3.8 KiB
| comments |
|---|
| true |
8.3 Top-K 问题
!!! question
给定一个长度为 $n$ 无序数组 `nums` ，请返回数组中前 $k$ 大的元素。
对于该问题，我们先介绍两种思路比较直接的解法，再介绍效率更高的堆解法。
8.3.1 方法一：遍历选择
我们可以进行图 8-6 所示的 k 轮遍历，分别在每轮中提取第 $1$、$2$、$\dots$、k 大的元素，时间复杂度为 O(nk) 。
此方法只适用于 k \ll n 的情况，因为当 k 与 n 比较接近时，其时间复杂度趋向于 O(n^2) ，非常耗时。
图 8-6 遍历寻找最大的 k 个元素
!!! tip
当 $k = n$ 时，我们可以得到完整的有序序列，此时等价于“选择排序”算法。
8.3.2 方法二：排序
如图 8-7 所示，我们可以先对数组 nums 进行排序，再返回最右边的 k 个元素，时间复杂度为 O(n \log n) 。
显然，该方法“超额”完成任务了，因为我们只需要找出最大的 k 个元素即可，而不需要排序其他元素。
图 8-7 排序寻找最大的 k 个元素
8.3.3 方法三：堆
我们可以基于堆更加高效地解决 Top-K 问题，流程如图 8-8 所示。
- 初始化一个小顶堆，其堆顶元素最小。
- 先将数组的前
k个元素依次入堆。 - 从第
k + 1个元素开始，若当前元素大于堆顶元素，则将堆顶元素出堆，并将当前元素入堆。 - 遍历完成后，堆中保存的就是最大的
k个元素。
=== "<1>"
=== "<2>"
=== "<3>"
=== "<4>"
=== "<5>"
=== "<6>"
=== "<7>"
=== "<8>"
=== "<9>"
图 8-8 基于堆寻找最大的 k 个元素
总共执行了 n 轮入堆和出堆，堆的最大长度为 k ，因此时间复杂度为 O(n \log k) 。该方法的效率很高，当 k 较小时，时间复杂度趋向 O(n) ；当 k 较大时，时间复杂度不会超过 O(n \log n) 。
另外，该方法适用于动态数据流的使用场景。在不断加入数据时，我们可以持续维护堆内的元素，从而实现最大 k 个元素的动态更新。
=== "Python"
```python title="top_k.py"
[class]{}-[func]{top_k_heap}
```
=== "C++"
```cpp title="top_k.cpp"
[class]{}-[func]{topKHeap}
```
=== "Java"
```java title="top_k.java"
[class]{top_k}-[func]{topKHeap}
```
=== "C#"
```csharp title="top_k.cs"
[class]{top_k}-[func]{topKHeap}
```
=== "Go"
```go title="top_k.go"
[class]{}-[func]{topKHeap}
```
=== "Swift"
```swift title="top_k.swift"
[class]{}-[func]{topKHeap}
```
=== "JS"
```javascript title="top_k.js"
[class]{}-[func]{topKHeap}
```
=== "TS"
```typescript title="top_k.ts"
[class]{}-[func]{topKHeap}
```
=== "Dart"
```dart title="top_k.dart"
[class]{}-[func]{topKHeap}
```
=== "Rust"
```rust title="top_k.rs"
[class]{}-[func]{top_k_heap}
```
=== "C"
```c title="top_k.c"
[class]{}-[func]{topKHeap}
```
=== "Zig"
```zig title="top_k.zig"
[class]{}-[func]{topKHeap}
```