這是我在面試騰訊時遇到的真實面試題,在很多面經中也能看到它的身影,今天我們就來徹底地搞懂它!
問題描述
如何從 10w 的數據中找到最大的 100 個數?
首先看問題,10w 的數據,在堆上建個數組暴力求是沒有問題的,要找最大的 100 個數,那麼先從最簡單最暴力的方法開始。
1. 排序法
衆所周知,快速排序和堆排序的時間複雜度都可以達到 ,我們只要給 10w 數據排個序,然後取出前 100 個就好了。這種方法很暴力,在數據總數不是很大時確實可以使用,比如100個裏面取前20個;當然,面試時我們只需簡單地提一下這種解法,就可以說下一種優化方法了。至於排序,不是本文的重點。
接下來考慮優化,我們只需要前 100 個,爲什麼要把全部數據排序呢?
2. 局部排序法
我們回憶一下冒泡排序和選擇排序的過程,在前 k 次循環中,可以得出前 k 個最大/最小值。
以冒泡排序(降序)爲例:
for(int i = 0; i < n; i++) {
for (int j = 0; j < n-i-1; j++) {
if (arr[j] < arr[j+1])
swap(arr, j, j+1); // 交換 arr[j] 和 arr[j+1]
}
}
因此在這裏,我們正好利用這兩種排序算法的特性,簡單寫下代碼:
// 我們只需要把最外層的 n 換爲 k
for(int i = 0; i < k; i++) {
for (int j = 0; j < n-i-1; j++) {
//...
}
}
這樣子,就能獲得最大的前 k 個數,並且位於 arr 中的前 k 個位置,這樣的時間複雜度就變爲了 。
簡單比較下前兩種方法的時間複雜度: 和 ,到低哪個好,得根據 K 和 N 的大小來看,如果 K 較小(K <= ) 的情況下,我們可以採用局部排序法。
3. Partition
回憶一下快速排序,快排中的每一步,都是將待排數據分做兩組,其中一組的數據的任何一個數都比另一組中的任何一個大,然後再對兩組分別做類似的操作,然後繼續下去…
如下圖,將 arr
中的數據分爲小於 k
和大於k
兩部分:
接下來,我們來看怎麼利用這種思想求出最大的K
個數。
我們假設存在一個數組S
,從中隨意挑出了一個數 X
,然後將數組 S 分爲兩部分:
- A:大於等於X
- B:小於X
如下圖所示,我們對數組 S 進行 Partition
操作,可以得到兩種情況:
-
如果
A
的個數大於K
,那麼數組S
的最大K
個數,就是A
中的最大K
個數;這個很好理解,相當於說
年級
(S)前十名
(K)一定是年級前五十名
(A)中的前十名(K) -
如果
A
的個數小於K
,我們就需要在B
中找到剩餘的部分,也就是A
+B
中的K-|A|
個;同樣的,
年級
(S)前十名
(K)一定是年級前三名
(A)加上年級4-100名
(B)中的前7名
(K-|A|
);
如果上面這部分還沒理解,可以參考下方這個小例子,如果理解了,跳過即可:
我們只需重複上面的操作,遞歸直到找到前K
個數即可, 這樣的平均時間複雜度爲 。
這裏附一份僞代碼:
我根據這份僞代碼簡單寫了下代碼:(Java實現,但以通用方式來寫,對於cpp、go都有參考價值)
建議大家一定要自己動手實現,光看代碼是不夠的,萬一面試官讓你手寫代碼你就傻眼了。另外,這份代碼爲了好理解,很多地方實際上是不規範的,比如變量名用大寫字母等等,這些大家在寫的時候是可以想辦法去優化的。
public int[] KBig(int[] S, int K) {
if (K <= 0) {
return new int[0];
}
if (S.length <= K) {
return S;
}
Sclass sclass = Partition(S);
return contact(KBig(sclass.Sa, K), KBig(sclass.Sb, K - sclass.Sa.length));
}
public Sclass Partition(int[] S) {
Sclass sclass = new Sclass();
int p = S[0]; // 省略了隨機選擇元素的過程
for (int i = 1; i < S.length; i++) {
if (S[i] > p) {
sclass.Sa = append(sclass.Sa, S[i]);
} else {
sclass.Sb = append(sclass.Sb, S[i]);
}
}
if (sclass.Sa.length < sclass.Sb.length) {
sclass.Sa = append(sclass.Sa, p);
} else {
sclass.Sb = append(sclass.Sb, p);
}
return sclass;
}
注意到僞代碼中返回了兩個數組,我們這裏用一個類來存這兩個數組:
class Sclass { // 單純用來存儲兩個數組
int[] Sa = new int[0];
int[] Sb = new int[0];
}
輔助函數:
/**
* 在數組 arr 的末尾插入值 value
* @param arr 數組
* @param value 值
* @return 返回插入後的數組
*/
int[] append(int[] arr, int value) {
int[] res = new int[arr.length + 1];
System.arraycopy(arr, 0, res, 0, arr.length);
res[arr.length] = value;
return res;
}
/**
* 將兩個數組連接到一起
* @param a 數組a
* @param b 數組b
* @return 返回連接後的數組
*/
public int[] contact(int[] a, int[] b) {
int[] res = new int[a.length + b.length];
for (int i = 0; i < a.length; i++) { // 通用的拷貝方式
res[i] = a[i];
}
// 在 java 中實際上可以通過 System.arraycopy 完成拷貝
System.arraycopy(b, 0, res, a.length, b.length);
return res;
}
當你寫完代碼,測試一下就會發現,實際上這種方法返回的最大的K
個數是沒有排序的(其實題目也沒有要求你排序,且如果你對Partition
的過程很清楚的話, 你也很容易知道這裏返回的是無序的最大K個數)我們需要考慮清楚應用場景,有些場景沒有排序要求,有些場景有,要學會選擇。
4. 二分搜索
我們要找數組S
中最大的K
個數,那麼如果我們知道了第K
大的數,事情會變得簡單嗎?聰明的讀者可能已經發現了,如果我們知道了數組S
中第K
大的數p
,那麼我們只需遍歷一遍數組,就能找到最大的K
個數。(即所有大於等於p
的數),這一步的時間複雜度爲 。
有讀者可能會問,如果等於
p
的值有多個,這樣遍歷一遍取出來的數多於K
個,怎麼辦呢?事實上解決的辦法有很多,我這裏簡單說一種,遍歷的時候只把大於
p
的數取出來,最後根據大於p
的數和K
的差值,補相應的p
就好了。例子:
S = [1, 2, 3, 3, 5],p = 3,K = 2
;即我們知道第K
大的數p
爲 3,我們遍歷一遍 S,把所有大於p
的數取出來,即[5]
,接下來補K- [5].size() = 1
個p
,即[5,3]
就是最大的 K 個數。
回到我們的二分搜索方法中來,我們需要在S
中找到第K
大的數,僞代碼如下:
- Vmax:數組S中的最大值
- Vmin:數組S中的最小值
- delta:比
所有N個數中的任意兩個不相等的元素差值的最小值
小。如果所有元素都是整數, delta可以取值0.5。
整個算法的時間複雜度爲 。在數據平均分佈的情況下,時間複雜度爲 $ O(N*log_2N) $。
在整數的情況下,可以從另一個角度來看這個算法。假設所有整數的大小都在 之間,也就是說所有整數在二進制中都可以用
m bit
來表示(從低位到高位,分別用0, 1, ..., m-1
標記)。我們可以先考察在二進制位的第(m-1)
位,將N個整數按該位爲1
或者0
分成兩個部分。也就是將整數分成取值爲 和 兩個區間。
前一個區間中的整數第(m-1)
位爲0
,後一個區間中的整數第(m-1)
位爲1
。如果該位爲1的整數個數A
大於等於K
,那麼,在所有該位爲1
的整數中繼續尋找最大的K
個。否則,在該位爲0
的整數中尋找最大的K-A
個。接着考慮二進制位第(m-2)
位,以此類推。思路跟上面的浮點數的情況本質上一樣。
5. BFPRT算法
這個算法比較複雜,我們這裏不做詳細介紹,簡單說下, 也是類似快速排序的思想,但是能從n個元素的序列中選出第k
大/小的元素,且保證最壞時間複雜度爲 。
爲什麼 的算法不講,要去講那些看起來更 “慢” 的算法呢?要注意,我們通常講的時間複雜度是
平均
/最差
,而且是忽略掉係數的,真實應用場景下還要考慮是否容易實現(過於複雜的可能頻繁出bug
得不償失),還要考慮各種各樣的問題,並不是無腦選擇時間複雜度低的方法。
這個方法配合我們前面所說的,已知數組S
中第K
大的數p
,我們只需再遍歷一遍數組,就能找到最大的K
個數。這一步的時間複雜度也爲 。
所以總的時間複雜度就是 。
算法步驟:
-
將n個元素每5個一組,分成
n/5
(上界)組。 -
取出每一組的中位數,任意排序方法,比如插入排序。
-
遞歸的調用
selection
算法查找上一步中所有中位數的中位數,設爲x
,偶數箇中位數的情況下設定爲選取中間小的一個。 -
用
x
來分割數組,設小於等於x
的個數爲k
,大於x
的個數即爲n-k
。 -
若
i==k
,返回x
;若i!=k
,在大於x
的元素中遞歸查找第i-k
小的元素。終止條件:n=1
時,返回的即是i
小元素。
6. 最大最小堆
我們前面談到的解法有個共同的地方,如果數據量較大時,就得對數據訪問多次。
那麼如果面試官問的不是從 10w 中找100個數,而是10億呢? 這個時候數據是不能一次性讀入內存的,所以我們要盡可能少的遍歷所有數據。
回憶我們的堆排序,我們需要維護一個最大堆/最小堆,關鍵點就在這裏了。我們可以從100億個數據中取出前K
個,然後用這K
個數建立一個最小堆,之後去遍歷所有數據,每取出一個數,如果大於當前堆中的最小值,就替換掉當前的最小堆中的最小值,然後維護堆的秩序,只需遍歷所有數據一次,我們就能獲得有序的最大 K 個數
。維護堆的時間複雜度爲 ,所以算法總體的時間複雜度爲 。
囉嗦一句,我們這裏是用最小堆,去存最大的
k
個數,爲什麼不用最大堆來存呢?因爲更新的時候又得調換下順序,沒有必要多此一舉。
接下來我們詳細說說算法該怎麼實現,對堆排序熟悉的同學可能已經可以自己寫出來了,那麼可以跳過這部分。
我們使用一個數組H[]
來建立一個K=8
的堆:
我們知道,堆中的每個元素H[i]
,它的父親結點是H[i/2]
,左孩子結點是H[2*i+ 1]
,右孩子結點是H[2*i+2]
。每新考慮一個數X
,需要進行的更新操作僞代碼如下:
解讀下僞代碼,一開始進行判斷X
是否大於當前的堆裏面最小值,如果比這個堆的最小值還小,那就不用看了,肯定不是最大的K
個數之一;如果是大於最小值,那麼就替換掉最小值,如下圖所示:
然後我們就要維護堆的秩序了,依次將X
跟它的左右孩子進行比較,如果比它們大,就要交換,否則不動,假設X
大於H[1]
,那麼X
就要跟H[1]
交換:
交換完後,p=q
,所以接下來會繼續判斷X
和H[3]
的大小,假設X
小於H[3]
,那麼就X
就停止於此,結束循環。
7. 總結
方法 | 時間複雜度 | 特點 |
---|---|---|
排序法 | 實現簡單,數據量小,對速度要求不敏感 | |
局部排序法 | 實現簡單,數據量小,且對速度不敏感時, 時可以考慮使用 |
|
Partition | 速度快,返回數據無序 | |
二分搜索 | 速度較快,特定場景下可以使用位來實現 | |
BFPRT | 實際效果並沒有想象中的好 | |
最大最小堆 | 支持超大數據量,且可更新,有序 |
參考書籍:《編程之美》