【数据结构】堆排序与Top-K问题

Brant_zero2022

墨衍会员 · AI 创作全网分发码龄5年

关注

原创最新推荐文章于 2026-09-07 13:45:17 发布 860 阅读 AI 写同款· GEO 优化 ›

【数据结构】堆排序和Top-K问题（超详细) 堆排序和TopK 阅读详情

在上篇文章了解了堆的基本功能后，我们便可以使用堆来实现其独特的功能——堆排序与Top-K问题，我们一起来往下学习。

一、堆排序(test)的打印

基于上篇文章的学习，我们发现，如果是小堆，那堆顶的数据一定是最小的，那这样我们就可以每次打印出堆顶的元素，然后弹出堆顶的元素(最小的元素)，一直保持堆顶的元素是堆中最小的，这样，就可以将堆中的数据从小到大排序。

这样就可以将一个数组中的元素进行排序。

不难发现，我们这样排序的空间复杂度：O(N),时间复杂度：O(N*logN)。

但是我们一般排序都是将数组中的元素进行排序，而不是将其打印出来，接下来我们看看如何将数组中的值排序吧。

二、堆排序的插入

思想：

①以建小堆的方式，将数组中的值不断放入到堆中(建堆)。

②然后将堆顶的元素放回到数组中，然后弹出堆顶元素，直到堆为空，这样数组中就的值就有序了。

void HeapSortInsert(int* a, int n)
{
	//升序：建小堆，每次弹出堆中最小的元素
	Heap hp;
	HeapInit(&hp);
	//  将传入的a数组中的值，插入到堆中
	for (int i = 0; i < n; i++)
	{
		HeapPush(&hp, a[i]);
	}
	int i = 0;
	printf("\n升序:\n");
	//再将堆顶的数据依次插入到数组中   直到堆为空
	while (!HeapEmpty(&hp))
	{
		a[i++] = HeapTop(&hp);
		HeapPop(&hp);
	}
	printf("\n");
}

我们来看看排序之后的结果。

不难发现，使用了HeapSortInsert堆排序后，数组中的元素就被排好了序。

可是此时面临两个问题：

问题1：首先要写一个堆数据结构，将问题复杂化了。
问题2：虽然时间复杂度达到了O(N * lonN),但有O(N)的空间复杂度。

这样的堆排序完全没有展现出它结构优势，所以接下来我们要实现真正的堆排序，不用额外创建一个堆的数据结构，并且空间复杂度达到O(1);

三、堆排序

接下来算是真正的进入正题，如何实现堆排序。

3.1 堆排序的实现

思路：

①以升序为例，在原数组上建立一个大堆。

②从最后一个非叶子结点开始，使用向下调整算法开始建立大堆。

③因为堆顶元素最大，所以不断把堆顶元素放入数组末尾(即将大的沉到堆底，具体请看下面的GIF图)，然后将新堆顶的数据进行向下调整，使其稳定堆的结构，直到n个数调整完成。

void HeapSort(int* a, int n)
{
    for (int i = (n - 1 - 1) / 2; i >=0 ; i--)
	{
		//n是数组大小，数组大小即sizeof(a)的大小，数组操作实际是从下标开始操作
		AdjuestDown(a, n, i);
	}
	int end = n - 1;
	while (end>0)
	{
		swap(&a[0], &a[end]); //将最大的沉到堆底.
		AdjuestDown(a, end, 0);
		end--;
	}

}

3.2 堆排序的过程

我们排序这个数组来举例堆排序的实现

int main ()
{
    int a[] = { 65,17,9,53,45,23,78 };
	HeapSort(a, sizeof(a) / sizeof(a[0]));
	Print(a, sizeof(a) / sizeof(a[0]));
    return 0;
}

接下来我们来看看堆排序是如何将大堆的结构进而转化为升序的。

排完之后，我们将其输出：

这时，堆排序就实现了，此时，不管是时间复杂度O(N*logN),还是空间复杂度O(1)都达到了极限。

并且堆排序的只需要一个向下调整算法即可(AdjustDown),实现起来也没那么复杂了。

3.3 堆排序的注意事项

这里有四个注意的点：

①实现堆排序必须先完成建堆的过程，堆排序的建堆是在数组自身中建队，而在建堆过程中我们使用向下建堆的时间复杂度是O(N),向上调整建堆的空间复杂度是0(N*logN),具体推导过程我放在下面。

②向下调整建堆要从倒数第一个非叶子节点开始调整。即从最后一个节点的父亲开始调整。

计算那个结点的方式是：n-1是算出最后一个节点的下标，然后套规律 父亲=(孩子-1)/2。所以是(n-1-1) /2 。

③调用向下调整时的注意点：我们使用end表示堆未排序的最后一个元素的下标，在我们进行向下调整时，传入的调整数组大小是end，传入end+1则是整个数组。因为我们不想让刚下来的堆顶元素被调换，其下标是end，所以传入数组大小为end，最多调换到end-1下标处的元素，正好避免此元素被调整。

④要控制调整的次数。即while的条件是(end>0)，在end == 0时结束调整，因为当end为1时，end与堆顶元素即a[0]调整，如果不控制end == 0则会出现自己与自己调换，很明显这是不符合的。

3.4 向下调整建堆的效率

3.5 向上调整建堆的效率

四、 Top-K问题

4.1 Top-K问题是什么

Top-K问题：即求数据结合中前K个最大元素或最小的元素，一般情况下数据量比较大。

比如：专业前10名、世界500强、富豪榜、游戏中前100名活跃玩家

对于Top-K问题，能想到的最简单直接的方式就是排序，但是：如果数据量非常大，排序就不太可行了(数据量太大无法全部加载到内存中)，这时最佳的解决方案就是使用堆来解决。

4.2 Top-K的实现

思路如下：

①用数据集合中前K个元素来建堆

前k个最大的元素，建小堆

前k个最小的元素，建大堆

②用剩余的N-K个元素依次与堆顶元素来比较，不满足则替换堆顶元素

将剩余N-K个元素依次与堆顶元素比完之后，堆中剩余的K个元素就是所求的前K个最小或最大的元素。

//求n个数中的前k的数，建小堆。
void PrintTopK(int* a, int n, int k) {
	// 一、 建堆--用a中前k个元素建堆
	//先建立一个k个数的数组，有时可能会要求返回此数组，所以要使用malloc开辟数组。
	int* KMinHeap = (int*)malloc(sizeof(int) * k);
	assert(KMinHeap);
		//将k个元素先直接放入到数组中
		for (int i = 0; i < k; ++i)
		{
			KMinHeap[i] = a[i];
		}
		//使用向下建堆的方式构建堆   --  类似堆排序的建堆
		for (int i = (k - 1 - 1) / 2; i >= 0; i--)
		{
			AdjuestDown(KMinHeap, k, i);
		}
	// 2. 将剩余n-k个元素依次与堆顶元素交换，不满则则替换
		for (int j = k; j < n; ++j)
		{
			if (a[j] > KMinHeap[0])
			{
				KMinHeap[0] = a[j];
				AdjuestDown(KMinHeap, k, 0);
			}
		}
		//打印堆中的数据
		for (int i = 0; i < k; ++i)
		{
			printf("%d ", KMinHeap[i]);
		}
}

以上是以减小堆来举例，同样有几个注意的点。

1. 开始是直接将k个数放入到Top-k数组中，好比是创建了一个数组，然后使用向下调整，将其变为了小堆。

2.最大的K的数，应建小堆，因为此时堆顶的数据是Top-k数组中最小的，我们拿剩下的n-k个数与堆顶数据比较。如果出现比堆顶数据大的，则要放入堆，说明这个数是前K个，再向下调整到合适的位置。一直循环，直到遍历完这个数据集合。

4.3 检测Top-k

思路：

创建一个1000个数的数据集合，其中每个数都小于1w，然后让10个数大于1w，将这个数据集合传入函数中，让其打印出这10个元素，即可检测我们实现的Top-K是否有问题。

测试代码：

void TestTopk()
{
	int n = 1000;
	int* a = (int*)malloc(sizeof(int) * n);
	srand((unsigned int)time(NULL));
	for (int i = 0; i < n; ++i)
	{
		//所有数取模上10000，就导致生成的数不可能超过10000，
		a[i] = rand() % 10000;
	}
	//将其中几个数设置为1w以上。
	a[5] = 10000 + 1;
	a[121] = 10000 + 2;
	a[531] = 10000 + 3;
	a[511] = 10000 + 4;
	a[115] = 10000 + 5;
	a[335] = 10000 + 6;
	a[999] = 10000 + 7;
	a[76] = 10000 + 8;
	a[423] = 10000 + 9;
	a[314] = 10000 + 10;
	PrintTopK(a, n, 10);
}

结果如下：