题目0215:数组中的第K个最大元素
题目描述
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
说明:你可以假设k总是有效的,且1 ≤ k ≤ 数组的长度。
解题技巧
约定:假设这里数组的长度为n。
题目分析:本题希望我们返回数组排序之后的倒数第k个位置。
- 方法一:基于快速排序的选择方法
思路和算法:我们可以用快速排序来解决这个问题,先对原数组排序,再返回倒数第k个位置,这样平均时间复杂度是O(n \log n),但其实我们可以做的更快。
首先我们来回顾一下快速排序,这是一个典型的分治算法。我们对数组a[l \cdots r]做快速排序的过程是(参考《算法导论》):
分解:将数组a[l \cdots r]划分成两个子数组a[l \cdots q - 1]、a[q + 1 \cdots r],使得a[l \cdots q - 1]中的每个元素小于等于a[q],且a[q]小于等于a[q + 1 \cdots r]中的每个元素。其中,计算下标q也是划分过程的一部分。
解决:通过递归调用快速排序,对子数组a[l \cdots q - 1]和a[q + 1 \cdots r]进行排序。
合并:因为子数组都是原址排序的,所以不需要进行合并操作,a[l \cdots r]已经有序。
上文中提到的划分过程是:从子数组a[l \cdots r]中选择任意一个元素x作为主元,调整子数组的元素使得左边的元素都小于等于它,右边的元素都大于等于它,x的最终位置就是q。 由此可以发现每次经过划分操作后,我们一定可以确定一个元素的最终位置,即x的最终位置为q,并且保证a[l \cdots q - 1]中的每个元素小于等于a[q],且a[q]小于等于a[q + 1 \cdots r]中的每个元素。所以只要某次划分的q为倒数第k个下标的时候,我们就已经找到了答案。我们只关心这一点,至于a[l \cdots q - 1]和a[q+1 \cdots r]是否是有序的,我们不关心。
因此我们可以改进快速排序算法来解决这个问题:在分解的过程当中,我们会对子数组进行划分,如果划分得到的q正好就是我们需要的下标,就直接返回a[q];否则,如果q比目标下标小,就递归右子区间,否则递归左子区间。这样就可以把原来递归两个区间变成只递归一个区间,提高了时间效率。这就是快速选择算法。
我们知道快速排序的性能和划分出的子数组的长度密切相关。直观地理解如果每次规模为n的问题我们都划分成1和n - 1,每次递归的时候又向n−1的集合中递归,这种情况是最坏的,时间代价是O(n^2)。我们可以引入随机化来加速这个过程,它的时间代价的期望是O(n),证明过程可以参考《算法导论》9.2:期望为线性的选择算法。
代码:
class Solution {
public:
int quickSelect(vector<int>& a, int l, int r, int index) {
int q = randomPartition(a, l, r);
if (q == index) {
return a[q];
} else {
return q < index ? quickSelect(a, q + 1, r, index) : quickSelect(a, l, q - 1, index);
}
}
inline int randomPartition(vector<int>& a, int l, int r) {
int i = rand() % (r - l + 1) + l;
swap(a[i], a[r]);
return partition(a, l, r);
}
inline int partition(vector<int>& a, int l, int r) {
int x = a[r], i = l - 1;
for (int j = l; j < r; ++j) {
if (a[j] <= x) {
swap(a[++i], a[j]);
}
}
swap(a[i + 1], a[r]);
return i + 1;
}
int findKthLargest(vector<int>& nums, int k) {
srand(time(0));
return quickSelect(nums, 0, nums.size() - 1, nums.size() - k);
}
};
复杂度分析
时间复杂度:O(n),如上文所述,证明过程可以参考《算法导论》9.2:期望为线性的选择算法。
空间复杂度:O(\log n),递归使用栈空间的空间代价的期望为O(\log n)。
- 方法二:基于堆排序的选择方法
思路和算法:我们也可以使用堆排序来解决这个问题——建立一个大根堆,做k−1次删除操作后堆顶元素就是我们要找的答案。在很多语言中,都有优先队列或者堆的的容器可以直接使用,但是在面试中,面试官更倾向于让更面试者自己实现一个堆。所以建议读者掌握这里大根堆的实现方法,在这道题中尤其要搞懂建堆、调整和删除的过程。
友情提醒:堆排在很多大公司的面试中都很常见,不了解的同学建议参考《算法导论》或者大家的数据结构教材,一定要学会这个知识点哦! ^_^
class Solution {
public:
void maxHeapify(vector<int>& a, int i, int heapSize) {
int l = i * 2 + 1, r = i * 2 + 2, largest = i;
if (l < heapSize && a[l] > a[largest]) {
largest = l;
}
if (r < heapSize && a[r] > a[largest]) {
largest = r;
}
if (largest != i) {
swap(a[i], a[largest]);
maxHeapify(a, largest, heapSize);
}
}
void buildMaxHeap(vector<int>& a, int heapSize) {
for (int i = heapSize / 2; i >= 0; --i) {
maxHeapify(a, i, heapSize);
}
}
int findKthLargest(vector<int>& nums, int k) {
int heapSize = nums.size();
buildMaxHeap(nums, heapSize);
for (int i = nums.size() - 1; i >= nums.size() - k + 1; --i) {
swap(nums[0], nums[i]);
--heapSize;
maxHeapify(nums, 0, heapSize);
}
return nums[0];
}
};
复杂度分析
时间复杂度:O(n \log n),建堆的时间代价是O(n),删除的总代价是O(k \log n),因为 k < n,故渐进时间复杂为O(n + k \log n) = O(n \log n)。
空间复杂度:O(\log n)O(logn),即递归使用栈空间的空间代价。