【leetcode703】【返回数据流中的第K大元素】

leetcode 703 返回数据流中的第K大元素

设计一个找到数据流中第K大元素的类（class）。注意是排序后的第K大元素，不是第K个不同的元素。你的 KthLargest 类需要一个同时接收整数 k 和整数数组nums 的构造器，它包含数据流中的初始元素。每次调用 KthLargest.add，返回当前数据流中第K大的元素。

示例：

int k = 3;
int[] arr = [4,5,8,2];
KthLargest kthLargest = new KthLargest(3, arr);
kthLargest.add(3); // returns 4
kthLargest.add(5); // returns 5
kthLargest.add(10); // returns 5
kthLargest.add(9); // returns 8
kthLargest.add(4); // returns 8

你可以假设 nums 的长度≥ k-1 且k ≥ 1

解题思路：

解法一：

比较直接，就是记录前K个数字，有新的数字进来，就排序一遍，把最小的扔出去，一直保留K个最大的值，使用最快的快排法，时间复杂度去到O(N·KlogK)，因为要把所有元素看一遍，所以乘上N

解法二：

使用优先队列，小顶堆实现，维护一个size为K的小顶堆，每次进来一个元素，就和顶点的值比较，顶点是K个值中最小的，如果比它小，就不用理会，如果比它大，那就扔掉顶点的值，放入新值，调整小顶堆。时间复杂度为O(N·logK)，小顶堆的调整操作为logK。这是流式数据，肯定会经过N次的计算，所以按照单次操作看，就是O(logK)，比解法一优化了K倍！！！

代码思路：

使用heapq函数库，初始化出来的就已经是小顶堆了，我曾经试过一个错误的思路，就是直接把前K个数放进一个空的self.heap里面，可是这样子做的话，一开始没有做到全部的数据nums排序一遍，所以还是直接先把数据载入heap中，然后再取出那些最小的值。 add函数就是如果堆还没满，可以直接添加，堆满了就判断大小

代码：

解法一

class KthLargest:

    def __init__(self, k: int, nums: List[int]):
        self.nums = sorted(nums,reverse=True)
        self.nums = self.nums[:k]
        self.k = k

    def add(self, val: int) -> int:
        self.nums.append(val)           
        self.nums = sorted(self.nums,reverse=True)
        if len(self.nums)<=self.k: #规避空列表问题
            return self.nums[-1]
        self.nums.pop()
        return self.nums[-1]
        

解法二

import heapq 
class KthLargest:
    def __init__(self,k,nums):
        self.k = k
       
        self.heap = nums
        heapq.heapify(self.heap)
        while len(self.heap) > k:
            heapq.heappop(self.heap)
            
            
    def add(self,val):
        if len(self.heap) < self.k : #堆的大小还没K大，可以直接放进去
            heapq.heappush(self.heap,val)
        elif self.heap[0] < val:
            heapq.heapreplace(self.heap,val)
        return self.heap[0]

k = KthLargest(3,[4,5,8,12])
print(k.add(3))
print(k.add(5))

$复杂度分析：$

1. 解法一
   时间复杂度：O(nklogk)，快排需要klogk，遍历n次
   空间复杂度：维护一个K大的数组，所以为O(K)

2. 解法二
   时间复杂度：单次的操作的时间复杂度为O(logK)，流式数据全部的时间复杂度为O(N·logK)，比第一种方法省了个k
   空间复杂度：O(K)，heap大小