跳至主要內容

76. 数组中的第 k 大的数字


76. 数组中的第 k 大的数字open in new window

🟠   🔖  数组 分治 快速选择 排序 堆(优先队列)  🔗 力扣open in new window

题目

给定整数数组 nums 和整数 k,请返回数组中第 k 个最大的元素。

请注意,你需要找的是数组排序后的第 k 个最大的元素,而不是第 k 个不同的元素。

示例 1:

输入: [3,2,1,5,6,4] 和 k = 2

输出: 5

示例 2:

输入: [3,2,3,1,2,4,5,5,6] 和 k = 4

输出: 4

提示:

  • 1 <= k <= nums.length <= 10^4
  • -10^4 <= nums[i] <= 10^4

注意

本题与 LeetCode 第 215 题 相同。

解题思路

思路一:快速选择算法

每次选取一个基准元素(类似于快速排序中的划分操作),将数组划分为两部分,然后根据基准元素的位置来确定下一步是在左侧还是右侧进行查找。这样,每次划分都能将问题规模缩小一半。

  1. 选择数组中的一个元素作为基准元素(可以随机选择)。
  2. 根据基准元素将数组划分为两部分,左侧部分的元素大于等于基准元素,右侧部分的元素小于基准元素。
  3. 如果基准元素的位置等于 k,则找到了第 k 个最大的元素;
  4. 如果基准元素的位置小于 k,则在右侧部分递归查找;
  5. 如果基准元素的位置大于 k,则在左侧部分递归查找;

复杂度分析

  • 时间复杂度O(n)
    • 快速选择的平均时间复杂度为 O(n)。这是因为在每次划分过程中,通常会将数组分成两个大致相等的部分,从而在每一步大约只需要处理一半的元素。
    • 在最坏情况下,时间复杂度为 O(n²),例如当数组已经是有序的情况下(如递增或递减),每次划分都只将一个元素放到正确的位置,导致递归的深度达到 n
  • 空间复杂度O(1),因为在快速选择中只使用了常量级别的额外空间(只存储了一些变量,没有使用额外的数据结构),但递归调用栈的深度在最坏情况下可能达到 O(n)

思路二:小顶堆

针对静态数据,想要在一个包含 n 个数据的数组中,查找前 K 大的数据,可以维护一个大小为 K 的小顶堆:

  • 顺序遍历数组,从数组中取出取数据与堆顶元素比较;
  • 如果比堆顶元素大,就把堆顶元素删除,并且将这个元素插入到堆中;
  • 如果比堆顶元素小,则不做处理,继续遍历数组;
  • 遍历完数组中的数据之后,堆顶元素就是第 K 大的数

复杂度分析

  • 时间复杂度: (nlogK),遍历数组需要 O(n) 的时间复杂度,一次堆化操作需要 O(logK) 的时间复杂度,所以最坏情况下,n 个元素都入堆一次,所以时间复杂度就是 O(nlogK)
  • 空间复杂度: O(K),使用了一个长度为 K 的数组来存储堆中的元素。

代码

快速选择算法
/**
 * @param {number[]} nums
 * @param {number} k
 * @return {number}
 */
var findKthLargest = function (nums, k) {
	const quickSelect = (left, right) => {
		const index = partition(left, right);
		if (index == k - 1) {
			return nums[index];
		} else if (index > k - 1) {
			return quickSelect(left, index - 1);
		} else {
			return quickSelect(index + 1, right);
		}
	};
	const partition = (left, right) => {
		const pivot = nums[right];
		let i = left;
		for (let j = left; j < right; j++) {
			if (nums[j] > pivot) {
				[nums[i], nums[j]] = [nums[j], nums[i]];
				i++;
			}
		}
		[nums[i], nums[right]] = [nums[right], nums[i]];
		return i;
	};
	return quickSelect(0, nums.length - 1);
};