思考?
◼ 设计一种数据结构，用来存放整数，要求提供 3 个接口
- 添加元素
- 获取最大值
- 删除最大值
◼ 有没有更优的数据结构？
堆
✓ 获取最大值：O(1)、删除最大值：O(logn)、添加元素：O(logn)
Top K问题
◼ 什么是 Top K 问题
从海量数据中找出前 K 个数据
◼ 比如
从 100 万个整数中找出最大的 100 个整数
◼ Top K 问题的解法之一：可以用数据结构“堆”来解决
堆（Heap）
◼ 堆（Heap）也是一种树状的数据结构（不要跟内存模型中的“堆空间”混淆），常见的堆实现有
- 二叉堆（Binary Heap，完全二叉堆）
- 多叉堆（D-heap、D-ary Heap）
- 索引堆（Index Heap）
- 二项堆（Binomial He p）
- 斐波那契堆（Fibonacci Heap）
- 左倾堆（Leftist Heap，左式堆）
- 斜堆（Skew Heap）
◼ 堆的一个重要性质：任意节点的值总是 ≥（ ≤ ）子节点的值
如果任意节点的值总是 ≥ 子节点的值，称为：最大堆、大根堆、大顶堆
如果任意节点的值总是 ≤ 子节点的值，称为：最小堆、小根堆、小顶堆
◼ 由此可见，堆中的元素必须具备可比较性（跟二叉搜索树一样）
堆的基本接口设计
package com.njf;
public interface Heap <E>{
int size(); // 元素的数量
boolean isEmpty(); // 是否为空
void clear(); // 清空
void add(E element); // 添加元素
E get(); // 获得堆顶元素
E remove(); // 删除堆顶元素
E replace(E element); // 删除堆顶元素的同时插入一个新元素
}
二叉堆（Binar y Heap）
◼ 二叉堆的逻辑结构就是一棵完全二叉树，所以也叫完全二叉堆
◼ 鉴于完全二叉树的一些特性，二叉堆的底层（物理结构）一般用数组实现即可
◼ 索引 i 的规律（ n 是元素数量）
如果
i = 0 ，它是根节点如果
i > 0 ，它的父节点的索引为 floor( (i – 1) / 2 )如果
2i + 1 ≤ n – 1，它的左子节点的索引为 2i + 1如果
2i + 1 > n – 1 ，它无左子节点
如果 2i + 2 ≤ n – 1 ，它的右子节点的索引为 2i + 2
如果 2i + 2 > n – 1 ，它无右子节点
最大堆 – 添加
总结
◼ 循环执行以下操作（图中的 80 简称为 node）
如果 node ＞ 父节点
✓ 与父节点交换位置
如果 node ≤ 父节点，或者 node 没有父节点
✓ 退出循环
◼ 这个过程，叫做上滤（Sift Up）
时间复杂度：O(logn)
@Override
public void add(E element) {
//二叉堆节点元素具备可比较性，所以添加元素不能为空
elementNotNullCheck(element);
//扩容
ensureCapacity(size + 1);
//在数组的尾部添加元素
elements[size] = element;
//上滤
siftUp(size);
size ++;
}
/**
* 让index位置的元素上滤
* @param index
*/
private void siftUp(int index) {
E element = elements[index];
while (index > 0) {//只有index > 0 才会触发上滤
//获取父节点的index
int parentIndex = (index - 1) >> 1;
E parentElement = elements[parentIndex];
if (compare(element, parentElement) <= 0) return;
// 交换index、parentIdex位置的内容
E tmp = elements[index];
elements[index] = elements[parentIndex];
elements[parentIndex] = tmp;
//重新赋值index，开启下一轮循环
index = parentIndex;
}
}
最大堆 – 添加 – 交换位置的优化
◼ 一般交换位置需要3行代码，可以进一步优化
将新添加节点备份，确定最终位置才摆放上去
◼ 仅从交换位置的代码角度看
可以由大概的 3 * O(logn) 优化到 1 * O(logn) + 1
/**
* 让index位置的元素上滤
* @param index
*/
private void siftUp(int index) {
E element = elements[index];
while (index > 0) {//只有index > 0 才会触发上滤
//获取父节点的index
int parentIndex = (index - 1) >> 1;
E parentElement = elements[parentIndex];
if (compare(element, parentElement) <= 0) break;
// 交换index、parentIdex位置的内容
elements[index] = elements[parentIndex];
//重新赋值index，开启下一轮循环
index = parentIndex;
}
elements[index] = element;
}
最大堆 – 删除
总结
1. 用最后一个节点覆盖根节点
2. 删除最后一个节点
3. 循环执行以下操作（图中的 43 简称为 node）
如果 node < 最大的子节点
✓ 与最大的子节点交换位置
如果 nod ≥ 最大的子节点， 或者 node 没有子节点
✓ 退出循环
◼ 这个过程，叫做下滤（Sift Down），时间复杂度：O(logn)
◼ 同样的，交换位置的操作可以像添加那样进行优化
@Override
public E remove() {
emptyCheck();
E root = elements[0];
elements[0] = elements[size -1];
elements[size - 1] = null;
size --;
siftDown(0);
return root;
}
下滤
/**
* 让index位置的元素下滤
* @param index
*/
private void siftDown(int index) {
E element = elements[index];
int half = size >> 1;
// 第一个叶子节点的索引 == 非叶子节点的数量
// index < 第一个叶子节点的索引
// 必须保证index位置是非叶子节点
while (index < half) {
// index的节点有2种情况
// 1.只有左子节点
// 2.同时有左右子节点
// 默认为左子节点跟它进行比较
int childIndex = (index << 1) + 1;
E child = elements[childIndex];
// 右子节点
int rightIndex = childIndex + 1;
// 选出左右子节点最大的那个
if (rightIndex < size && compare(elements[rightIndex], child) > 0) {
child = elements[childIndex = rightIndex];
}
if (compare(element, child) >= 0) break;
// 将子节点存放到index位置
elements[index] = child;
// 重新设置index
index = childIndex;
}
elements[index] = element;
}
完全二叉树的性质：非叶子结点个数 n1 + n2 = floor( n / 2 ) = ceiling( (n – 1) / 2 )
break 跳出总上一层循环，不再执行循环(结束当前的循环体)
continue 跳出本次循环，继续执行下次循环(结束正在执行的循环 进入下一个循环条件)
return 程序返回，不再执行下面的代码(结束当前的方法 直接返回)
最大堆 – 批量建堆（Heapify）
◼ 批量建堆，有 2 种做法
- 自上而下的上滤
- 自下而上的下滤
最大堆 – 批量建堆 – 自上而下的上滤
for (int i = 1; i < size; i++) {
siftUp(i);
}
最大堆 – 批量建堆 – 自下而上的下滤
// 自下而上的下滤
for (int i = (size >> 1) - 1; i >= 0; i--) {
siftDown(i);
}
最大堆 – 批量建堆 – 效率对比
◼ 所有节点的深度之和
仅仅是叶子节点，就有近 n/2 个，而且每一个叶子节点的深度都是 O(logn) 级别的
因此，在叶子节点这一块，就达到了 O(nlogn) 级别
O(nlogn) 的时间复杂度足以利用排序算法对所有节点进行全排序
◼ 所有节点的高度之和
假设是满树，节点总个数为 n，树高为 h，那么 n = 2^h − 1
公式推导
public BinaryHeap(E[] elements,Comparator<E> comparator) {
this.comparator = comparator;
if (elements == null || elements.length == 0) {
this.elements = (E[]) new Object[DEFAULT_CAPACITY];
}else {
size = elements.length;
int capacity = Math.max(elements.length, DEFAULT_CAPACITY);
this.elements = (E[]) new Object[capacity];
for (int i = 0; i < elements.length; i++) {
this.elements[i] = elements[i];
}
//批量建堆
heapify();
}
}
/**
* 批量建堆
*/
private void heapify() {
// 自上而下的上滤
// for (int i = 1; i < size; i++) {
// siftUp(i);
// }
// 自下而上的下滤
for (int i = (size >> 1) - 1; i >= 0; i--) {
siftDown(i);
}
}
如何构建一个小顶堆？
Integer[] data = {88, 44, 53, 41, 16, 6, 70, 18, 85, 98, 81, 23, 36, 43, 37};
BinaryHeap<Integer> heap = new BinaryHeap<>(data, new Comparator<Integer>() {
public int compare(Integer o1, Integer o2) {
return o2 - o1;
}
});
Top K问题
◼ 从 n 个整数中，找出最大的前 k 个数（ k 远远小于 n ）
◼ 如果使用排序算法进行全排序，需要 O(nlogn) 的时间复杂度
◼ 如果使用二叉堆来解决，可以使用 O(nlogk) 的时间复杂度来解决
1. 新建一个小顶堆
2. 扫描 n 个整数
✓ 先将遍历到的前 k 个数放入堆中
✓ 从第 k + 1 个数开始，如果大于堆顶元素，就使用 replace 操作（删除堆顶元素，将第 k + 1 个数添加到堆中）
3. 扫描完毕后，堆中剩下的就是最大的前 k 个数
// 新建一个小顶堆
BinaryHeap<Integer> heap = new BinaryHeap<>(new Comparator<Integer>() {
public int compare(Integer o1, Integer o2) {
return o2 - o1;
}
});
// 找出最大的前k个数
int k = 3;
Integer[] data = {51, 30, 39, 92, 74, 25, 16, 93,
91, 19, 54, 47, 73, 62, 76, 63, 35, 18,
90, 6, 65, 49, 3, 26, 61, 21, 48};
for (int i = 0; i < data.length; i++) {
if (heap.size() < k) { // 前k个数添加到小顶堆
heap.add(data[i]); // logk
} else if (data[i] > heap.get()) { // 如果是第k + 1个数，并且大于堆顶元素
heap.replace(data[i]); // logk
}
}
◼ 如果是找出最小的前 k 个数呢？
用大顶堆
如果小于堆顶元素，就使用 replace 操作
二叉堆的完整代码
package com.njf;
import java.util.Comparator;
import njf.printer.BinaryTreeInfo;
@SuppressWarnings("unused")
public class BinaryHeap<E> implements Heap<E>,BinaryTreeInfo{
private static final int DEFAULT_CAPACITY = 10;
private int size;
private E[] elements;
private Comparator<E> comparator;
public BinaryHeap(E[] elements,Comparator<E> comparator) {
this.comparator = comparator;
if (elements == null || elements.length == 0) {
this.elements = (E[]) new Object[DEFAULT_CAPACITY];
}else {
size = elements.length;
int capacity = Math.max(elements.length, DEFAULT_CAPACITY);
this.elements = (E[]) new Object[capacity];
for (int i = 0; i < elements.length; i++) {
this.elements[i] = elements[i];
}
//批量建堆
heapify();
}
}
public BinaryHeap (E[] elements) {
this(elements,null);
}
public BinaryHeap (Comparator<E> comparator) {
this(null,comparator);
}
public BinaryHeap () {
this(null,null);
}
@Override
public int size() {
return size;
}
@Override
public boolean isEmpty() {
return size == 0;
}
@Override
public void clear() {
for (int i = 0; i < size; i++) {
elements[i] = null;
}
size = 0;
}
@Override
public void add(E element) {
//二叉堆节点元素具备可比较性，所以添加元素不能为空
elementNotNullCheck(element);
//扩容
ensureCapacity(size + 1);
//在数组的尾部添加元素
elements[size] = element;
//上滤
siftUp(size);
size ++;
}
@Override
public E get() {
//检测二叉对是否为空
emptyCheck();
return elements[0];
}
@Override
public E remove() {
emptyCheck();
E root = elements[0];
elements[0] = elements[size -1];
elements[size - 1] = null;
size --;
siftDown(0);
return root;
}
@Override
public E replace(E element) {
elementNotNullCheck(element);
if (size == 0) {
elements[0] = element;
size ++;
}else {
E root = elements[0];
elements[0] = element;
siftDown(0);
return root;
}
return null;
}
/**
* 批量建堆
*/
private void heapify() {
// 自上而下的上滤
// for (int i = 1; i < size; i++) {
// siftUp(i);
// }
// 自下而上的下滤
for (int i = (size >> 1) - 1; i >= 0; i--) {
siftDown(i);
}
}
/**
* 让index位置的元素下滤
* @param index
*/
private void siftDown(int index) {
E element = elements[index];
//完全二叉树的性质：非叶子结点个数 n1 + n2 = floor( n / 2 ) = ceiling( (n – 1) / 2 )
int half = size >> 1;
// 第一个叶子节点的索引 == 非叶子节点的数量
// index < 第一个叶子节点的索引
// 必须保证index位置是非叶子节点
while (index < half) {
// index的节点有2种情况
// 1.只有左子节点
// 2.同时有左右子节点
// 默认为左子节点跟它进行比较
int childIndex = (index << 1) + 1;
E child = elements[childIndex];
// 右子节点
int rightIndex = childIndex + 1;
// 选出左右子节点最大的那个
if (rightIndex < size && compare(elements[rightIndex], child) > 0) {
child = elements[childIndex = rightIndex];
}
if (compare(element, child) >= 0) break;
// 将子节点存放到index位置
elements[index] = child;
// 重新设置index
index = childIndex;
}
elements[index] = element;
}
/**
* 让index位置的元素上滤
* @param index
*/
private void siftUp(int index) {
// E element = elements[index];
// while (index > 0) {//只有index > 0 才会触发上滤
// //获取父节点的index
// int parentIndex = (index - 1) >> 1;
// E parentElement = elements[parentIndex];
// if (compare(element, parentElement) <= 0) return;
// // 交换index、parentIdex位置的内容
// E tmp = elements[index];
// elements[index] = elements[parentIndex];
// elements[parentIndex] = tmp;
// //重新赋值index，开启下一轮循环
// index = parentIndex;
// }
E element = elements[index];
while (index > 0) {//只有index > 0 才会触发上滤
//获取父节点的index
int parentIndex = (index - 1) >> 1;
E parentElement = elements[parentIndex];
if (compare(element, parentElement) <= 0) break;
// 交换index、parentIdex位置的内容
elements[index] = elements[parentIndex];
//重新赋值index，开启下一轮循环
index = parentIndex;
}
elements[index] = element;
}
/**
* 保证要有capacity的容量
* @param capacity
*/
private void ensureCapacity(int capacity) {
int oldCapacity = elements.length;
if (oldCapacity >= capacity) return;
// 新容量为旧容量的1.5倍
int newCapacity = oldCapacity + (oldCapacity >> 1);//位运算
E[] newElements = (E[]) new Object[newCapacity];
for (int i = 0; i < size; i++) {
newElements[i] = elements[i];
}
elements = newElements;
}
private int compare(E e1, E e2) {
return comparator != null ? comparator.compare(e1, e2) : ((Comparable<E>)e1).compareTo(e2);
}
private void emptyCheck() {
if (size == 0) {
throw new IndexOutOfBoundsException("Heap is empty");
}
}
private void elementNotNullCheck(E element) {
if (element == null) {
throw new IllegalArgumentException("element must not be null");
}
}
/********************二叉树的打印****************/
@Override
public Object root() {
return 0;
}
@Override
public Object left(Object node) {
int index = ((int)node << 1) + 1;
return index >= size ? null : index;
}
@Override
public Object right(Object node) {
int index = ((int)node << 1) + 2;
return index >= size ? null : index;
}
@Override
public Object string(Object node) {
return elements[(int)node];
}
}
验证
package com.njf;
import java.util.Comparator;
import njf.printer.BinaryTrees;
public class Main {
private static void test() {
BinaryHeap <Integer> heap = new BinaryHeap<>();
heap.add(68);
heap.add(72);
heap.add(43);
heap.add(50);
heap.add(38);
heap.add(10);
heap.add(90);
heap.add(65);
BinaryTrees.println(heap);
// heap.remove();
// BinaryTrees.println(heap);
System.out.println(heap.replace(70));
BinaryTrees.println(heap);
}
static void test1() {
Integer[] data = {88, 44, 53, 41, 16, 6, 70, 18, 85, 98, 81, 23, 36, 43, 37};
BinaryHeap<Integer> heap = new BinaryHeap<>(data);
BinaryTrees.println(heap);
data[0] = 10;
data[1] = 20;
BinaryTrees.println(heap);
}
static void test2() {
Integer[] data = {88, 44, 53, 41, 16, 6, 70, 18, 85, 98, 81, 23, 36, 43, 37};
BinaryHeap<Integer> heap = new BinaryHeap<>(data, new Comparator<Integer>() {
public int compare(Integer o1, Integer o2) {
return o2 - o1;
}
});
BinaryTrees.println(heap);
}
static void test3() {
// 新建一个小顶堆
BinaryHeap<Integer> heap = new BinaryHeap<>(new Comparator<Integer>() {
public int compare(Integer o1, Integer o2) {
return o2 - o1;
}
});
// 找出最大的前k个数
int k = 3;
Integer[] data = {51, 30, 39, 92, 74, 25, 16, 93,
91, 19, 54, 47, 73, 62, 76, 63, 35, 18,
90, 6, 65, 49, 3, 26, 61, 21, 48};
for (int i = 0; i < data.length; i++) {
if (heap.size() < k) { // 前k个数添加到小顶堆
heap.add(data[i]); // logk
} else if (data[i] > heap.get()) { // 如果是第k + 1个数，并且大于堆顶元素
heap.replace(data[i]); // logk
}
}
// O(nlogk)
BinaryTrees.println(heap);
}
public static void main(String[] args) {
test3();
}
}
