我正在尝试使用 java 树集解决算法问题。
问题如下:
Find top k frequent words in realtime data stream.
Implement three methods for Topk Class:
TopK(k). The constructor.
add(word). Add a new word.
topk(). Get the current top k frequent words.
我的想法是使用 HashMap 来记住频率,并使用树集作为缓冲区。
我的实现通过了大部分情况,除了一个:
TopK(10)
add("aw")
add("fb")
add("fb")
topk()
答案应该是 [fb,aw] 但现在是 [fb,aw, fb] 但是,我的代码通过了如下测试用例:
TopK(10)
add("iiiiii")
add("fb")
add("fb")
topk()
和
TopK(10)
add("fb")
add("fb")
topk()
我不知道出了什么问题,所以我在调用比较器时打印了一些值。它给了我这个:
aw aw
11111111
fb aw
33333333
fb aw
33333333
fb aw
222222222
fb aw
222222222
这意味着,第二个“fb”与“aw”进行了两次比较,比较完成。我花了几个小时进行调试,但到目前为止我一无所获。
这是我的实现:
public class TopK {
int size;
HashMap<String, Integer> map;
TreeSet<String> seen;
public TopK(int k) {
// do intialization if necessary
size = k;
seen = new TreeSet<String>(new Comparator<String>(){
@Override
public int compare(String str1, String str2){
System.out.println(str1 + " "+ str2);
if (str1.equals(str2)){
System.out.println("11111111");
return 0;
}
// important !https://www.jiuzhang.com/qa/7646/
// 128 以后integer就不同了
int number1 = map.get(str1);
int number2 = map.get(str2);
if (number1 != number2){
System.out.println("222222222");
return map.get(str1) - map.get(str2);
} else {
System.out.println("33333333");
return str2.compareTo(str1);
}
}
});
map = new HashMap<String, Integer>();
}
/*
* @param word: A string
* @return: nothing
*/
public void add(String word) {
// write your code here
if (!map.containsKey(word)){
map.put(word, 0);
}
map.put(word, map.get(word) + 1);
if (seen.contains(word)){
seen.remove(word);
seen.add(word);
} else {
seen.add(word);
if (seen.size() > size){
seen.pollFirst();
}
}
}
/*
* @return: the current top k frequent words.
*/
public List<String> topk() {
// Write your code here
List<String> results = new ArrayList<String>();
Iterator it = seen.iterator();
while(it.hasNext()) {
String str = (String)it.next();
results.add(0, str);
}
return results;
}
}
最佳答案
我们的第一个线索是那个案例:
aw
fb
fb
失败但是:
iiiii
fb
fb
成功。
这只会因为以下行而发生:return str2.compareTo(str1);
- 如果通过字符串比较出现的次数不同(这可以很容易地检查 - 请这样做) .
我能想到的唯一解释是 java TreeSet 的 contains
函数具有“优化”搜索,只搜索到元素应该出现的位置 - 如果您有顺序并且元素不在它应该出现的位置然后将其视为 TreeSet 中不存在(考虑应该对数组进行排序以检查您在 log(n) 中运行的数字,但在所有数组中都不存在 - 因此如果他存在于错误的位置,您将错过他)。
请注意,在检查 contains
函数之前,您更改了元素应该放置的位置。那么让我们看一下第 2 次迭代 - 我们有 fb
和 aw
在 map 中的值为 1。在 TreeSet 上,它们是 [fb,aw]
(因为字符串比较如前所述)。现在您更改 map 并且 fb
的值为 2 -> 它应该在最后一个位置但是 contains
函数与 aw
比较并思考它应该在它之后 - 但他是最后一个元素,所以它假设 fb
不存在,只需添加他 -> 这就是为什么你看到 2 比较 fb
和 aw
- 一个用于 contain
,一个用于 add
。
希望这是可以理解的......
关于java - 在实时数据流中找到前 k 个频繁词,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51756314/