堆（Heap）与 Top K 问题详解

最新推荐文章于 2025-08-16 00:47:01 发布

HalvmånEver

最新推荐文章于 2025-08-16 00:47:01 发布

阅读量1.4k

点赞数 47

CC 4.0 BY-SA版权

文章标签：算法数据结构 c++ c语言 python 堆

本文链接：https://blog.csdn.net/2503_91101239/article/details/149419401

Top K 问题是一类经典算法问题，通常要求从一个数据集中找出最大（或最小）的 K 个元素。堆（Heap）是解决这类问题的高效数据结构。本文将详细讲解堆的原理、Top K 问题的解法，并提供代码实现（C++/Python）。

1. 堆（Heap）简介

堆是一种完全二叉树，满足以下性质：

最小堆（Min Heap）：父节点的值 ≤ 子节点的值。
最大堆（Max Heap）：父节点的值 ≥ 子节点的值。

堆的典型操作：

操作	时间复杂度	说明
`insert(x)`	`O(log n)`	插入元素
`pop()`	`O(log n)`	删除堆顶元素
`peek()`	`O(1)`	查看堆顶元素

2. Top K 问题的常见解法

方法 1：排序法（暴力解法）

步骤：
1. 对所有数据进行排序（升序或降序）。
2. 取前 K 个元素。
时间复杂度：
- O(n log n)（排序时间）。
适用场景：
- 数据量较小时可用，但效率较低。

方法 2：堆（Heap）优化

步骤：
1. 维护一个大小为 K 的堆：
  - 找最大的 K 个元素 → 最小堆（堆顶是最小值，可以快速淘汰更小的元素）。
  - 找最小的 K 个元素 → 最大堆（堆顶是最大值，可以快速淘汰更大的元素）。
2. 遍历数据，动态调整堆。
时间复杂度：
- O(n log K)（遍历数据 + 堆调整）。
空间复杂度：
- O(K)（堆的大小）。

3. 代码实现

（1）C++ 实现（最大堆找 Top K 最小元素）

cpp

#include <vector>
#include <queue>
using namespace std;

vector<int> topKSmallest(vector<int>& nums, int k) {
    if (k <= 0 || nums.empty()) return {};
    
    // 最大堆（堆顶是最大的元素）
    priority_queue<int> maxHeap;
    
    for (int num : nums) {
        maxHeap.push(num);
        if (maxHeap.size() > k) {
            maxHeap.pop(); // 移除最大的元素，保留较小的 K 个
        }
    }
    
    vector<int> res;
    while (!maxHeap.empty()) {
        res.push_back(maxHeap.top());
        maxHeap.pop();
    }
    return res;
}

（2）Python 实现（最小堆找 Top K 最大元素）

python

import heapq

def topKLargest(nums, k):
    if k <= 0 or not nums:
        return []
    
    # 最小堆（堆顶是最小的元素）
    minHeap = []
    
    for num in nums:
        heapq.heappush(minHeap, num)
        if len(minHeap) > k:
            heapq.heappop(minHeap)  # 移除最小的元素，保留较大的 K 个
    
    return minHeap

4. 不同场景下的 Top K 问题

问题	解法
前 K 大的数	最小堆（堆顶是最小值，淘汰更小的数）
前 K 小的数	最大堆（堆顶是最大值，淘汰更大的数）
第 K 大的数	最小堆（堆顶就是第 K 大的数）
第 K 小的数	最大堆（堆顶就是第 K 小的数）

5. 复杂度对比

方法	时间复杂度	空间复杂度	适用场景
排序法	`O(n log n)`	`O(1)` 或 `O(n)`	数据量小
堆优化	`O(n log K)`	`O(K)`	数据量大，仅需部分排序
快速选择（Quickselect）	`O(n)`（平均）	`O(1)`	仅需第 K 大/小，不需要全部排序

6. 总结

堆（Heap） 是解决 Top K 问题的高效数据结构。
最小堆 适合求 最大的 K 个元素（堆顶是最小值，可以快速淘汰更小的数）。
最大堆 适合求 最小的 K 个元素（堆顶是最大值，可以快速淘汰更大的数）。
时间复杂度 O(n log K)，比排序法 O(n log n) 更高效。