漫画:美团面试题(TOPK:求第K个最大的元素)

  • 2020 年 3 月 30 日
  • 笔记

今天是小浩算法“365刷题计划”第70天。分享一道美团面试题。话不多说,直接看题。

01 PART

第K个最大元素

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: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] 和 k = 2

输出: 5

示例 2:

输入: [3,2,3,1,2,4,5,5,6] 和 k = 4

输出: 4

02 PART

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:

漫画:BAT必考题目 (最小的k个数)

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]  

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]  

郑重申明(读我的文章必看):

  • 本系列所有教程都不会用到复杂的语言特性,大家无须担心没有学过相关语法,算法思想才是最重要的!
  • 作为学术文章,虽然风格可以风趣,但严谨,我是认真的。本文所有代码均在leetcode进行过测试运行。

03 PART

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。

//go  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  }  

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!