自学内容网 自学内容网
自学内容网 > 正文

LeetCode 347.前 K 个高频元素

🕗 发布于 2024-10-06 20:13 leetcode  算法  c++  python  

题目描述

给你一个整数数组 nums 和一个整数 k ，请你返回其中出现频率前 k 高的元素。你可以按 任意顺序 返回答案。

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]

提示：

  • 1 <= nums.length <= 10^5
  • k 的取值范围是 [1, 数组中不相同的元素的个数]
  • 题目数据保证答案唯一，换句话说，数组中前 k 个高频元素的集合是唯一的

进阶：你所设计算法的时间复杂度 必须 优于 O(n log n) ，其中 n 是数组大小。

思路

本题主要有两个难点，一是如何求数组里每个元素出现的次数，二是如何对这个出现的次数进行排序，并求前k高频的元素。

求出现的次数可以使用map来进行记录，key存放元素，value存放出现的次数。

本题笔者的做法是将map转化为vector数组（使用pair）后再进行自定义排序。

不过，题目要求求的是前k个高频元素，我们其实没有必要对所有的元素进行排序，只需要维护k个有序的元素集合即可，比较经典的数据结构是大顶堆和小顶堆，它们擅长在大数据集里求前k个高频或者低频的元素。本题可以用堆去遍历map里的所有元素，让堆里维持k个元素，等遍历完成后，堆的k个元素就是前k个高频元素。如果维护的是大顶堆，那堆里维护的其实是前k个低频元素，因为堆是从堆顶pop元素的，而大顶堆的堆顶是最大的元素，这样每次都会将弹出大的元素。因此，本题应使用小顶堆，将小的元素全部pop出去，留下的就是前k个高频元素。

最后使用result数组存放从小顶堆中输出的元素时要让i从size-1开始，即倒序遍历result数组。

代码

C++版：

方法一：（笔者的做法：哈希表）

typedef pair<long long, int> PAIR; // 重命名pair
class Solution {
public:
    // 自定义比较函数
    static bool cmp_by_value(const PAIR& lhs, const PAIR& rhs) {  
        return lhs.second > rhs.second;  
    }  
    // 自定义函数对象，重载()，为sort()指定相应的Compare类
    struct CmpByValue {  
        bool operator()(const PAIR& lhs, const PAIR& rhs) {  
            return lhs.second > rhs.second;  
        }  
    };
    vector<int> topKFrequent(vector<int>& nums, int k) {
        // 哈希表法，使用map作为哈希表
        unordered_map<long long,int> m;
        vector<int> result;
        // 计数
        for(int i=0;i<nums.size();i++){
            if(m.find(nums[i])==m.end()){
                m[nums[i]]=1;
            }else{
                m[nums[i]]+=1;
            }
        }
        // 把unordered_map中的元素转存到vector中
        vector<PAIR> v(m.begin(),m.end());
        // 对map按value排序
        sort(v.begin(), v.end(),cmp_by_value); 
        // sort(v.begin(), v.end(),CmpByValue()); 
        // 取出前k个高频词
        for(int i=0;i<k;i++){
            result.push_back(v[i].first);
        }
        return result;
        

    }
};

方法二：（小顶堆）时间复杂度: O(nlogk)，空间复杂度: O(n)

class Solution {
public:
    // 小顶堆
    class mycomparison {
    public:
        bool operator()(const pair<int, int>& lhs, const pair<int, int>& rhs) {
            return lhs.second > rhs.second;
        }
    };

    vector<int> topKFrequent(vector<int>& nums, int k) {
        // 先统计元素出现的次数
        unordered_map<int, int> map; // map<nums[i],对应出现的次数>
        for (int i = 0; i < nums.size(); i++) {
            map[nums[i]]++;
        }

        // 对频率排序
        // 定义一个小顶堆，大小为k
        priority_queue<pair<int, int>, vector<pair<int, int>>, mycomparison> pri_que;

        // 用固定大小为k的小顶堆，扫面所有频率的数值
        for (unordered_map<int, int>::iterator it = map.begin(); it != map.end(); it++) {
            pri_que.push(*it);
            if (pri_que.size() > k) { // 如果堆的大小大于了K，则队列弹出，保证堆的大小一直为k
                pri_que.pop();
            }
        }

        // 找出前K个高频元素，因为小顶堆先弹出的是最小的，所以倒序来输出到数组
        vector<int> result(k);
        for (int i = k - 1; i >= 0; i--) {
            result[i] = pri_que.top().first;
            pri_que.pop();
        }
        return result;
    }
};class Solution {
public:
    // 小顶堆
    class mycomparison {
    public:
        bool operator()(const pair<int, int>& lhs, const pair<int, int>& rhs) {
            return lhs.second > rhs.second;
        }
    };

    vector<int> topKFrequent(vector<int>& nums, int k) {
        // 先统计元素出现的次数
        unordered_map<int, int> map; // map<nums[i],对应出现的次数>
        for (int i = 0; i < nums.size(); i++) {
            map[nums[i]]++;
        }

        // 对频率排序
        // 定义一个小顶堆，大小为k
        priority_queue<pair<int, int>, vector<pair<int, int>>, mycomparison> pri_que;

        // 用固定大小为k的小顶堆，扫面所有频率的数值
        for (unordered_map<int, int>::iterator it = map.begin(); it != map.end(); it++) {
            pri_que.push(*it);
            if (pri_que.size() > k) { // 如果堆的大小大于了K，则队列弹出，保证堆的大小一直为k
                pri_que.pop();
            }
        }

        // 找出前K个高频元素，因为小顶堆先弹出的是最小的，所以倒序来输出到数组
        vector<int> result(k);
        for (int i = k - 1; i >= 0; i--) {
            result[i] = pri_que.top().first;
            pri_que.pop();
        }
        return result;
    }
};

Python版：

方法二：（小顶堆）

import heapq
class Solution:
    def topKFrequent(self, nums: List[int], k: int) -> List[int]:
        #统计元素出现的次数
        sumMap = {} #nums[i]:对应出现的次数
        for i in range(len(nums)):
            sumMap[nums[i]] = sumMap.get(nums[i], 0) + 1
        #对出现的次数排序
        #定义一个小顶堆，大小为k
        pri_que = [] #小顶堆
        #用固定大小为k的小顶堆，扫描所有元素出现的次数
        for key, freq in sumMap.items():
            heapq.heappush(pri_que, (freq, key))
            if len(pri_que) > k: #如果堆的大小大于了K，则队列弹出，保证堆的大小一直为k
                heapq.heappop(pri_que)
        
        #找出前K个高频元素，因为小顶堆先弹出的是最小的，所以倒序来输出到数组
        result = [0] * k
        for i in range(k-1, -1, -1):
            result[i] = heapq.heappop(pri_que)[1]
        return result

需要注意的地方

1.sort中的比较函数compare要声明为静态成员函数或全局函数，不能作为普通成员函数，否则会报错。

原因：非静态成员（non-static）函数是依赖于具体对象的，而std::sort这类函数是全局的，因此无法再sort中调用非静态成员函数。静态成员函数或者全局函数是不依赖于具体对象的, 可以独立访问，无须创建任何对象实例就可以访问。

同时静态成员函数不可以调用类的非静态成员（因为非静态成员是依赖于对象的，有可能对象不存在，只有类存在，那就会出现错误）。一般来说就声明为main函数外面的全局函数，在力扣中就声明为static。

2.优先级队列是一种容器适配器，从队头取元素，从队尾添加元素，再无其他取元素的方式，看起来就是一个队列，实际是堆，而且优先级队列内部元素是自动依照元素的权值排列。缺省情况下priority_queue利用max-heap（大顶堆）完成对元素的排序，这个大顶堆是以vector为表现形式的complete binary tree（完全二叉树）。

3.堆是一棵完全二叉树，树中每个结点的值都不小于（或不大于）其左右孩子的值。如果父亲结点是大于等于左右孩子就是大顶堆，小于等于左右孩子就是小顶堆。


原文地址：https://blog.csdn.net/weixin_50878507/article/details/142529386

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

相关文章

自学内容网
Copyright © 2015-2024