Java最小堆解决TopK问题
www.toutiao.im
其实我们与大数据并不遥远,比如要从海量数据中按大小或频率挑出top k,假定机器是多核的内存有限的,我们采用多线程分块处理数据,最后合并处理。那么,处理每一块数据的top k(i)可以采用哪些算法呢?
TopK问题是指从大量数据(源数据)中获取最大(或最小)的K个数据。
TopK问题是个很常见的问题:例如学校要从全校学生中找到成绩最高的500名学生,再例如某搜索引擎要统计每天的100条搜索次数最多的关键词。
对于这个问题,解决方法有很多:
方法一:对源数据中所有数据进行排序,取出前K个数据,就是TopK。
但是当数据量很大时,只需要k个最大的数,整体排序很耗时,效率不高。
方法二:维护一个K长度的数组a[],先读取源数据中的前K个放入数组,对该数组进行升序排序,再依次读取源数据第K个以后的数据,和数组中最小的元素(a[0])比较,如果小于a[0]直接pass,大于的话,就丢弃最小的元素a[0],利用二分法找到其位置,然后该位置前的数组元素整体向前移位,直到源数据读取结束。
这比方法一效率会有很大的提高,但是当K的值较大的时候,长度为K的数据整体移位,也是非常耗时的。
对于这种问题,效率比较高的解决方法是使用 最小堆。
最小堆(小根堆)是一种 数据结构,它首先是一颗 完全二叉树,并且,它 所有父节点的值小于或等于两个子节点的值。
最小堆的存储结构(物理结构)实际上是一个 数组。如下图:
堆有几个重要操作:
BuildHeap:将普通数组转换成堆,转换完成后,数组就符合堆的特性:所有父节点的值小于或等于两个子节点的值。
Heapify(int i):当元素i的左右子树都是小根堆时,通过Heapify让i元素下降到适当的位置,以符合堆的性质。
回到上面的取TopK问题上,用最小堆的解决方法就是:先取源数据中的K个元素放到一个长度为K的数组中去,再把数组转换成最小堆。再依次取源数据中的K个之后的数据和堆的根节点(数组的第一个元素)比较,根据最小堆的性质,根节点一定是堆中最小的元素,如果小于它,则直接pass,大于的话,就替换掉跟元素,并对根元素进行Heapify,直到源数据遍历结束。
最小堆的实现:
- public class MinHeap
- {
- // 堆的存储结构 - 数组
- private int[] data;
- // 将一个数组传入构造方法,并转换成一个小根堆
- public MinHeap(int[] data)
- {
- this.data = data;
- buildHeap();
- }
- // 将数组转换成最小堆
- private void buildHeap()
- {
- // 完全二叉树只有数组下标小于或等于 (data.length) / 2 - 1 的元素有孩子结点,遍历这些结点。
- // *比如上面的图中,数组有10个元素, (data.length) / 2 - 1的值为4,a[4]有孩子结点,但a[5]没有*
- for (int i = (data.length) / 2 - 1; i >= 0; i--)
- {
- // 对有孩子结点的元素heapify
- heapify(i);
- }
- }
- private void heapify(int i)
- {
- // 获取左右结点的数组下标
- int l = left(i);
- int r = right(i);
- // 这是一个临时变量,表示 跟结点、左结点、右结点中最小的值的结点的下标
- int smallest = i;
- // 存在左结点,且左结点的值小于根结点的值
- if (l < data.length && data[l] < data[i])
- smallest = l;
- // 存在右结点,且右结点的值小于以上比较的较小值
- if (r < data.length && data[r] < data[smallest])
- smallest = r;
- // 左右结点的值都大于根节点,直接return,不做任何操作
- if (i == smallest)
- return;
- // 交换根节点和左右结点中最小的那个值,把根节点的值替换下去
- swap(i, smallest);
- // 由于替换后左右子树会被影响,所以要对受影响的子树再进行heapify
- heapify(smallest);
- }
- // 获取右结点的数组下标
- private int right(int i)
- {
- return (i + 1) << 1;
- }
- // 获取左结点的数组下标
- private int left(int i)
- {
- return ((i + 1) << 1) - 1;
- }
- // 交换元素位置
- private void swap(int i, int j)
- {
- int tmp = data[i];
- data[i] = data[j];
- data[j] = tmp;
- }
- // 获取对中的最小的元素,根元素
- public int getRoot()
- {
- return data[0];
- }
- // 替换根元素,并重新heapify
- public void setRoot(int root)
- {
- data[0] = root;
- heapify(0);
- }
- }
利用最小堆获取TopK:
- public class TopK
- {
- public static void main(String[] args)
- {
- // 源数据
- int[] data = {56,275,12,6,45,478,41,1236,456,12,546,45};
- // 获取Top5
- int[] top5 = topK(data, 5);
- for(int i=0;i<5;i++)
- {
- System.out.println(top5[i]);
- }
- }
- // 从data数组中获取最大的k个数
- private static int[] topK(int[] data,int k)
- {
- // 先取K个元素放入一个数组topk中
- int[] topk = new int[k];
- for(int i = 0;i< k;i++)
- {
- topk[i] = data[i];
- }
- // 转换成最小堆
- MinHeap heap = new MinHeap(topk);
- // 从k开始,遍历data
- for(int i= k;i<data.length;i++)
- {
- int root = heap.getRoot();
- // 当数据大于堆中最小的数(根节点)时,替换堆中的根节点,再转换成堆
- if(data[i] > root)
- {
- heap.setRoot(data[i]);
- }
- }
- return topk;
- }
- }
介绍完了最小堆,顾名思义,相应的还有最大堆。
www.toutiao.im
已有 0 人发表留言,猛击->> 这里<<-参与讨论
ITeye推荐