【Java】TOP-K问题

TOP-K问题

题目
算法的思路详解
- 整体排序法
- 整体建立小顶堆法
- [大小为 K 的大顶堆法](#大小为 K 的大顶堆法)
code

题目

https://leetcode.cn/problems/smallest-k-lcci/description/

算法的思路详解

整体排序法

核心思路 ：

既然要找最小的前 K 个元素，那就干脆把所有元素排好序，然后直接取前 K 个。

执行步骤：

将整个数组从小到大排序
取出排序后数组的前 K 个元素

优点：代码最简单，思路最直接
缺点：做了很多"无用功"------我们只需要前 K 小，却把整个数组都排好了

整体建立小顶堆法

核心思路 ：

用小顶堆的特性------堆顶永远是最小值。把所有元素放入堆中，然后依次弹出堆顶，弹出来的就是从小到大的顺序。

执行步骤：

把所有 N 个元素放入一个小顶堆（建堆 O(N)）
从堆顶弹出元素，弹出来的就是当前最小值
重复弹出 K 次，得到前 K 小的元素

优点：比排序法稍快（建堆 O(N) vs 排序 O(N log N)）
缺点：仍然需要存储全部 N 个元素

大小为 K 的大顶堆法

核心思路 ：

维护一个"门槛"------只关心前 K 小的元素，大于门槛的统统不要。用大顶堆来记录当前找到的 K 个候选，堆顶是这 K 个里面最大的（也就是当前的"门槛"）。

执行步骤：

先用前 K 个元素建一个大顶堆（堆顶是这 K 个中最大的）
遍历剩下的 N-K 个元素：
- 如果当前元素小于堆顶（门槛），说明它应该进入前 K 小
- 把堆顶（最大的那个）踢出去，把当前元素加进来
遍历结束后，堆里剩下的就是前 K 小的元素

为什么用大顶堆？

因为我们要快速知道当前 K 个候选中的最大值是谁，新来的只要比它小，就能替换掉它。

优点：内存占用极小（只存 K 个元素），适合海量数据（比如 10 亿个数找前 100 小）
缺点：实现稍复杂

code

整体排序法

java 复制代码

// 1. 整体排序法
 public static List<Integer> topKBySorting(int[] arr, int k) {
     if (arr == null || arr.length == 0 || k <= 0) return new ArrayList<>();
     int[] copy = Arrays.copyOf(arr, arr.length);
     Arrays.sort(copy);
     List<Integer> result = new ArrayList<>();
     for (int i = 0; i < k && i < copy.length; i++) {
         result.add(copy[i]);
     }
     return result;
 }

整体建立小顶堆法

java 复制代码

// 2. 整体建立小顶堆法（把所有元素放入小顶堆，再弹出前K个）
public int[] smallestK(int[] arr, int k) {
   int []result=new int [k];

   if (arr == null || arr.length == 0 || k <= 0) return result;

   PriorityQueue<Integer> heap = new PriorityQueue<>(); // 小顶堆
   for (int num : arr) {
       heap.offer(num);
   }

   for (int i = 0; i < k ; i++) {
       result[i]=(heap.poll());
   }
   return result;
    
}

大小为K的大顶堆法

java 复制代码

// 3. 大小为K的大顶堆法（推荐，适合大数据量）

class IntCmp implements Comparator<Integer> {
    @Override
    public int compare(Integer o1, Integer o2) {
        return o2.compareTo(o1);
    }
}
class Solution {
    public int[] smallestK(int[] arr, int k) {
       int []result=new int [k];

       if (arr == null || arr.length == 0 || k <= 0) return result;

       PriorityQueue<Integer> heap = new PriorityQueue<>(new IntCmp()); // 大顶堆

       for (int i=0;i< k; i++) {
            heap.offer(arr[i]);
       }

       for(int j=k;j<arr.length;j++){
            if(heap.peek()>arr[j]){
                heap.poll();
                heap.offer(arr[j]);
            }
       }

       for (int l = 0; l < k ; l++) {
           result[l]=(heap.poll());
       }
       return result;
        
    }
}

三种方法对比

方法	思路
整体排序	全部排好序，再取前 K 个
整体小顶堆	所有元素进堆，再弹出 K 次
大小为 K 的大顶堆	维持一个 K 大小的"候选池"，池里最大的就是门槛

方法	时间复杂度	空间复杂度	说明
整体排序	O(N log N)	O(N) 或 O(log N)（原地排序）	简单直接，但不需要全部排序
整体小顶堆	O(N + K log N)	O(N)	建立堆 O(N)，弹出 K 次 O(K log N)
大小为 K 的大顶堆	O(N log K)	O(K)	最适合流式/海量数据，内存占用最小