如何在O(n)中找到长度为n的未排序数组中的第k个最大元素?

时间:2008-10-30 21:06:16

标签: performance algorithm big-o

我相信有一种方法可以在O(n)中找到长度为n的未排序数组中的第k个最大元素。或许它是“预期的”O(n)或其他东西。我们怎么做到这一点?

32 个答案:

答案 0 :(得分:164)

这称为查找第k顺序统计。有一个非常简单的随机算法(称为 quickselect ),平均时间为O(n),最坏情况时间为O(n^2),非常复杂的非随机算法(称为 introselect < / em>)考虑O(n)最坏情况时间。 Wikipedia有一些信息,但不是很好。

您需要的一切都在these powerpoint slides 中。只是为了提取O(n)最坏情况算法(introselect)的基本算法:

Select(A,n,i):
    Divide input into ⌈n/5⌉ groups of size 5.

    /* Partition on median-of-medians */
    medians = array of each group’s median.
    pivot = Select(medians, ⌈n/5⌉, ⌈n/10⌉)
    Left Array L and Right Array G = partition(A, pivot)

    /* Find ith element in L, pivot, or G */
    k = |L| + 1
    If i = k, return pivot
    If i < k, return Select(L, k-1, i)
    If i > k, return Select(G, n-k, i-k)

Cormen等人的“算法导论”一书中也详细介绍了

答案 1 :(得分:115)

如果你想要一个真正的O(n)算法,而不是O(kn)或类似的东西,那么你应该使用quickselect(它基本上是快速排序,你扔出你不感兴趣的分区)。我的教授有一个很好的写作,运行时分析:(reference

QuickSelect算法快速找到未排序的n元素数组的第k个最小元素。它是RandomizedAlgorithm,因此我们计算了最坏情况预期的运行时间。

这是算法。

QuickSelect(A, k)
  let r be chosen uniformly at random in the range 1 to length(A)
  let pivot = A[r]
  let A1, A2 be new arrays
  # split into a pile A1 of small elements and A2 of big elements
  for i = 1 to n
    if A[i] < pivot then
      append A[i] to A1
    else if A[i] > pivot then
      append A[i] to A2
    else
      # do nothing
  end for
  if k <= length(A1):
    # it's in the pile of small elements
    return QuickSelect(A1, k)
  else if k > length(A) - length(A2)
    # it's in the pile of big elements
    return QuickSelect(A2, k - (length(A) - length(A2))
  else
    # it's equal to the pivot
    return pivot

此算法的运行时间是多少?如果对手为我们翻转硬币,我们可能会发现枢轴始终是最大元素,k始终为1,运行时间为

T(n) = Theta(n) + T(n-1) = Theta(n2)

但如果选择确实是随机的,那么预期的运行时间由

给出
T(n) <= Theta(n) + (1/n) ∑i=1 to nT(max(i, n-i-1))

我们正在做出一个不完全合理的假设,即递归始终位于A1A2的较大位置。

我们猜测某些T(n) <= an的{​​{1}}。然后我们得到

a

现在不知怎的,我们必须在加号的右侧获得可怕的总和以吸收左边的T(n) <= cn + (1/n) ∑i=1 to nT(max(i-1, n-i)) = cn + (1/n) ∑i=1 to floor(n/2) T(n-i) + (1/n) ∑i=floor(n/2)+1 to n T(i) <= cn + 2 (1/n) ∑i=floor(n/2) to n T(i) <= cn + 2 (1/n) ∑i=floor(n/2) to n ai。如果我们将其绑定为cn,我们会大致2(1/n) ∑i=n/2 to n an。但这太大了 - 没有空间可以挤出额外的2(1/n)(n/2)an = an。因此,让我们使用算术系列公式扩展总和:

cn

我们利用n“足够大”来用更清晰(更小)的i=floor(n/2) to n i = ∑i=1 to n i - ∑i=1 to floor(n/2) i = n(n+1)/2 - floor(n/2)(floor(n/2)+1)/2 <= n2/2 - (n/4)2/2 = (15/32)n2替换丑陋的floor(n/2)因子。现在我们可以继续

n/4

提供cn + 2 (1/n) ∑i=floor(n/2) to n ai, <= cn + (2a/n) (15/32) n2 = n (c + (15/16)a) <= an

这会给a > 16c。它显然是T(n) = O(n),因此我们得到Omega(n)

答案 2 :(得分:15)

快速谷歌('第k个最大的元素数组')返回了这个:http://discuss.joelonsoftware.com/default.asp?interview.11.509587.17

"Make one pass through tracking the three largest values so far." 

(特别是最大的3d)

和这个答案:

Build a heap/priority queue.  O(n)
Pop top element.  O(log n)
Pop top element.  O(log n)
Pop top element.  O(log n)

Total = O(n) + 3 O(log n) = O(n)

答案 3 :(得分:11)

你喜欢quicksort。随机选择一个元素并将所有内容推得更高或更低。此时你将知道你实际选择了哪个元素,如果它是你完成的第k个元素,否则你重复使用bin(更高或更低),第k个元素将落入。统计上讲,时间找到第k个元素随n,O(n)增长。

答案 4 :(得分:6)

A Programmer's Companion to Algorithm Analysis给出 O(n)的版本,虽然作者声明常数因子如此之高,但您可能更喜欢天真的排序列表 - 然后选择方法。

我回答了你的问题信:)

答案 5 :(得分:5)

C ++标准库几乎完全是function调用nth_element,尽管它确实会修改您的数据。它预计线性运行时间为O(N),它也会进行部分排序。

const int N = ...;
double a[N];
// ... 
const int m = ...; // m < N
nth_element (a, a + m, a + N);
// a[m] contains the mth element in a

答案 6 :(得分:4)

我使用动态编程,特别是锦标赛方法,在n个未排序元素中实现了kth最小值。执行时间是O(n + klog(n))。使用的机制被列为维基百科页面上关于选择算法的方法之一(如上面的一个帖子中所示)。您可以在我的博客页面Finding Kth Minimum上阅读有关该算法的信息并查找代码(java)。此外,逻辑可以对列表进行部分排序 - 在O(klog(n))时间内返回第一个K min(或最大值)。

虽然提供的代码结果为kth最小值,但可以采用类似的逻辑来找出O(klog(n))中的第k个最大值,忽略了创建锦标赛树所做的前期工作。

答案 7 :(得分:4)

虽然不太确定O(n)复杂度,但肯定会在O(n)和nLog(n)之间。也确定比nLog(n)更接近O(n)。函数用Java编写

public int quickSelect(ArrayList<Integer>list, int nthSmallest){
    //Choose random number in range of 0 to array length
    Random random =  new Random();
    //This will give random number which is not greater than length - 1
    int pivotIndex = random.nextInt(list.size() - 1); 

    int pivot = list.get(pivotIndex);

    ArrayList<Integer> smallerNumberList = new ArrayList<Integer>();
    ArrayList<Integer> greaterNumberList = new ArrayList<Integer>();

    //Split list into two. 
    //Value smaller than pivot should go to smallerNumberList
    //Value greater than pivot should go to greaterNumberList
    //Do nothing for value which is equal to pivot
    for(int i=0; i<list.size(); i++){
        if(list.get(i)<pivot){
            smallerNumberList.add(list.get(i));
        }
        else if(list.get(i)>pivot){
            greaterNumberList.add(list.get(i));
        }
        else{
            //Do nothing
        }
    }

    //If smallerNumberList size is greater than nthSmallest value, nthSmallest number must be in this list 
    if(nthSmallest < smallerNumberList.size()){
        return quickSelect(smallerNumberList, nthSmallest);
    }
    //If nthSmallest is greater than [ list.size() - greaterNumberList.size() ], nthSmallest number must be in this list
    //The step is bit tricky. If confusing, please see the above loop once again for clarification.
    else if(nthSmallest > (list.size() - greaterNumberList.size())){
        //nthSmallest will have to be changed here. [ list.size() - greaterNumberList.size() ] elements are already in 
        //smallerNumberList
        nthSmallest = nthSmallest - (list.size() - greaterNumberList.size());
        return quickSelect(greaterNumberList,nthSmallest);
    }
    else{
        return pivot;
    }
}

答案 8 :(得分:3)

你可以用O(n + kn)= O(n)(对于常数k)表示时间,O(k)表示空间,通过跟踪你看过的k个最大元素。

对于数组中的每个元素,您可以扫描k最大的列表,如果它更大,则用新的元素替换最小的元素。

Warren的优先堆解决方案虽然简洁。

答案 9 :(得分:3)

Python中的性感quickselect

def quickselect(arr, k):
    '''
     k = 1 returns first element in ascending order.
     can be easily modified to return first element in descending order
    '''

    r = random.randrange(0, len(arr))

    a1 = [i for i in arr if i < arr[r]] '''partition'''
    a2 = [i for i in arr if i > arr[r]]

    if k <= len(a1):
        return quickselect(a1, k)
    elif k > len(arr)-len(a2):
        return quickselect(a2, k - (len(arr) - len(a2)))
    else:
        return arr[r]

答案 10 :(得分:2)

这种方法怎么样

维持buffer of length ktmp_max,让tmp_max为O(k),并且完成n次,如O(kn)

enter image description here

是对还是我错过了什么?

虽然它没有超过quickselect的平均情况和中位数统计方法的最坏情况,但它很容易理解和实现。

答案 11 :(得分:2)

根据本文Finding the Kth largest item in a list of n items,在最坏的情况下,以下算法将花费O(n)次。

  1. 将数组分为5个元素的n / 5个列表。
  2. 在5个元素的每个子数组中找到中位数。
  3. 递归地找到所有中位数的中位数,让我们称之为M
  4. 将数组分区为两个子数组第一个子数组包含大于M的元素,假设这个子数组是a1,而其他子数组包含的元素小于M.,让我们调用这个子数组A2。
  5. 如果k <= | a1 |,则返回选择(a1,k)。
  6. 如果k-1 = | a1 |,则返回M.
  7. 如果k> | A1 | + 1,返回选择(a2,k -a1 - 1)。
  8. 分析:正如原始论文所述:

      

    我们使用中位数将列表分成两半(上半部分,   如果k <= n/2,则另外一半)。这个算法需要   时间cn在第一级递归中,某个常量ccn/2 at   下一级(因为我们在一个大小为n / 2的列表中递归),cn/4在   第三级,依此类推。所用的总时间为cn + cn/2 + cn/4 + .... = 2cn = o(n)

    为什么分区大小是5而不是3?

    如原始paper中所述:

      

    将列表除以5可确保最坏情况下的分割为70 - 30.Atleast   一半的中位数大于中位数的中位数,因此至少   n / 5块中的一半具有至少3个元素,这给出了一个   3n/10拆分,这意味着在最坏的情况下,其他分区是7n / 10。   这给了T(n) = T(n/5)+T(7n/10)+O(n). Since n/5+7n/10 < 1,   最坏情况下的运行时间为O(n)

    现在我尝试将上述算法实现为:

    public static int findKthLargestUsingMedian(Integer[] array, int k) {
            // Step 1: Divide the list into n/5 lists of 5 element each.
            int noOfRequiredLists = (int) Math.ceil(array.length / 5.0);
            // Step 2: Find pivotal element aka median of medians.
            int medianOfMedian =  findMedianOfMedians(array, noOfRequiredLists);
            //Now we need two lists split using medianOfMedian as pivot. All elements in list listOne will be grater than medianOfMedian and listTwo will have elements lesser than medianOfMedian.
            List<Integer> listWithGreaterNumbers = new ArrayList<>(); // elements greater than medianOfMedian
            List<Integer> listWithSmallerNumbers = new ArrayList<>(); // elements less than medianOfMedian
            for (Integer element : array) {
                if (element < medianOfMedian) {
                    listWithSmallerNumbers.add(element);
                } else if (element > medianOfMedian) {
                    listWithGreaterNumbers.add(element);
                }
            }
            // Next step.
            if (k <= listWithGreaterNumbers.size()) return findKthLargestUsingMedian((Integer[]) listWithGreaterNumbers.toArray(new Integer[listWithGreaterNumbers.size()]), k);
            else if ((k - 1) == listWithGreaterNumbers.size()) return medianOfMedian;
            else if (k > (listWithGreaterNumbers.size() + 1)) return findKthLargestUsingMedian((Integer[]) listWithSmallerNumbers.toArray(new Integer[listWithSmallerNumbers.size()]), k-listWithGreaterNumbers.size()-1);
            return -1;
        }
    
        public static int findMedianOfMedians(Integer[] mainList, int noOfRequiredLists) {
            int[] medians = new int[noOfRequiredLists];
            for (int count = 0; count < noOfRequiredLists; count++) {
                int startOfPartialArray = 5 * count;
                int endOfPartialArray = startOfPartialArray + 5;
                Integer[] partialArray = Arrays.copyOfRange((Integer[]) mainList, startOfPartialArray, endOfPartialArray);
                // Step 2: Find median of each of these sublists.
                int medianIndex = partialArray.length/2;
                medians[count] = partialArray[medianIndex];
            }
            // Step 3: Find median of the medians.
            return medians[medians.length / 2];
        }
    

    为了完成,另一种算法使用优先级队列并花费时间O(nlogn)

    public static int findKthLargestUsingPriorityQueue(Integer[] nums, int k) {
            int p = 0;
            int numElements = nums.length;
            // create priority queue where all the elements of nums will be stored
            PriorityQueue<Integer> pq = new PriorityQueue<Integer>();
    
            // place all the elements of the array to this priority queue
            for (int n : nums) {
                pq.add(n);
            }
    
            // extract the kth largest element
            while (numElements - k + 1 > 0) {
                p = pq.poll();
                k++;
            }
    
            return p;
        }
    

    这两种算法都可以测试为:

    public static void main(String[] args) throws IOException {
            Integer[] numbers = new Integer[]{2, 3, 5, 4, 1, 12, 11, 13, 16, 7, 8, 6, 10, 9, 17, 15, 19, 20, 18, 23, 21, 22, 25, 24, 14};
            System.out.println(findKthLargestUsingMedian(numbers, 8));
            System.out.println(findKthLargestUsingPriorityQueue(numbers, 8));
        }
    

    正如预期的输出是: 18 18

答案 12 :(得分:2)

以下是完整实现的链接,其中详细解释了如何在未排序算法中查找Kth元素的算法。基本思想是像QuickSort一样对数组进行分区。但是为了避免极端情况(例如,当在每个步骤中选择最小元素作为枢轴,使得算法退化为O(n ^ 2)运行时间)时,应用特殊的枢轴选择,称为中位数算法。整个解决方案在最差和平均情况下在O(n)时间内运行。

以下是完整文章的链接(它是关于找到Kth 最小元素,但找到Kth 最大的原理相同):

<强> Finding Kth Smallest Element in an Unsorted Array

答案 13 :(得分:2)

在线性时间内找出数组的中位数,然后使用与快速排序完全相同的分区过程将数组分成两部分,中间值(&lt;)的左边的值比中值和右边的值大于(&gt;)中位数,也可以在线性时间内完成,现在,转到数组中kth元素所在的部分, 现在复发成为: T(n)= T(n / 2)+ cn 这给了我一些O(n)。

答案 14 :(得分:1)

可以在此处找到中位数 - 中位数算法以找出n中第k个最大整数的说明: http://cs.indstate.edu/~spitla/presentation.pdf

c ++中的实现如下:

#include <iostream>
#include <vector>
#include <algorithm>
using namespace std;

int findMedian(vector<int> vec){
//    Find median of a vector
    int median;
    size_t size = vec.size();
    median = vec[(size/2)];
    return median;
}

int findMedianOfMedians(vector<vector<int> > values){
    vector<int> medians;

    for (int i = 0; i < values.size(); i++) {
        int m = findMedian(values[i]);
        medians.push_back(m);
    }

    return findMedian(medians);
}

void selectionByMedianOfMedians(const vector<int> values, int k){
//    Divide the list into n/5 lists of 5 elements each
    vector<vector<int> > vec2D;

    int count = 0;
    while (count != values.size()) {
        int countRow = 0;
        vector<int> row;

        while ((countRow < 5) && (count < values.size())) {
            row.push_back(values[count]);
            count++;
            countRow++;
        }
        vec2D.push_back(row);
    }

    cout<<endl<<endl<<"Printing 2D vector : "<<endl;
    for (int i = 0; i < vec2D.size(); i++) {
        for (int j = 0; j < vec2D[i].size(); j++) {
            cout<<vec2D[i][j]<<" ";
        }
        cout<<endl;
    }
    cout<<endl;

//    Calculating a new pivot for making splits
    int m = findMedianOfMedians(vec2D);
    cout<<"Median of medians is : "<<m<<endl;

//    Partition the list into unique elements larger than 'm' (call this sublist L1) and
//    those smaller them 'm' (call this sublist L2)
    vector<int> L1, L2;

    for (int i = 0; i < vec2D.size(); i++) {
        for (int j = 0; j < vec2D[i].size(); j++) {
            if (vec2D[i][j] > m) {
                L1.push_back(vec2D[i][j]);
            }else if (vec2D[i][j] < m){
                L2.push_back(vec2D[i][j]);
            }
        }
    }

//    Checking the splits as per the new pivot 'm'
    cout<<endl<<"Printing L1 : "<<endl;
    for (int i = 0; i < L1.size(); i++) {
        cout<<L1[i]<<" ";
    }

    cout<<endl<<endl<<"Printing L2 : "<<endl;
    for (int i = 0; i < L2.size(); i++) {
        cout<<L2[i]<<" ";
    }

//    Recursive calls
    if ((k - 1) == L1.size()) {
        cout<<endl<<endl<<"Answer :"<<m;
    }else if (k <= L1.size()) {
        return selectionByMedianOfMedians(L1, k);
    }else if (k > (L1.size() + 1)){
        return selectionByMedianOfMedians(L2, k-((int)L1.size())-1);
    }

}

int main()
{
    int values[] = {2, 3, 5, 4, 1, 12, 11, 13, 16, 7, 8, 6, 10, 9, 17, 15, 19, 20, 18, 23, 21, 22, 25, 24, 14};

    vector<int> vec(values, values + 25);

    cout<<"The given array is : "<<endl;
    for (int i = 0; i < vec.size(); i++) {
        cout<<vec[i]<<" ";
    }

    selectionByMedianOfMedians(vec, 8);

    return 0;
}

答案 15 :(得分:1)

  1. 已创建优先级队列。
  2. 将所有元素插入堆中。
  3. 调用poll()k次。

    public static int getKthLargestElements(int[] arr)
    {
        PriorityQueue<Integer> pq =  new PriorityQueue<>((x , y) -> (y-x));
        //insert all the elements into heap
        for(int ele : arr)
           pq.offer(ele);
        // call poll() k times
        int i=0;
        while(i&lt;k)
         {
           int result = pq.poll();
         } 
       return result;        
    }
    

答案 16 :(得分:1)

我想建议一个答案

如果我们采用前k个元素并将它们排序为k值的链表

现在对于每个其他值,即使对于最坏的情况,如果我们对剩余nk值进行插入排序,即使在最坏的情况下,比较的数量将是k *(nk)并且对于要排序的prev k值,使其为k * (k-1)所以它是(nk-k),它是o(n)

欢呼

答案 17 :(得分:1)

还有Wirth's selection algorithm,其实现比QuickSelect更简单。 Wirth的选择算法比QuickSelect慢,但是通过一些改进它会变得更快。

更详细。使用Vladimir Zabrodsky的MODIFIND优化和3个中心枢轴选择并注意算法的分区部分的最后步骤,我想出了以下算法(可以想象名为“LefSelect”):

#define F_SWAP(a,b) { float temp=(a);(a)=(b);(b)=temp; }

# Note: The code needs more than 2 elements to work
float lefselect(float a[], const int n, const int k) {
    int l=0, m = n-1, i=l, j=m;
    float x;

    while (l<m) {
        if( a[k] < a[i] ) F_SWAP(a[i],a[k]);
        if( a[j] < a[i] ) F_SWAP(a[i],a[j]);
        if( a[j] < a[k] ) F_SWAP(a[k],a[j]);

        x=a[k];
        while (j>k & i<k) {
            do i++; while (a[i]<x);
            do j--; while (a[j]>x);

            F_SWAP(a[i],a[j]);
        }
        i++; j--;

        if (j<k) {
            while (a[i]<x) i++;
            l=i; j=m;
        }
        if (k<i) {
            while (x<a[j]) j--;
            m=j; i=l;
        }
    }
    return a[k];
}

在我做here的基准测试中,LefSelect比QuickSelect快20-30%。

答案 18 :(得分:1)

Haskell解决方案:

kthElem index list = sort list !! index

withShape ~[]     []     = []
withShape ~(x:xs) (y:ys) = x : withShape xs ys

sort []     = []
sort (x:xs) = (sort ls `withShape` ls) ++ [x] ++ (sort rs `withShape` rs)
  where
   ls = filter (<  x)
   rs = filter (>= x)

通过使用withShape方法发现分区的大小而不实际计算它,实现了中值解的中值。

答案 19 :(得分:1)

这是Randomized QuickSelect的C ++实现。我们的想法是随机选择一个枢轴元素。为了实现随机分区,我们使用随机函数rand()来生成l和r之间的索引,将随机生成的索引处的元素与最后一个元素交换,最后调用使用last元素作为pivot的标准分区进程。

#include<iostream>
#include<climits>
#include<cstdlib>
using namespace std;

int randomPartition(int arr[], int l, int r);

// This function returns k'th smallest element in arr[l..r] using
// QuickSort based method.  ASSUMPTION: ALL ELEMENTS IN ARR[] ARE DISTINCT
int kthSmallest(int arr[], int l, int r, int k)
{
    // If k is smaller than number of elements in array
    if (k > 0 && k <= r - l + 1)
    {
        // Partition the array around a random element and
        // get position of pivot element in sorted array
        int pos = randomPartition(arr, l, r);

        // If position is same as k
        if (pos-l == k-1)
            return arr[pos];
        if (pos-l > k-1)  // If position is more, recur for left subarray
            return kthSmallest(arr, l, pos-1, k);

        // Else recur for right subarray
        return kthSmallest(arr, pos+1, r, k-pos+l-1);
    }

    // If k is more than number of elements in array
    return INT_MAX;
}

void swap(int *a, int *b)
{
    int temp = *a;
    *a = *b;
    *b = temp;
}

// Standard partition process of QuickSort().  It considers the last
// element as pivot and moves all smaller element to left of it and
// greater elements to right. This function is used by randomPartition()
int partition(int arr[], int l, int r)
{
    int x = arr[r], i = l;
    for (int j = l; j <= r - 1; j++)
    {
        if (arr[j] <= x) //arr[i] is bigger than arr[j] so swap them
        {
            swap(&arr[i], &arr[j]);
            i++;
        }
    }
    swap(&arr[i], &arr[r]); // swap the pivot
    return i;
}

// Picks a random pivot element between l and r and partitions
// arr[l..r] around the randomly picked element using partition()
int randomPartition(int arr[], int l, int r)
{
    int n = r-l+1;
    int pivot = rand() % n;
    swap(&arr[l + pivot], &arr[r]);
    return partition(arr, l, r);
}

// Driver program to test above methods
int main()
{
    int arr[] = {12, 3, 5, 7, 4, 19, 26};
    int n = sizeof(arr)/sizeof(arr[0]), k = 3;
    cout << "K'th smallest element is " << kthSmallest(arr, 0, n-1, k);
    return 0;
}

上述解决方案的最坏情况时间复杂度仍然是O(n2)。在最坏的情况下,随机函数可能总是选择角元素。上述随机化QuickSelect的预期时间复杂度为Θ(n)

答案 20 :(得分:1)

遍历列表。如果当前值大于存储的最大值,则将其存储为最大值,然后将1-4降低并从列表中删除5滴。如果没有,将它与数字2进行比较并做同样的事情。重复,检查所有5个存储的值。这应该在O(n)

中完成

答案 21 :(得分:0)

还有一种算法优于quickselect算法。它被称为 Floyd-Rivets(FR)算法

原创文章:https://doi.org/10.1145/360680.360694

可下载版本:http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.309.7108&rep=rep1&type=pdf

维基百科文章https://en.wikipedia.org/wiki/Floyd%E2%80%93Rivest_algorithm

我尝试在C ++中实现quickselect和FR算法。我还将它们与标准C ++库实现std :: nth_element(它基本上是quickselect和heapselect的introselect hybrid)进行了比较。结果是快速选择和nth_element平均运行,但FR算法运行约。比它们快两倍。

我用于FR算法的示例代码:

template <typename T>
T FRselect(std::vector<T>& data, const size_t& n)
{
    if (n == 0)
        return *(std::min_element(data.begin(), data.end()));
    else if (n == data.size() - 1)
        return *(std::max_element(data.begin(), data.end()));
    else
        return _FRselect(data, 0, data.size() - 1, n);
}

template <typename T>
T _FRselect(std::vector<T>& data, const size_t& left, const size_t& right, const size_t& n)
{
    size_t leftIdx = left;
    size_t rightIdx = right;

    while (rightIdx > leftIdx)
    {
        if (rightIdx - leftIdx > 600)
        {
            size_t range = rightIdx - leftIdx + 1;
            long long i = n - (long long)leftIdx + 1;
            long long z = log(range);
            long long s = 0.5 * exp(2 * z / 3);
            long long sd = 0.5 * sqrt(z * s * (range - s) / range) * sgn(i - (long long)range / 2);

            size_t newLeft = fmax(leftIdx, n - i * s / range + sd);
            size_t newRight = fmin(rightIdx, n + (range - i) * s / range + sd);

            _FRselect(data, newLeft, newRight, n);
        }
        T t = data[n];
        size_t i = leftIdx;
        size_t j = rightIdx;
        // arrange pivot and right index
        std::swap(data[leftIdx], data[n]);
        if (data[rightIdx] > t)
            std::swap(data[rightIdx], data[leftIdx]);

        while (i < j)
        {
            std::swap(data[i], data[j]);
            ++i; --j;
            while (data[i] < t) ++i;
            while (data[j] > t) --j;
        }

        if (data[leftIdx] == t)
            std::swap(data[leftIdx], data[j]);
        else
        {
            ++j;
            std::swap(data[j], data[rightIdx]);
        }
        // adjust left and right towards the boundaries of the subset
        // containing the (k - left + 1)th smallest element
        if (j <= n)
            leftIdx = j + 1;
        if (n <= j)
            rightIdx = j - 1;
    }

    return data[leftIdx];
}

template <typename T>
int sgn(T val) {
    return (T(0) < val) - (val < T(0));
}

答案 22 :(得分:0)

你可以在O(n)时间和恒定空间中找到第k个最小元素。如果我们认为数组只用于整数。

方法是对Array值范围进行二进制搜索。如果我们在整数范围内都有min_value和max_value,我们可以对该范围进行二进制搜索。 我们可以写一个比较器函数,告诉我们是否有任何值是第k个最小值或小于第k个最小值或大于第k个最小值。 进行二进制搜索,直到达到第k个最小的数字

以下是

的代码

类解决方案:

def _iskthsmallest(self, A, val, k):
    less_count, equal_count = 0, 0
    for i in range(len(A)):
        if A[i] == val: equal_count += 1
        if A[i] < val: less_count += 1

    if less_count >= k: return 1
    if less_count + equal_count < k: return -1
    return 0

def kthsmallest_binary(self, A, min_val, max_val, k):
    if min_val == max_val:
        return min_val
    mid = (min_val + max_val)/2
    iskthsmallest = self._iskthsmallest(A, mid, k)
    if iskthsmallest == 0: return mid
    if iskthsmallest > 0: return self.kthsmallest_binary(A, min_val, mid, k)
    return self.kthsmallest_binary(A, mid+1, max_val, k)

# @param A : tuple of integers
# @param B : integer
# @return an integer
def kthsmallest(self, A, k):
    if not A: return 0
    if k > len(A): return 0
    min_val, max_val = min(A), max(A)
    return self.kthsmallest_binary(A, min_val, max_val, k)

答案 23 :(得分:0)

答案 24 :(得分:0)

它类似于quickSort策略,我们选择一个任意的枢轴,并将较小的元素放在其左侧,将较大的元素放在右侧

    public static int kthElInUnsortedList(List<int> list, int k)
    {
        if (list.Count == 1)
            return list[0];

        List<int> left = new List<int>();
        List<int> right = new List<int>();

        int pivotIndex = list.Count / 2;
        int pivot = list[pivotIndex]; //arbitrary

        for (int i = 0; i < list.Count && i != pivotIndex; i++)
        {
            int currentEl = list[i];
            if (currentEl < pivot)
                left.Add(currentEl);
            else
                right.Add(currentEl);
        }

        if (k == left.Count + 1)
            return pivot;

        if (left.Count < k)
            return kthElInUnsortedList(right, k - left.Count - 1);
        else
            return kthElInUnsortedList(left, k);
    }

答案 25 :(得分:0)

第k大元素意味着,我们需要对数组进行排序,然后从数组末尾开始倒数。例如

 const array= [2, 32, 12, 3, 78, 99, 898, 8, 1] // we need to sort this
 const sortedArray= [1,  2,  3,   8, 12, 32, 78, 99, 898] 

第 5 大元素表示从末尾开始倒数 5 个元素,即 12。

默认情况下,大多数语言都实现了快速排序或归并排序,因为它们是最优化的排序。我用快速排序解决了这个问题。快速排序对数组进行原地排序,它不会给我们返回一个新数组,并且与归并排序一样,它是递归的。快速排序的缺点,在最坏的情况下,它的时间复杂度是 O(n**2) "n square"。

快速排序是一种分而治之的算法,它通过解决所有较小的组件来解决问题。我们选择最后一个元素作为主元元素(有些算法选择第一个元素作为主元,有些算法在它开始时选择最后一个元素)。枢轴元素是分区元素。这是我们的数组=[2, 32, 12, 3, 78, 99, 898, 8, 1]

我们使用 2 个指针,i,j 从第一个元素开始。 “i”会记录枢轴的最终位置。

i=j=2 //starting point

"j" 将扫描数组,并将每个元素与枢轴进行比较。如果“j”小于pivot,我们将交换“i”和“j”并向前移动“i”和“j”。当“j”到达枢轴时,我们将“i”与枢轴交换。在我们的示例中枢轴是 1,1 是较小的数字,“j”将到达 pivot=1 而不交换“i”、“j”。请记住,“i”是枢轴的占位符。所以当“j”到达pivot时,1和2会交换。

此操作的目的是找到所有小于其左侧枢轴的元素。请注意,pivot 左侧的所有元素都小于pivot,但左侧未排序。然后我们将来自主元的数组划分为 2 个子数组并递归应用快速排序。

const quickSort = function (array, left, right) {
  // if left=right, it means we have only one item, it is already sorted
  if (left < right) {
    const partitionIndex = partition(array, left, right);
    quickSort(array, left, partitionIndex - 1); 
    quickSort(array, partitionIndex + 1, right);
  }
};

使用“i”和“j”指针,这就是我们如何找到分区索引

const partition = function (array, left, right) {
  const pivotElement = array[right];
  let partitionIndex = left;
  for (let j = left; j < right; j++) {
    if (array[j] < pivotElement) {
      swap(array, partitionIndex, j);
      partitionIndex++;
    }
  }
  // if none of the "j" values is smaller than pivot, when "j" reaches the pivot, we swap "i'th" element with pivot
  swap(array, partitionIndex, right);
  return partitionIndex;
};

这是一个简单的交换函数实现:

const swap = function (array, i, j) {
  const temp = array[i];
  array[i] = array[j];
  array[j] = temp;
};

答案 26 :(得分:0)

这里是建议的算法eladv的实现(我也在这里用随机数据透露实现):

update (yourtable) 
   set marking='MARKED' 
 where (user_id, `time`) in ( 
        select user_id,`time`
          from (yourtable) yt,
                (select user_id,min(`time`)
                   from (yourtable)
                   where rank=2 and clicks=0
                group by user_id) minned
        where yt.user_id=minned.user_id and
            yt.`time`>minned.`time`
        )

答案 27 :(得分:0)

我想出了这个算法,似乎是O(n):

假设k = 3,我们想找到数组中的第三大项。我将创建三个变量,并将数组的每个项目与这三个变量中的最小值进行比较。如果数组项大于最小值,我们将使用项值替换min变量。我们继续相同的事情直到阵列结束。我们的三个变量中的最小值是数组中的第三大项。

define variables a=0, b=0, c=0
iterate through the array items
    find minimum a,b,c
    if item > min then replace the min variable with item value
    continue until end of array
the minimum of a,b,c is our answer

而且,要找到第K个最大的项目,我们需要K个变量。

示例:(k = 3)

[1,2,4,1,7,3,9,5,6,2,9,8]

Final variable values:

a=7 (answer)
b=8
c=9

有人可以回顾一下,让我知道我错过了什么吗?

答案 28 :(得分:0)

这是Javascript中的一个实现。

如果释放无法修改数组的约束,则可以使用两个索引来阻止使用额外内存来识别“当前分区”(采用经典的快速排序方式 - http://www.nczonline.net/blog/2012/11/27/computer-science-in-javascript-quicksort/)。

function kthMax(a, k){
    var size = a.length;

    var pivot = a[ parseInt(Math.random()*size) ]; //Another choice could have been (size / 2) 

    //Create an array with all element lower than the pivot and an array with all element higher than the pivot
    var i, lowerArray = [], upperArray = [];
    for (i = 0; i  < size; i++){
        var current = a[i];

        if (current < pivot) {
            lowerArray.push(current);
        } else if (current > pivot) {
            upperArray.push(current);
        }
    }

    //Which one should I continue with?
    if(k <= upperArray.length) {
        //Upper
        return kthMax(upperArray, k);
    } else {
        var newK = k - (size - lowerArray.length);

        if (newK > 0) {
            ///Lower
            return kthMax(lowerArray, newK);
        } else {
            //None ... it's the current pivot!
            return pivot;
        }   
    }
}  

如果您想测试其效果,可以使用以下变体:

    function kthMax (a, k, logging) {
         var comparisonCount = 0; //Number of comparison that the algorithm uses
         var memoryCount = 0;     //Number of integers in memory that the algorithm uses
         var _log = logging;

         if(k < 0 || k >= a.length) {
            if (_log) console.log ("k is out of range"); 
            return false;
         }      

         function _kthmax(a, k){
             var size = a.length;
             var pivot = a[parseInt(Math.random()*size)];
             if(_log) console.log("Inputs:", a,  "size="+size, "k="+k, "pivot="+pivot);

             // This should never happen. Just a nice check in this exercise
             // if you are playing with the code to avoid never ending recursion            
             if(typeof pivot === "undefined") {
                 if (_log) console.log ("Ops..."); 
                 return false;
             }

             var i, lowerArray = [], upperArray = [];
             for (i = 0; i  < size; i++){
                 var current = a[i];
                 if (current < pivot) {
                     comparisonCount += 1;
                     memoryCount++;
                     lowerArray.push(current);
                 } else if (current > pivot) {
                     comparisonCount += 2;
                     memoryCount++;
                     upperArray.push(current);
                 }
             }
             if(_log) console.log("Pivoting:",lowerArray, "*"+pivot+"*", upperArray);

             if(k <= upperArray.length) {
                 comparisonCount += 1;
                 return _kthmax(upperArray, k);
             } else if (k > size - lowerArray.length) {
                 comparisonCount += 2;
                 return _kthmax(lowerArray, k - (size - lowerArray.length));
             } else {
                 comparisonCount += 2;
                 return pivot;
             }
     /* 
      * BTW, this is the logic for kthMin if we want to implement that... ;-)
      * 

             if(k <= lowerArray.length) {
                 return kthMin(lowerArray, k);
             } else if (k > size - upperArray.length) {
                 return kthMin(upperArray, k - (size - upperArray.length));
             } else 
                 return pivot;
     */            
         }

         var result = _kthmax(a, k);
         return {result: result, iterations: comparisonCount, memory: memoryCount};
     }

剩下的代码就是创建一些游乐场:

    function getRandomArray (n){
        var ar = [];
        for (var i = 0, l = n; i < l; i++) {
            ar.push(Math.round(Math.random() * l))
        }

        return ar;
    }

    //Create a random array of 50 numbers
    var ar = getRandomArray (50);   

现在,运行一下你的测试。 由于Math.random(),每次都会产生不同的结果:

    kthMax(ar, 2, true);
    kthMax(ar, 2);
    kthMax(ar, 2);
    kthMax(ar, 2);
    kthMax(ar, 2);
    kthMax(ar, 2);
    kthMax(ar, 34, true);
    kthMax(ar, 34);
    kthMax(ar, 34);
    kthMax(ar, 34);
    kthMax(ar, 34);
    kthMax(ar, 34);

如果你测试几次,你甚至可以凭经验看到迭代次数平均为O(n)〜=常数* n,而k的值不会影响算法。

答案 29 :(得分:-1)

首先我们可以从未排序的数组构建一个BST,它需要O(n)时间,而从BST我们可以找到O(log(n))中的第k个最小元素,它总计为O(n)的数量级

答案 30 :(得分:-1)

我要做的是:

initialize empty doubly linked list l
for each element e in array
    if e larger than head(l)
        make e the new head of l
        if size(l) > k
            remove last element from l

the last element of l should now be the kth largest element

您可以简单地存储指向链接列表中第一个和最后一个元素的指针。它们仅在更新列表时更改。

更新

initialize empty sorted tree l
for each element e in array
    if e between head(l) and tail(l)
        insert e into l // O(log k)
        if size(l) > k
            remove last element from l

the last element of l should now be the kth largest element

答案 31 :(得分:-2)

对于非常小的k值(即,当k