【优先级队列（堆）】2.数据流中的第 K ⼤元素（easy）

优先级队列（堆）

• [2.数据流中的第 K ⼤元素（easy）](#2.数据流中的第 K ⼤元素（easy）)
• • 题⽬描述：
  • 解法（优先级队列）：
  • • 算法思路：
  • 算法代码：

2.数据流中的第 K ⼤元素（easy）

题⽬链接：703. 数据流中的第 K ⼤元素

题⽬描述：

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。

请实现 KthLargest 类：

KthLargest(int k, int[] nums) 使⽤整数 k 和整数流 nums 初始化对象。

int add(int val) 将 val 插⼊数据流 nums 后，返回当前数据流中第 k ⼤的元素。

⽰例：

输⼊：

"KthLargest", "add", "add", "add", "add", "add"

\[3, \[4, 5, 8, 2\]\], \[3\], \[5\], \[10\], \[9\], \[4\]

输出：

null, 4, 5, 5, 8, 8

解释：

KthLargest kthLargest = new KthLargest(3, [4, 5, 8, 2]);

kthLargest.add(3); // return 4

kthLargest.add(5); // return 5

kthLargest.add(10); // return 5

kthLargest.add(9); // return 8

kthLargest.add(4); // return 8

提⽰：

1 <= k <= 10^4

0 <= nums.length <= 10^4

-104 <= nums[i] <= 10^4

-104 <= val <= 10^4

最多调⽤ add ⽅法 10^4 次

题⽬数据保证，在查找第 k ⼤元素时，数组中⾄少有 k 个元素

解法（优先级队列）：

算法思路：

我相信，看到 TopK 问题的时候，兄弟们应该能⽴⻢想到「堆」，这应该是刻在⻣⼦⾥的记忆。

算法代码：

class KthLargest
{
 // 创建⼀个⼤⼩为 k 的⼩根堆
 PriorityQueue<Integer> heap;
 int _k;
 public KthLargest(int k, int[] nums) 
 {
	 _k = k;
	 heap = new PriorityQueue<>();
	 for(int x : nums)
	 {
		 heap.offer(x);
		 if(heap.size() > _k)
		 {
		 	heap.poll();
		 }
	 }
 }
 
 public int add(int val) 
 {
	 heap.offer(val);
	 if(heap.size() > _k)
	 {
	 	heap.poll();
	 }
	 return heap.peek();
 }
}
/**
 * Your KthLargest object will be instantiated and called as such:
 * KthLargest obj = new KthLargest(k, nums);
 * int param_1 = obj.add(val);
 */