求的方案,在时间应用中,可能有足够大的内存,那么直接将数据扔到内存中一次性处理即可,也可能机器有多个核,这样可以采用多线程处理整个数据集。
最小堆找出Top N数据
这种情况下, 可以用堆来做, 我在内存中维护一个1000数的小顶堆, 根据堆的性质, 每一个节点都比它的左右子节点要小
[56, 30, 71, 18, 29, 93, 44, 75, 20, 65, 68, 34]
-----------------------
18
/ \
29 71 ← 93, 44, 75, 20, 65, 68, 34
/ \
56 30
先取前N个数, 构成小顶堆
然后再从文件中读取数据, 并且和堆顶比较大小, 如果比堆顶还小, 直接丢弃
如果比堆顶大, 就替换堆顶, 并调整最小堆
93比堆顶的18大, 将18替换下来
93
/ \
29 71 ← 18, 44, 75, 20, 65, 68, 34
/ \
56 30
然后对小顶堆进行调整, 保持小顶堆的性质(29和93换位置, 然后30和93换位置)
29
/ \
30 71 ← 18, 44, 75, 20, 65, 68, 34
/ \ -------
56 93
30
/ \
44 71 ← 18, 29, 75, 20, 65, 68, 34
/ \ ----------
56 93
44
/ \
56 71 ← 18, 29, 30, 20, 65, 68, 34
/ \ --------------
75 93
.
.
.
65
/ \
68 71 ← 18, 29, 30, 20, 44, 56, 34
/ \ -----------------------------
75 93
所有数据都处理完毕后, 小顶堆内就是topN
这样的话, 数据只需要读取一次, 不会存在数据多次读写问题
下面是参考代码:
package com.neeyoo.normal;
import java.util.Random;
/**
* Created by NeeYoo.
* Created on 2019/12/26.
* Description:
*/
public class TopN {
// 一般都用数组来表示堆,n结点的父结点下标就为(n – 1) / 2。它的左右子结点下标分别为2 * n + 1 和 2 * n + 2。
private int parent(int n) {
return (n - 1) / 2; // 父节点
}
private int left(int n) {
return 2 * n + 1; // 左孩子
}
private int right(int n) {
return 2 * n + 2; // 右孩子
}
// 构建堆
private void buildHeap(int n, int[] data) {
for (int i = 1; i < n; i++) {
int t = i;
// 调整堆
while (t != 0 && data[parent(t)] > data[t]) {
int temp = data[t];
data[t] = data[parent(t)];
data[parent(t)] = temp;
t = parent(t);
}
}
}
// 调整data[i]
private void adjust(int i, int n, int[] data) {
if (data[i] <= data[0]) {
return;
}
// 置换堆顶
int temp = data[i];
data[i] = data[0];
data[0] = temp;
// 调整堆顶
int t = 0;
while ((left(t) < n && data[t] > data[left(t)])
|| (right(t) < n && data[t] > data[right(t)])) {
if (right(t) < n && data[right(t)] < data[left(t)]) {
// 右孩子更小,置换右孩子
temp = data[t];
data[t] = data[right(t)];
data[right(t)] = temp;
t = right(t);
} else {
// 否则置换左孩子
temp = data[t];
data[t] = data[left(t)];
data[left(t)] = temp;
t = left(t);
}
}
}
// 寻找topN,该方法改变data,将topN排到最前面
public void findTopN(int n, int[] data) {
// 先构建n个数的小顶堆
buildHeap(n, data);
System.out.println("-------------------构建完成,开始调整----------------------");
// n往后的数进行调整
for (int i = n; i < data.length; i++) {
adjust(i, n, data);
}
}
// 打印数组
public void print(int[] data) {
for (int i = 0; i < data.length; i++) {
System.out.print(data[i] + " ");
}
System.out.println();
}
public static void main(String[] args) {
TopN topN = new TopN();
// 第一组测试
int[] arr1 = new int[]{56, 30, 71, 18, 29, 93, 44, 75, 20, 65, 68, 34};
System.out.println("原数组:");
topN.print(arr1);
topN.findTopN(5, arr1);
System.out.println("调整后数组:");
topN.print(arr1);
// 第二组测试
int[] arr2 = new int[1000];
for (int i = 0; i < arr2.length; i++) {
arr2[i] = i + 1;
}
System.out.println("原数组:");
topN.print(arr2);
topN.findTopN(50, arr2);
System.out.println("调整后数组:");
topN.print(arr2);
// 第三组测试
Random random = new Random();
int[] arr3 = new int[1000000];
for (int i = 0; i < arr3.length; i++) {
arr3[i] = random.nextInt();
}
System.out.println("原数组:");
topN.print(arr3);
long startTime = System.currentTimeMillis();
topN.findTopN(50, arr3); // 1亿数据99ms, 1千万数据17ms, 1百万数据8ms
System.out.println("耗时: " + (System.currentTimeMillis() - startTime) + "毫秒");
System.out.println("调整后数组:");
topN.print(arr3);
}
}