我一直在研究二叉堆,它们显然是优先队列的良好数据结构。假设我的数据流有数百万 (N) 条记录,并且我定期对排名前 1000 (k << N) 条记录感兴趣。如果有足够的空间,我将只维护一个 N 大小的二进制堆,并且每次插入都是 O(log N)。不过,我想做的是在每次插入时修剪树,即丢弃第 1001 个元素。如何在不到 O(k) 的时间内进行修剪对我来说并不明显。
(如果我对每次修剪(和插入)的 O(k) 时间感到满意,我将只维护 k 个元素的有序列表,而不是堆。)
一个想法是有两个并行堆,一个保留最小值,另一个保留最大值,两者都只保留前 1000 个元素。不过,它有点丑。
澄清一下,这些是我的限制条件:
- 插入:理想情况下少于 ~1000 次操作(因此排除原始列表)
- 存储:有限,需要按插入率大致修剪不受欢迎的项目(一些恒定的开销是可以的)
- 查询前 1000 项:前 1000 项不必完全排序,堆排序就可以了
最佳答案
您可以使用二叉堆轻松地做到这一点。
假设您有一个大小未知的项目流,并且您想要找到前 1,000 个项目。这是想法。
initialize heap
while (items to be read)
{
read item
if (heap.count < 1000 OR item > heap.Peek())
{
// Either we haven't added 1,000 items yet,
// or the new item is larger than the smallest
// item on the heap.
heap.Add(item)
if (heap.count > 1000)
{
// trim the heap
// This makes sure that the heap doesn't
// grow too large.
heap.RemoveFirst()
}
}
}
( heap.Peek()
检查但不删除堆上的最低项)。
完成后,堆将包含排名前 1,000 项。
这不可能在 O(N) 时间内完成。该算法的复杂度为 O(N log k),其中 k
是堆的大小。
顺便说一句,您也不会在 O(N) 时间内维护有序列表。
如果您可以将所有 1,000,000 个项目保存在一个数组中,另一种选择是快速选择。它在 O(N) 时间内运行,但我发现当 k
与 N
相比较小时,堆选择技术更快。参见 When theory meets practice了解详情。
如果您不能将所有项目都保存在内存中(即您正在处理数据流),那么堆选择技术是您能做的最好的。你可以用 skip list 做同样的事情,这也是 O(n log k),但跳过列表的性能可能比二进制堆略好。
顺便说一句,O(n log k) 是最坏的情况,如果项目按排序顺序出现在堆中,就会发生这种情况。在这种情况下,每个项目都被添加到堆中。如果项目分布更正常,则大多数项目不会通过 heap.Peek()
测试。我的测试表明,对于正态分布,只有大约 10% 的项目(从 1,000,000 中选择 1,000 时)通过了第一次测试。同样,我在上面链接的博客文章中提供了更多信息。
关于algorithm - 将二叉堆的大小限制为前 N 个元素,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/8362277/