TopN问题

掌舵的鱼1987

前言


又到了一年一度的南北人口大迁移的时候，没有买票的赶紧买票，今年很早就已经回家准备过年了，因为小编已经离职啦，最近正在积极复习找工作，闲话不多扯，开始今天的正题。


面试题目：如何在10亿个整数中找出前1000个最大的数。


这就是有名的TopN问题，这样的问题有很多种解法，下面我对我了解的解法做一个总结并写出最优算法。
如果初次听到这样的题目，我相信大家和我的第一反应都是一样的，先排序后输出前1000个，那么多排序，归并排序、快速排序、堆排序。。。
那么问题来了，排序的复杂度太大，数据量又是上亿级别的，明显排序方案不合理。那么我们能否不要全排，只排序部分元素，不就可以了吗？


方法一：冒泡排序
由此想到冒泡排序的原理：通过两层for循环，外层第一次循环找到数组中最大的元素放置在倒数第一个位置，第二次循环找到第二大的元素放置在倒数第二个位置。。。循环N次就可以找到TopN。
缺点：冒泡排序内层循环需要大量交换元素。复杂度介于O(n)和O(n^2)之间。


方法二：分而治之
由快速排序原理可知：选一个基准元素，每次排序可以将这个基准元素搁置在正确的位置，左边都是比基准小的元素，右边都是比基准大的元素从而将数组分成左右两部分，分而治之。TopN问题也同样如此，选择一个基准元素并通过快速排序将基准元素搁置在正确的位置，如果左边的元素个数小于1000，那么继续从基准右边排序，如果左边元素个数大于1000，那么从基准左边排序，直到基准的位置正好在1000，结束。
缺点：第一次排序复杂度是O(n),第二次排序复杂度是O(n/2),第三次排序复杂度是O(n/4)...


方法三：文件存储，分而治之
将比基准小的元素存储在txt1中，比基准大的文件存储在txt2中，然后通过类似方法二的形式，最后求出TopN。
缺点：磁盘读取，写入次数过多。




方法四：分布式、MapReduce
单机内存和性能确实受限，那么我们可以将10亿个分段存储在不同的机器上，每台机器计算各自的TopN，最后汇总。
缺点：空间换时间。


当然，上述方法均不合理，TopN的比较好的方法是通过——堆
最优解：小顶堆
如果大家对堆排序的原理不清除，可以查阅相关资料，我推荐大家参考《算法导论》第六章堆排序，讲解很详细。如果大家需要堆排序的源码，可以参考笔者这篇堆排序文章，本文对堆排序不在赘述。


首先，我们需要构建一个大小为N的小顶堆，小顶堆的性质如下：每一个父节点的值都小于左右孩子节点，然后依次从文件中读取10亿个整数，如果元素比堆顶小，则跳过不进行任何操作，如果比堆顶大，则把堆顶元素替换掉，并重新构建小顶堆。当10亿个整数遍历完成后，堆内元素就是TopN的结果。


下面，就写一下代码吧
public class TopN {
    public static int N = 10;           //Top10
    public static int LEN = 100000000; //1亿个整数
    public static int arrs[] =  new int[LEN];
    public static int arr[] = new int[N];
    //数组长度
    public static int len = arr.length;
    //堆中元素的有效元素 heapSize<=len
    public static int heapSize = len;
    public static void main(String[] args) {
        //生成随机数组
       for(int i = 0;i<LEN;i++){
           arrs = new  Random().nextInt(999999999);
       }

       //构建初始堆
       for(int i =  0;i<N;i++){
           arr = arrs;
       }
       //构建小顶堆
        long start =System.currentTimeMillis();
       buildMinHeap();
       for(int i = N;i<LEN;i++){
           if(arrs > arr[0]){
               arr[0] = arrs;
               minHeap(0);
           }
       }
        System.out.println(LEN+"个数，求Top"+N+"，耗时"+(System.currentTimeMillis()-start)+"毫秒");
       print();
    }


    /**
     * 自底向上构建小堆
     */
    public static void buildMinHeap(){
        int size = len / 2;
        for(int i = size;i>=0;i--){
            minHeap(i);
        }
    }

    /**
     * i节点为根及子树是一个小堆
     * @param i
     */
    public static void minHeap(int i){
        int l = left(i);
        int r = right(i);
        int index = i;
        if(l<heapSize && arr[l]<arr[index]){
            index = l;
        }
        if(r<heapSize && arr[r]<arr[index]){
            index = r;
        }
        if(index != i){
            int t = arr[index];
            arr[index] = arr;
            arr = t;
            //递归向下构建堆
            minHeap(index);
        }
    }

    /**
     * 返回i节点的左孩子
     * @param i
     * @return
     */
    public static int left(int i){
        return 2*i;
    }

    /**
     * 返回i节点的右孩子
     * @param i
     * @return
     */
    public static int right(int i){
        return 2*i+1;
    }
    /**
     * 打印
     */
    public  static void print(){
        for(int a:arr){
            System.out.print(a+",");
        }
        System.out.println();
    }由于机器内存首先，我就模拟了1亿个数求Top10，并计算时间。
核心代码，不精确的测试，来看看性能如何：
100000000个数，求Top10，耗时159毫秒
999999910,999999924,999999931,999999946,999999959,999999979,999999953,999999973,999999961,999999982,

100000000个数，求Top1000，耗时157毫秒
100000000个数，求Top10000，耗时159毫秒
100000000个数，求Top30000，耗时187毫秒
100000000个数，求Top60000，耗时223毫秒
200000000个数，求Top10000，耗时321毫秒
300000000个数，求Top10000，耗时482毫秒
//4亿个数字，OOM
java.lang.OutOfMemoryError: Java heap space
at com.stx.sort.TopN.<clinit>(TopN.java:8)
Exception in thread "main"
Process finished with exit code 1简直速度快到没女朋友。。。


与TopN类似的题目并且应用堆原理的问题有很多，再给大家举个例子哈：
记得上周，小编和同事聚餐，期间有个同事提出了一个问题：


给一个无序数组，元素个数亿级，要求写一个算法，要求最后数组左边的任何一个数都比数组右边任何一个数小，但左右数组中元素是否有序不要求。于是，热闹的饭局一下子安静下来，其他同事们都陷入了深深的思考。


了解完堆和TopN的原理后，这样的题也很容易，解法如下：
数组长度为len，构建一个大小为n=len/2的大顶堆，从n处遍历数组
如果元素小于堆顶元素，将该元素与堆顶元素交换，并重新构建大顶堆
若该元素大于堆顶元素，则不操作，继续遍历
直到遍历完成，此时堆中的数据就是左半部分小的数组，与原数组合并后就是需要的结果


代码如下：
public class TopN {

    public static int LEN = 20;     //数组大小
    public static int N = LEN/2;    //堆大小
    public static int arrs[] = new int[LEN];
    public static int arr[] =  new int[N];   //堆
    //数组长度
    public static int len = arr.length;
    //堆中元素的有效元素 heapSize<=len
    public static int heapSize = len;
    public static void main(String[] args) {
        //初始化数组
        for(int i = 0;i<LEN;i++){
            arrs = new Random().nextInt(1000);
        }
        for(int i = 0;i<N;i++){
            arr = arrs;
        }
        //构建大顶堆
        buildMaxHeap();
        for(int i = N;i < LEN;i++){
            //如果比堆顶元素小，交换两个数的位置，并重新调整堆结构
            if(arrs < arr[0]){
                int t = arrs;
                arrs = arr[0];
                arr[0] = t;
                maxHeap(0);
            }
        }
        //修改原数组
        for(int i = 0;i<N;i++){
            arrs = arr;
        }

       print();
    }


    /**
     * 自底向上构建大堆
     */
    public static void buildMaxHeap(){
        int size = len / 2;
        for(int i = size;i>=0;i--){
            maxHeap(i);
        }
    }

    /**
     * i节点为根及子树是一个大堆
     * @param i
     */
    public static void maxHeap(int i){
        int l = left(i);
        int r = right(i);
        int index = i;
        if(l<heapSize && arr[l]>arr[index]){
            index = l;
        }
        if(r<heapSize && arr[r]>arr[index]){
            index = r;
        }
        if(index != i){
            int t = arr[index];
            arr[index] = arr;
            arr = t;
            //递归向下构建堆
            maxHeap(index);
        }
    }

    /**
     * 返回i节点的左孩子
     * @param i
     * @return
     */
    public static int left(int i){
        return 2*i;
    }

    /**
     * 返回i节点的右孩子
     * @param i
     * @return
     */
    public static int right(int i){
        return 2*i+1;
    }
    /**
     * 打印
     */
    public  static void print(){
        for(int a:arrs){
            System.out.print(a+",");
        }
        System.out.println();
    }结果如下：
601,425,389,403,368,164,292,344,305,134,918,896,838,789,695,690,666,663,609,734,

Process finished with exit code 0