topK问题

最新推荐文章于 2022-03-27 20:54:13 发布
原创 最新推荐文章于 2022-03-27 20:54:13 发布 · 261 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

博客主要提及了topK问题，这是信息技术领域常见问题，在数据处理、算法设计等方面有重要应用。

topK问题

面试超爱问的TopK问题，这篇彻底搞明白
bigsai
12-16 4927
文章首发公众号：bigsai 首发博客csdn 收录在github算法仓库 前言 hello，大家好，我是bigsai哥哥，好久不见，甚是想念哇????！ 今天给大家分享一个TOPK问题，不过我这里不考虑特别大分布式的解决方案，普通的一道算法题。 首先搞清楚，什么是topK问题？ topK问题，就是找出序列中前k大(或小)的数，topK问题和第K大(或小)的解题思路其实大致一致的。 TopK问题是一个非常经典的问题，在笔试和面试中出现的频率都非常非常高(从不说假话)。下面，从小小白的出发点,认为to
海量数据查重和求topK问题
ljy的博客
01-02 1251
查重：数据是否有重复，以及数据重复的次数topK：有几亿个数字。求元素的值，前K大/小，第K大/小去重：去掉重复多次的数字，数字只保留一份。
TopK问题
11-19 684
从arr[1, n]这n个数中，找出最大的k个数，这就是经典的TopK问题 https://mp.weixin.qq.com/s/FFsvWXiaZK96PtUg-mmtEw 全局排序，O(n*lg(n)) 局部排序，只排序TopK个数，O(n*k) 堆，TopK个数也不排序了，O(n*lg(k)) 分治法，每个分支“都要”递归，例如：快速排序，O(n*lg(...
topk问题
u014204761的博客
10-02 244
1. 排序 全局排序时间复杂度O(nlog(n)) 2. 局部排序:冒泡排序 保证了前k个最大数是有序的 时间复杂度O(n*k) 3. 可以不关心前k个数是否有序 堆排  时间复杂度 O(nlog(k)) 堆是经典的求topk的算法 4. 随机选择，基于快速排序，快速排序的核心是：i = partition(arr, low, high)，其中i返回的是（初始化元素t = arr[0])的位...
topK问题。
matilda_art的博客
05-27 253
topK问题 给定一批数，如n个， 然后从中找出k个最大（小）的数。 具体一个场景，比如给出1000w个数，找出最大的100个。 topK思路 在求解 TopK 问题时, 使用堆是最佳方法。 思路： 先把数组前K个元素建立一个堆，后面每拿到一个元素就和堆顶元素进行比较。 前k个最大的建立小堆，前K个最小的建立大堆。 topK实现 public class TopK { public static Integer[] topK(int[] array,int k){ MyCompar
topK 问题的5种解决方案
09-26
### TopK 问题的五种解决方案 在计算机科学与数据处理领域中，TopK 问题是一种常见的需求场景，其核心任务是从一个数组或列表中找到最大的 K 个元素。这类问题广泛应用于各种场合，比如搜索引擎返回最相关的 K 条...
[数据结构]堆的经典——TopK问题与堆排序
weixin_46016019的博客
03-27 3196
详细讲解堆中经典的TopK问题与堆排序以及实现源码
Top k问题
最新发布
12-07
### Top k 问题的详细介绍 Top k 问题指的是求数据集合中前 k 个最大的元素或者最小的元素，一般情况下数据量都比较大。比如专业前 10 名、世界 500 强、富豪榜、游戏中前 100 的活跃玩家等，都属于 Top k 问题的实际应用场景[^1]。 ### Top k 问题的解决方案 #### 1. 排序法 最简单直接的方式就是对所有数据进行排序，然后取前 k 个元素。不过这种方法存在明显弊端，快速排序的平均复杂度为 $O(nlogn)$，但最坏时间复杂度为 $O(n^2)$，不能始终保证较好的复杂度。并且只需要前 k 大的元素，却对其余不需要的数也进行了排序，浪费了大量排序时间[^2]。 #### 2. 堆解法 最佳的方式是用堆来解决。基本思路是用数据集合中前 k 个元素来建堆，若求前 k 个最大的元素，则建小堆；若求前 k 个最小的元素，则建大堆。以下是使用 C 语言实现用堆解决 Top k 问题的代码示例： ```c #include <stdio.h> #include <stdlib.h> #include <time.h> // 向下调整函数 void AdjustDown(int* topk, int k, int i) { int parent = i; int child = 2 * parent + 1; while (child < k) { if (child + 1 < k && topk[child + 1] < topk[child]) { child++; } if (topk[child] < topk[parent]) { int temp = topk[child]; topk[child] = topk[parent]; topk[parent] = temp; parent = child; child = 2 * parent + 1; } else { break; } } } // 打印前 k 个最大元素 void PrintTopk(const char* file, int k) { int* topk = (int*)malloc(sizeof(int) * k); FILE* fout = fopen(file, "r"); if (fout == NULL) { perror("fopen error"); return; } // 读出前 k 个建堆 for (int i = 0; i < k; i++) { fscanf(fout, "%d", &topk[i]); } for (int i = (k - 1 - 1) / 2; i >= 0; i--) { AdjustDown(topk, k, i); } // 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 int val = 0; int ret = fscanf(fout, "%d", &val); while (ret != EOF) { if (val > topk[0]) { topk[0] = val; AdjustDown(topk, k, 0); } ret = fscanf(fout, "%d", &val); } for (int i = 0; i < k; i++) { printf("%d ", topk[i]); } free(topk); fclose(fout); } // 测试函数 void TestTopk() { int n = 10000; srand(time(0)); const char* file = "data.txt"; FILE* fin = fopen(file, "w"); if (fin == NULL) { perror("fopen error"); return; } for (size_t i = 0; i < n; i++) { int x = rand() % 10000; fprintf(fin, "%d\n", x); } PrintTopk(file, 10); } int main() { TestTopk(); return 0; } ``` 该代码通过文件存储数据，先读取前 k 个元素构建小堆，再用剩余元素与堆顶比较，若比堆顶大则替换堆顶并调整堆，最终输出前 k 个最大元素[^4]。 #### 3. 快速选择法 快速选择可以看做是快速排序的子过程，只关注某一部分元素的选择过程。例如，寻找数组中 top - k 个最小的元素，假设某一次 partition 后 pivot 元素所在的数组索引为 m： - 若 $m == k$，那么它之前的 k 个元素即所求结果，直接返回即可； - 若 $m > k$，那么最小的 k 个元素必定位于 pivot 的左侧，只需要对左侧数组递归进行 partition； - 若 $m < k$，那么 pivot 左侧的 m 个元素是结果的一部分，还需对右侧数组递归进行 partition，寻找右侧数组中最小的 $k - m$ 个元素[^3]。 #### 4. 优先队列法 在 Java 中可以使用优先队列（堆）来解决 Top k 问题。以下是一个求数组中最小的 k 个数的 Java 代码示例： ```java import java.util.PriorityQueue; import java.util.Comparator; class Solution { public int[] smallestK(int[] arr, int k) { if (arr == null || k == 0) { return new int[0]; } PriorityQueue<Integer> priorityQueue = new PriorityQueue<>(new Comparator<Integer>() { @Override public int compare(Integer o1, Integer o2) { return o2 - o1; } }); // 然后将前 k 个数据加入 for (int i = 0; i < k; i++) { priorityQueue.offer(arr[i]); } // 从下标第 k 个开始判断，小则删除堆顶，加入 for (int i = k; i < arr.length; i++) { int val = priorityQueue.peek(); if (val > arr[i]) { // 弹出大 priorityQueue.poll(); // 加入小的 priorityQueue.offer(arr[i]); } } // 加入数组 int[] temp = new int[k]; for (int i = 0; i < k; i++) { temp[i] = priorityQueue.poll(); } return temp; } } ``` 该代码先将前 k 个数据构建成大根堆，然后从第 k 个下标开始比较堆顶数据和当前下标的数据，如果比堆顶的小，则删除堆顶数据，添加当前下标数据，然后进行调整，直到遍历完数组后，堆中的 k 个数据就是最小的 k 个数，最后将堆中数据放入数组返回[^5]。 ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值