在{n}个元素中，最小元素位于根的DISCOUNTS_BY_QUANTITY = {
10_000 => 20,
1_000 => 15,
100 => 10,
10 => 5,
}
Input.cart.line_items.each do |line_item|
next if line_item.variant.product.gift_card?
quantity, discount = DISCOUNTS_BY_QUANTITY.find do |quantity, _|
line_item.quantity >= quantity
end
next unless discount
message = "#{discount}% off when buying at least #{quantity}."
line_item.change_line_price(
line_item.line_price * (Decimal.new(1) - discount.to_d / 100),
message: message,
)
end
Output.cart = Input.cart
中，可以在时间上找到第7个最小元素-
min-heap================================================ =========================
我对选项a) Θ(nlogn)
b) Θ(n)
c) Θ(logn)
d) Θ(1)
和c感到困惑。我们需要提取d还是只是像在根级别进行比较-0比较，在1级进行比较-根与LC和RC之间的3比较，等等。
答案 0 :(得分：4)
我会说这个问题不明确。
如果我们必须使用堆接口，那么我们要做的就是提取至少6次并查看第7个最小值。每次除最后一次外，我们可以花费从1（最佳情况）到log n（最坏情况）的任何地方，因此它是O(log n)而不是Theta。第7个操作是Theta(1)。
如果我们可以利用堆的内部结构，就像伊夫·达乌斯特（Yves Daoust）指出的那样，我们可以确定堆的前7个层中包含的最小元素数量最多为1 + 2。 + 4 + 8 + 16 + 32 + 64 = 127个元素。在存储堆的数组的前127个数字中找到一个最小值为Theta(1)，因为无论多大，127仍然是一个常数并且不依赖于n。
在第一种情况下，看到选项(c)并不是一个正确的答案（如果使用O()而不是Theta()），我会选择{{1} }。
答案 1 :(得分：2)
在最小堆中，元素的存储方式不像二进制搜索树（即，左侧小于根，右侧大于）。较小的元素可以出现在任何子节点上，因此，我们无法像在二叉搜索树中那样搜索元素。
因此，我们需要首先从堆中弹出前6个元素并将其存储在数组中，现在第7个元素位于根目录上，因此我们将其弹出并存储。现在，我们将先前弹出的所有6个元素推入堆中。
时间复杂度：-要弹出7个操作，再按6个操作，因此总共需要7 + 6 = 13个操作。并且每次操作花费登录时间。 因此，时间复杂度变为13 * logn或仅变为O（logn）
答案 2 :(得分：2)
在最坏的情况下，将在堆的前7个级别中找到第7个元素 ，其中最多包含127个元素。您可以通过对这些元素进行排序来找到它，这需要O（1）。
注意：这并不是一个有效的过程，它只是一个简单的理论论据，证明可以在恒定时间内解决问题。
一个可能更好的过程是在127个元素的堆上执行heapsort的选择阶段，这将更加糟糕，例如lg 127 + lg 126 + lg 125 + lg 124 + lg 123 + lg 122 + lg 121操作（非常总估算，但这并不重要，它是O（1））。
答案 3 :(得分：0)
答案将是O（n）。这里的每个人都假设您将在一个恒定范围内找到答案，因此O（1）将成为答案，但他们错过了最小堆可以拥有的一点重复。假设第六个最小的元素具有一百万个重复项，那么当甚至不给出重复数的情况下如何计算范围，最重要的是，最后一个元素是第七个最小的元素，您将必须搜索整个数组。因此答案是n。