剑指 Offer 40. 最小的k个数 - leetcode 剑指offer系列
题目难度: 简单
原题链接
今天继续更新剑指 offer 系列, 个人感觉这道题出现频率极高, 而且其中的思路也可以用在很多其他题目中, 所以今天足足提供 4 种方案供大家参考
老样子晚上 6 点 45 分准时更新公众号 每日精选算法题, 大家记得关注哦~ 另外在公众号里回复 offer 就能看到剑指 offer 系列当前连载的所有文章了
题目描述
输入整数数组 arr ，找出其中最小的 k 个数。例如，输入 4、5、1、6、2、7、3、8 这 8 个数字，则最小的 4 个数字是 1、2、3、4。
- 0 <= k <= arr.length <= 10000
- 0 <= arr[i] <= 10000
题目样例
示例
输入：arr = [3,2,1], k = 2
输出：[1,2] 或者 [2,1]
题目思考
- 最简单的方案是什么?
- 如何一步步优化?
解决方案
方案 1
思路
- 一个最简单的思路相信大家都很容易想到, 那就是排序然后取前 k 个, 一行代码完事…
- 但这种方案时间复杂度比较差, 特别是当 N 特别大的时候, 所以还是有很多可以优化的地方
复杂度
- 时间复杂度
O(NlogN)- 需要排序
- 空间复杂度
O(1)- 不需要额外空间(原地排序时)
代码
class Solution:
def getLeastNumbers(self, arr: List[int], k: int) -> List[int]:
return sorted(arr)[:k]
方案 2
思路
- 维护一个大小为 k 的最大堆, 然后从头开始遍历:
- 当堆中元素数目不足 k 的时候, 直接加入堆中
- 否则要判断当前元素与堆顶大小, 如果当前元素更小的话, 就要拿它替代堆顶元素
- 这样最终堆中的元素就是最小的 k 个元素, 因为更大的元素在之前的遍历中就被替换出去了, 或者根本不会被加入堆中
- 这里先使用语言自带的优先队列来实现, 相比自己实现的版本会有所优化, 且代码更为精简
- python 对应的就是 heapq, 不过需要注意 heapq 是最小堆, 所以我们需要取相反数人为将其变成最大堆…
- 下面代码有详细的注释, 方便大家理解
复杂度
- 时间复杂度
O(NlogK)- 只需要遍历数组一遍, 遍历的时候需要插入堆, 插入的时间复杂度为
O(logK)
- 只需要遍历数组一遍, 遍历的时候需要插入堆, 插入的时间复杂度为
- 空间复杂度
O(K)- 堆空间的消耗
代码
import heapq
class Solution:
def getLeastNumbers(self, arr: List[int], k: int) -> List[int]:
# 注意k为0的特殊情况, 返回空数组
if k == 0:
return []
maxheap = []
for a in arr:
# 关键判断条件: 堆元素数目小于k/当前元素小于堆顶
if len(maxheap) < k or -maxheap[0] > a:
# 注意取相反数转成最大堆
heapq.heappush(maxheap, -a)
# 如果堆元素超过k的话, 弹出堆顶
if len(maxheap) > k:
heapq.heappop(maxheap)
# 注意转回原来的数
return [-x for x in maxheap]
方案 3
思路
- 和方案 2 一样, 但是面试官可能会要求你自己实现一个最大堆, 那就自己实现吧…
- 可以使用一个数组来模拟堆, 然后根据下标关系模拟堆的上浮和下沉操作
- 注意这里有所简化, 因为不需要每次追加元素, 而是说每次用新元素替换堆顶, 所以只需要下沉操作即可
- 下面代码有详细的注释, 方便大家理解
复杂度
- 时间复杂度
O(NlogK)- 只需要遍历数组一遍, 遍历的时候需要插入堆, 插入的时间复杂度为
O(logK)
- 只需要遍历数组一遍, 遍历的时候需要插入堆, 插入的时间复杂度为
- 空间复杂度
O(K)- 堆空间的消耗
代码
class MaxHeap:
def __init__(self, arr):
self.heap = arr
for i in range(len(arr) // 2 + 1)[::-1]:
# 这里使用快速建堆法构造出大小为k的堆, 即从n/2到0依次做下沉操作
# 也可以用插入法建堆, 那样可以初始化堆为空, 但需要额外实现上浮操作
self.sink(i)
def add(self, v):
if v < self.heap[0]:
# 只有当前元素小于堆顶时才替换并下沉
self.heap[0] = v
self.sink(0)
def sink(self, i):
# 下标从0开始, 所以左子节点下标是2i+1
child = 2 * i + 1
while child < len(self.heap):
if child + 1 < len(
self.heap) and self.heap[child + 1] > self.heap[child]:
# 右子节点存在且更大, 使用它
child += 1
if self.heap[child] > self.heap[i]:
# 只有当子节点比当前节点大的时候才交换
self.heap[i], self.heap[child] = self.heap[child], self.heap[i]
i = child
child = 2 * i + 1
else:
# 否则说明不需要继续下沉了, 直接退出
break
class Solution:
def getLeastNumbers(self, arr: List[int], k: int) -> List[int]:
if k == 0:
return []
# 初始化为前k个元素, 一次性下沉建堆
maxheap = MaxHeap(arr[:k])
for a in arr[k:]:
# 此时堆中已有k个元素, 只需要比较堆顶和当前元素即可, 将相关逻辑封装在add方法中
maxheap.add(a)
return maxheap.heap
方案 4
思路
- 回忆快速排序, 它的做法是根据 pivot 将数组分成两部分, 很契合这里的要求
- 所以我们可以直接利用它的思路, 不同的是划分之后这里只需要往一边递归, 类似二分查找的过程, 而不需要两边都排序
- 举个例子, 比如 n 是 10, k 是 3, 第一次划分之后的下标为 5, 那么我们只需要再考虑[0,4]的部分即可
- 下面代码有详细的注释, 方便大家理解
复杂度
- 时间复杂度平均
O(N), 最差O(N^2)- 如果每次划分都平分的话, 就是
N+N/2+N/4+...的等比序列, 总和为 2N, 所以是O(N) - 而最差情况是每次都只划分走了一个元素, 这样就是
N+(N-1)+(N-2)+..., 就是O(N^2)
- 如果每次划分都平分的话, 就是
- 空间复杂度
O(logN)- 递归的栈的平均深度
代码
class Solution:
def getLeastNumbers(self, arr: List[int], k: int) -> List[int]:
if k == 0:
return []
def partition(s, e):
if s >= e:
# 递归出口, 此时不需要额外划分
return
pivot = arr[s]
i, j = s, e
# 经典快速排序过程, 只是不需要像排序那样找到划分点后同时递归左右两个区间
while i < j:
# 先从后向前找第一个
while i < j and arr[j] >= pivot:
j -= 1
arr[i] = arr[j]
# 再从前向后找第一个>pivot的数, 并放在上一个空出来的坑中(下标j, 因为它已经被放入上一个下标为i的坑中了)
while i < j and arr[i] <= pivot:
i += 1
arr[j] = arr[i]
arr[i] = pivot
if i == k - 1:
# 当前划分点恰好划分出前k个最小数(包含i元素本身), 直接返回即可
# 当然这里用k来判断也行, 那下面的判断条件也要把k-1改成k, 就是说i左边的肯定是最小的k个
return
elif i < k - 1:
# 当前划分点不能划分出前k个最小数, 需要往右继续找
partition(i + 1, e)
else:
# 当前划分点划分了多于k个最小数, 需要往左继续找
partition(s, i - 1)
partition(0, len(arr) - 1)
return arr[:k]
大家可以在下面这些地方找到我~
我的知乎专栏
我的 CSDN
我的 Leetcode
我的牛客网博客
我的公众号: 每日精选算法题, 欢迎大家扫码关注~
