第k个最大元素

809 阅读4分钟

今天给大家分享一道美团面试题。话不多说,直接看题。

01、题目示例

这个题目的变形很多,比如找 "前 K 个高频元素"、 "数据流中的第K大元素" 、"最接近原点的 K 个值" 等等等等。

第215题:第K个最大元素
在未排序的数组中找到第 k 个最大的元素。请注意,你需要找的是数组排序后的第 k 个最大的元素,而不是第 k 个不同的元素。

示例 1:

输入: [3,2,1,5,6,4]k = 2
输出: 5

示例 2:

输入: [3,2,3,1,2,4,5,5,6]k = 4
输出: 4

说明:

你可以假设 k 总是有效的,且 1 ≤ k ≤ 数组的长度。


02、大顶堆

堆在算法题目中的应用主要包括以下几点:

  • TopK 问题 (尤其是大数据处理)
  • 优先队列
  • 利用堆求中位数

这种题目,从个人来讲,我一般是比较偏好使用堆来做的。毕竟大小顶堆,刚好有着与本类题型契合的特性。如果对堆不太熟悉的话,可以先看下这篇文章:

那本题如何使用堆来做呢?假若我们的数组为[3,2,1,5,6,4],k=2,我们对其构造一个小顶堆(每个结点的值均不大于其左右孩子结点的值,堆顶元素为整个堆的最小值),整个过程是这样:


  • 构造一个小顶堆,依次将元素放入堆中,并保证堆中元素为k。

  • 如果当前元素小于堆顶元素,那基本就不用看了(因为我们要找的是 排序后的第 k 个最大的元素)

  • 自然,如果我们遇到比堆顶元素大的元素,就把它放入到堆中。

  • 重复上面的步骤:

然后根据分析,完成代码(今天就不手撕堆了,因为之前已经手撕过了。同时这里给大家一个建议,如果面试的时候,遇到这种TOPK的问题,假如特别有把握,肯定得手撕数据结构,一定会加分。但是如果没有把握,那就先用API实现,以 BugFree 为目标吧!)

//java
class Solution {
    public int findKthLargest(int[] nums, int k) {
        PriorityQueue<Integer> minQueue = new PriorityQueue<>(k);
        for (int num : nums) {
            if (minQueue.size() < k || num > minQueue.peek()) {
                minQueue.offer(num);
            }
            if (minQueue.size() > k) {
                minQueue.poll();
            }
        }
        return minQueue.peek();
    }
}

我也不知道为啥,Python永远就是这么牛X,朴实无华且枯燥!

//python
class Solution:
    def findKthLargest(self, nums: List[int], k: int) -> int:
        return heapq.nlargest(k, nums)[-1] # [6,5]

**注:**python可以使用heapq.nlargest 或 heapq.nsmallest,来找出某个集合中找出最大或最小的N个元素。

//python
>>> import heapq
>>> nums=[1,8,2,23,7,-4,18,23,42,37,2]
>>> print(heapq.nlargest(3,nums))
[42, 37, 23]
>>> print(heapq.nsmallest(3,nums))
[-4, 1, 2]

03、快排

快速排序(Quicksort)是对冒泡排序的一种改进。快速排序由C. A. R. Hoare在1960年提出。它的基本思想是:通过一趟排序将要排序的数据分割成独立的两部分,其中一部分的所有数据都比另外一部分的所有数据都要小,然后再按此方法对这两部分数据分别进行快速排序,整个排序过程可以递归进行,以此达到整个数据变成有序序列。


那对于本题,我们就是使用快排的思想,选定一个基准值,把比基准值大的放在基准值的右边,把基准值小的放在基准值的左边。若基准值刚好位于倒数第k个数,则基准值为目标值;反之,则递归处理目标值所处的那一部分数组。

func findKthLargest(nums []int, k int) int {
    idx := quickSort(0, len(nums) - 1, len(nums) - k, nums)
    return nums[idx]
}

func quickSort(l, r, pos int, nums []int) int {
    povit_idx := partition(l, r, nums)
    if pos == povit_idx {
        return povit_idx
    } else if pos > povit_idx {
        return quickSort(povit_idx + 1, r, pos, nums)
    } else {
        return quickSort(l, povit_idx - 1, pos, nums)
    }
}

func partition(l, r int, nums []int) int {
    s := l
    povit_value := nums[l]
    for l < r {
        for ;l < r && nums[r] >= povit_value; {
            r--
        }
        for ;l < r && nums[l] <= povit_value; {
            l++
        }
        if l < r {
            nums[l] = nums[r] ^ nums[l]
            nums[r] = nums[l] ^ nums[r]
            nums[l] = nums[r] ^ nums[l]
        }
    }
    nums[s] = nums[l]
    nums[l] = povit_value
    return l
}

执行结果:

整个快排的核心,其实就partition。partition 有 单向扫描,双向扫描 等多种写法。上面的代码,大家可以参考参考,看不懂也没关系,我后面是会单独安排一个快排的系列篇来进行讲解的,到时候一堆图解砸进来,保准你看的醍醐灌顶!


我把我写的所有题解都整理成了一本电子书,每道题都配有完整图解。点击即可下载

和小浩学算法