————— 第二天 —————
题目是什么意思呢？比如给定的无序数组如下：
如果 k=6，也就是要寻找第6大的元素，这个元素是哪一个呢？
显然，数组中第一大的元素是24，第二大的元素是20，第三大的元素是17 ...... 第6大的元素是9。
方法一：排序法
这是最容易想到的方法，先把无序数组从大到小进行排序，排序后的第k个元素，自然就是数组中的第k大元素。
方法二：插入法
维护一个长度为k的数组A的有序数组，用于存储已知的k个较大的元素。
接下来遍历原数组，每遍历到一个元素，和数组A中最小的元素相比较，如果小于等于数组A的最小元素，继续遍历；如果大于数组A的最小元素，则插入到数组A中，并把曾经的最小元素“挤出去”。
比如k=3，先把最左侧的7,5,15三个数有序放入数组A当中，代表当前最大的三个数。
这时候，遍历到3， 由于3<5，继续遍历。
接下来遍历到17，由于17>5，插入到数组A的合适位置，类似于插入排序，并把原先最小的元素5“挤出去”。
继续遍历原数组，一直遍历到数组的最后一个元素......
最终，数组A中存储的元素是24,20,17，代表着整个数组中最大的3个元素。此时数组A中的最小的元素17就是我们要寻找的第k大元素。
————————————
什么是二叉堆？不太了解的小伙伴可以先看看这一篇：漫画：什么是二叉堆？（修正版）
简而言之，二叉堆是一种特殊的完全二叉树，它包含大顶堆和小顶堆两种形式。
其中小顶堆的特点，是每一个父节点都小于等于自己的子节点。要解决这个算法题，我们可以利用小顶堆的特性。
方法三：小顶堆法
维护一个容量为k的小顶堆，堆中的k个节点代表着当前最大的k个元素，而堆顶显然是这k个元素中的最小值。
遍历原数组，每遍历一个元素，就和堆顶比较，如果当前元素小于等于堆顶，则继续遍历；如果元素大于堆顶，则把当前元素放在堆顶位置，并调整二叉堆（下沉操作）。
遍历结束后，堆顶就是数组的最大k个元素中的最小值，也就是第k大元素。
假设k=5，具体的执行步骤如下：
1.把数组的前k个元素构建成堆。
2.继续遍历数组，和堆顶比较，如果小于等于堆顶，则继续遍历；如果大于堆顶，则取代堆顶元素并调整堆。
遍历到元素2，由于 2<3，所以继续遍历。
遍历到元素20，由于 20>3，20取代堆顶位置，并调整堆。
遍历到元素24，由于 24>5，24取代堆顶位置，并调整堆。
以此类推，我们一个一个遍历元素，当遍历到最后一个元素8的时候，小顶堆的情况如下：
3.此时的堆顶，就是堆中的最小值，也就是数组中的第k大元素。
这个方法的时间复杂度是多少呢？
1.构建堆的时间复杂度是 O（k）
2.遍历剩余数组的时间复杂度是O（n-k）
3.每次调整堆的时间复杂度是 O（logk）
其中2和3是嵌套关系，1和2,3是并列关系，所以总的最坏时间复杂度是O（（n-k）logk + k）。当k远小于n的情况下，也可以近似地认为是O（nlogk）。
这个方法的空间复杂度是多少呢？
刚才我们在详细步骤中把二叉堆单独拿出来演示，是为了便于理解。但如果允许改变原数组的话，我们可以把数组的前k个元素“原地交换”来构建成二叉堆，这样就免去了开辟额外的存储空间。
因此，方法的空间复杂度是O（1）。
（代码要左右滑动噢~）
1. /**
2. * 寻找第k大的元素
3. * @param array 待调整的堆
4. * @param k 第几大
5. */
6. public static int findNumberK(int[] array, int k){
7. //1.用前k个元素构建小顶堆
8. buildHeap(array, k);
9. //2.继续遍历数组，和堆顶比较
10. for(int i=k; i array[0]){
12. array[0] = array[i];
13. downAdjust(array, 0, k);
14. }
15. }
16. //3.返回堆顶元素
17. return array[0];
18. }
19.
20.
21. /**
22. * 构建堆
23. * @param array 待调整的堆
24. * @param length 堆的有效大小
25. */
26. private static void buildHeap(int[] array, int length) {
27. // 从最后一个非叶子节点开始，依次下沉调整
28. for (int i = (length-2)/2; i >= 0; i--) {
29. downAdjust(array, i, length);
30. }
31. }
32.
33.
34. /**
35. * 下沉调整
36. * @param array 待调整的堆
37. * @param index 要下沉的节点
38. * @param length 堆的有效大小
39. */
40. private static void downAdjust(int[] array, int index, int length) {
41. // temp保存父节点值，用于最后的赋值
42. int temp = array[index];
43. int childIndex = 2 * index + 1;
44. while (childIndex < length) {
45. // 如果有右孩子，且右孩子小于左孩子的值，则定位到右孩子
46. if (childIndex + 1 < length && array[childIndex + 1] < array[childIndex]) {
47. childIndex++;
48. }
49. // 如果父节点小于任何一个孩子的值，直接跳出
50. if (temp <= array[childIndex])
51. break;
52. //无需真正交换，单向赋值即可
53. array[index] = array[childIndex];
54. index = childIndex;
55. childIndex = 2 * childIndex + 1;
56. }
57. array[index] = temp;
58. }
59.
60.
61.
62. public static void main(String[] args) {
63. int[] array = new int[] {7,5,15,3,17,2,20,24,1,9,12,8};
64. System.out.println(findNumberK(array, 5));
65. }
方法四：分治法
大家都了解快速排序，快速排序利用分治法，每一次把数组分成较大和较小的两部分。
我们在寻找第k大元素的时候，也可以利用这个思路，以某个元素A为基准，把大于于A的元素都交换到数组左边，小于A的元素都交换到数组右边。
比如我们选择以元素7作为基准，把数组分成了左侧较大，右侧较小的两个区域，交换结果如下：
包括元素7在内的较大元素有8个，但我们的k=5，显然较大元素的数目过多了。于是我们在较大元素的区域继续分治，这次以元素12位基准：
这样一来，包括元素12在内的较大元素有5个，正好和k相等。所以，基准元素12就是我们所求的。
这就是分治法的大体思想，这种方法的时间复杂度甚至优于小顶堆法，可以达到O（n）。有兴趣的小伙伴可以尝试用代码实现一下。
原文作者：程序员小灰
原文链接：https://mp.weixin.qq.com/s?__biz=MzIxMjE5MTE1Nw==&mid=2653196576&idx=2&sn=482f6678841c0ff40e3847a7d31714cd&chksm=8c99e3fabbee6aec84dd5ceb3f37c4754c68d7605db37bf86e9bf96c97b90647a83750bf72af&mpshare=1&scene=1&srcid=&sharer_sharetime=1574666897545&sharer_shareid=644f996f54a2dcdb02a911aa4a0b4587&rd2werd=1#wechat_redirect