Top-k 问题

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。

方法一：遍历选择

我们可以进行下图所示的 \(k\) 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。

方法二：排序

如下图所示，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，因为我们只需找出最大的 \(k\) 个元素即可，而不需要排序其他元素。

方法三：堆

我们可以基于堆更加高效地解决 Top-k 问题，流程如下图所示。

1. 初始化一个小顶堆，其堆顶元素最小。
2. 先将数组的前 \(k\) 个元素依次入堆。
3. 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。
4. 遍历完成后，堆中保存的就是最大的 \(k\) 个元素。

示例代码如下：

1

[file]{top_k}-[class]{}-[func]{top_k_heap}

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，从而实现最大的 \(k\) 个元素的动态更新。

本页面的全部内容在 小熊老师 - 莆田青少年编程俱乐部 0594codes.cn 协议之条款下提供，附加条款亦可能应用