LeetCode-Python-347. 前K个高频元素

最新推荐文章于 2025-06-27 11:34:16 发布

原创最新推荐文章于 2025-06-27 11:34:16 发布 · 1.2k 阅读

1 ·

CC 4.0 BY-SA版权

Leetcode 同时被 2 个专栏收录

821 篇文章

订阅专栏

Python

664 篇文章

订阅专栏

本文介绍了解决寻找数组中出现频率最高的前k个元素问题的三种不同算法思路。第一种使用Python标准库快速实现；第二种采用最大堆优化性能；第三种进一步优化为最小堆，达到更优的时间复杂度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

给定一个非空的整数数组，返回其中出现频率前 k 高的元素。

示例 1:

输入: nums = [1,1,1,2,2,3], k = 2
输出: [1,2]

示例 2:

输入: nums = [1], k = 1
输出: [1]

说明：

你可以假设给定的 k 总是合理的，且 1 ≤ k ≤ 数组中不相同的元素的个数。
你的算法的时间复杂度必须优于 O(n log n) , n 是数组的大小。

第一种思路：

调库

class Solution(object):
    def topKFrequent(self, nums, k):
        """
        :type nums: List[int]
        :type k: int
        :rtype: List[int]
        """
        return [digit for digit, fre in collections.Counter(nums).most_common(k)]

第二种思路：

题目问前K个高频，就是求前k个出现次数最大的元素。

经典的TOP k问题一般都是用heap，此题同理。

比较朴素的方法是：

先统计一下每个元素出现的频率，然后把这些频率建最大堆，保证堆顶元素出现频率最大，

然后pop k次堆顶，即可找到前k个出现次数最大的元素。

class Solution(object):
    def topKFrequent(self, nums, k):
        """
        :type nums: List[int]
        :type k: int
        :rtype: List[int]
        """
        
        from collections import Counter
        from heapq import *
        # time: O(nlogn)
        # space: O(n)
        dic = Counter(nums) # O(n)
        
        heap = []
        heapify(heap)
        for key, val in dic.items():
            heappush(heap, (-val, key)) # O(nlogn)
            
        # print heap
        res = []
        while k: # O(klogn)
            top = heappop(heap)
            # print top
            res.append(top[1])
            k -= 1
        return res

第三种思路：

优化一下，实际上并不需要把所有元素都放进堆里，因为我们找到是前k个，所以堆的大小为k其实就够用了，

在这种情况下，建立并维护一个size 为k 的最小堆，使得堆顶元素的出现频率是堆中所有元素出现频率中最小的，

遍历字典，如果一个元素当前出现频率比堆顶元素的出现频率都要小，则说明它必不可能是 TOP k 元素；

否则，将当前元素插入堆中，并pop一次，以保证最小堆的size始终为k。

class Solution(object):
    def topKFrequent(self, nums, k):
        """
        :type nums: List[int]
        :type k: int
        :rtype: List[int]
        """
        
        from collections import Counter
        from heapq import *
        
        # time: O(nlogk)
        # space: O(n)
        dic = Counter(nums) # O(n)
        
        heap = []
        heapify(heap)
        
        for key, val in dic.items(): # O(nlogk)
            if len(heap) < k:
                heappush(heap, (val, key))
            else:
                if heap[0][0] < val:
                    heappush(heap, (val, key))
                    heappop(heap)
            
        # print heap
        res = []
        while heap: # O(klogk)
            top = heappop(heap)
            res.append(top[1])
        return res