c++流之sstream/堆or优先队列的应用[1]-海口c网

c++流之sstream

解释

注意事项

215.数据流的第k'大

问题分析

修正代码

主要修改点

优先队列的比较规则

代码中的比较逻辑

为什么这样能维护第 k 大元素？

举个例子

总结

Python 实现（使用heapq库）

Java 实现（使用PriorityQueue）

复杂度分析

347.前k大频率数字

复杂度分析：

代码解释：

复杂度分析：

具体规则

为什么代码中用小顶堆？

示例验证

输出结果

总结

c++流之sstream

要使用 std::istringstream，你需要包含 <sstream> 头文件。

#include <iostream>
#include <sstream> // 包含 sstream 头文件int main() {std::string input = "push 15";int number;// 使用 std::istringstream 从字符串中提取数字std::istringstream iss(input);std::string command;iss >> command >> number; // 读取命令和数字// 输出提取的数字std::cout << "Command: " << command << std::endl;std::cout << "Extracted number: " << number << std::endl;return 0;
}

引用

解释

包含头文件：确保包含了 <sstream> 头文件，以便使用 std::istringstream。
使用 std::istringstream：创建一个 std::istringstream 对象，并将输入字符串传递给它。
提取数据：使用 >> 运算符从 std::istringstream 中提取数据。

注意事项

std::istringstream 是一个字符串输入流，可以用于从字符串中读取数据。
>> 运算符用于从流中提取数据，类似于从标准输入中读取数据。

通过这种方式，你可以从字符串中提取命令和数字。

事实上这样用到qingwen还是不行.为什么了?自己造字符串能读,他给的就不行.

我的代码

   int k;cin>>n;cin>>k;string a;string command;int m;for(int i=0;i<n;i++){         cin >> a;istringstream iss(a);iss >> command >> m;cout<<command<<m;hp[i+1]=m;}// for(int i=n/2;i>=1;i--)// downAdjust(i,n);for(int i=0;i<n;i++)cout<<hp[i+1]<<(i==n-1?"":" ");

输入数据

7 2 Push 1 Print Push 3 Print Push 7 Push 6 Print

你的输出

Push010Print0Push030Print0Push00 0 0 0 0 0 0

真不知道为什么,自己写了push 15 是可以识别的

换成他的输入a瞬间就不行了

老老实实scanf吧....

215.数据流的第k'大

#include <iostream> #include <vector> #include <string> #include <queue> using namespace std; int main() { priority_queue<int, vector<int>, greater<int> > q; int n, k, x; cin >> n >> k; string action; for (int i = 0; i < n; i++) { cin >> action; if (action == "Print") { if (q.size() >= k) { cout << q.top() << endl; } else { cout << -1 << endl; } } else if (action == "Push") { cin >> x; q.push(x); if (q.size() > k) { q.pop(); } } } return 0; }这对吗

你的代码基本逻辑是正确的，但有一个小问题需要修正。

问题分析

功能逻辑：代码使用最小堆（优先队列）维护当前最大的 k 个元素。每次 Push 操作时，如果队列大小超过 k，则弹出最小元素；每次 Print 操作时，如果队列中有至少 k 个元素，则输出堆顶元素（即第 k 大元素），否则输出 - 1。
潜在问题：当 k=0 时，Push 操作会导致队列大小超过 k（变为 1），触发 pop ()，但此时队列实际容量应为 0，因此不应该执行 push 操作。

修正代码

以下是修正后的完整代码：

cpp

运行

#include <iostream>
#include <vector>
#include <string>
#include <queue>
using namespace std;int main() {priority_queue<int, vector<int>, greater<int>> q;int n, k, x;cin >> n >> k;string action;for (int i = 0; i < n; i++) {cin >> action;if (action == "Print") {if (q.size() >= k) {cout << q.top() << endl;} else {cout << -1 << endl;}} else if (action == "Push") {cin >> x;// 关键修改：只有当队列当前元素不足k时才pushif (q.size() < k) {q.push(x);} else if (k > 0 && x > q.top()) {// 如果队列已满且新元素比堆顶大，则替换堆顶q.pop();q.push(x);}}}return 0;
}

主要修改点

Push 操作优化：
- 增加判断 if (q.size() < k) 确保队列不会超过 k 个元素
- 增加 k > 0 检查防止 k=0 时的非法操作
- 当队列已满时，仅当新元素大于堆顶元素才替换堆顶
边界处理：
- 正确处理 k=0 的情况（此时 Print 始终输出 - 1，Push 不执行任何操作）
- 当 k=1 时，队列始终维护最大值

这个修正后的代码能够正确处理所有边界情况，包括 k=0 和 k=1 的特殊情况，以及元素替换逻辑。

为什么他能用队列维护最小堆?没看到他在哪大小比较了

在这段代码中，priority_queue 的比较逻辑是通过模板参数 greater<int> 指定的，这决定了队列的排序规则。让我解释一下：

优先队列的比较规则

在 C++ 中，priority_queue 的默认比较规则是 less<T>（大顶堆），但这段代码使用了：

cpp

运行

priority_queue<int, vector<int>, greater<int>> q;

这里的 greater<int> 是一个比较函数对象，它定义了元素间的顺序关系：

greater<int> 会让较小的元素排在队列前面（升序）
因此堆顶元素始终是当前队列中的最小值
这就实现了一个最小堆的功能

代码中的比较逻辑

虽然代码里没有显式的比较语句，但比较逻辑隐藏在 greater<int> 中：

每次 push(x) 时，队列会自动调整，确保堆顶是最小值
当队列大小超过 k 时，pop() 操作会移除当前最小值（堆顶）
因此队列始终维护着最大的 k 个元素，堆顶是这 k 个中的最小值

为什么这样能维护第 k 大元素？

假设我们有一个动态的数据流，每次插入元素后：
1. 如果队列未满（size < k），直接插入
2. 如果队列已满（size == k），且新元素比堆顶大：
  - 弹出堆顶（当前最小值）
  - 插入新元素
3. 这样队列始终保存着最大的 k 个元素，而堆顶就是第 k 大元素

举个例子

假设 k=3，数据流是 5, 3, 7, 2, 8：

插入 5：队列 [5]
插入 3：队列 [3, 5]
插入 7：队列 [3, 5, 7]（堆顶 3 是当前第 3 大）
插入 2：2 比堆顶 3 小，丢弃，队列仍为 [3, 5, 7]
插入 8：8 比堆顶 3 大，弹出 3，插入 8，队列变为 [5, 7, 8]
最终队列保存最大的 3 个元素，堆顶 5 就是第 3 大元素

总结

比较逻辑由 greater<int> 隐式实现，它确保：

堆顶始终是队列中的最小值
通过限制队列大小为 k，堆顶就是第 k 大元素

这种方法巧妙地利用了最小堆的特性，避免了显式排序，时间复杂度为 O (log k)，非常高效。

要解决 “数据流中的第 K 大元素” 问题，通常可以使用 ** 最小堆（小顶堆）** 来高效实现。这种方法在维护一个大小为 K 的堆时，能保证堆顶元素始终是第 K 大的元素。以下是具体的实现思路：

初始化堆：创建一个最小堆，并在添加元素时保持堆的大小不超过 K。
添加元素：对于每个新元素，如果堆的大小小于 K，则直接加入堆；否则，比较新元素与堆顶元素的大小，若新元素更大，则替换堆顶元素并调整堆。

以下是使用 Python 和 Java 实现的代码示例：

Python 实现（使用`heapq`库）

python

运行

import heapqclass KthLargest:def __init__(self, k: int, nums: list[int]):self.k = kself.heap = numsheapq.heapify(self.heap)  # 将列表转换为最小堆# 保持堆的大小为kwhile len(self.heap) > k:heapq.heappop(self.heap)def add(self, val: int) -> int:if len(self.heap) < self.k:heapq.heappush(self.heap, val)elif val > self.heap[0]:  # 堆顶元素是当前第k大的元素heapq.heapreplace(self.heap, val)return self.heap[0]  # 返回堆顶元素，即第k大的元素# 示例用法
kth_largest = KthLargest(3, [4, 5, 8, 2])
print(kth_largest.add(3))  # 输出: 4
print(kth_largest.add(5))  # 输出: 5

Java 实现（使用`PriorityQueue`）

java

import java.util.PriorityQueue;class KthLargest {private PriorityQueue<Integer> minHeap;private int k;public KthLargest(int k, int[] nums) {this.k = k;minHeap = new PriorityQueue<>(k);for (int num : nums) {add(num);}}public int add(int val) {if (minHeap.size() < k) {minHeap.offer(val);} else if (val > minHeap.peek()) {minHeap.poll();minHeap.offer(val);}return minHeap.peek();}public static void main(String[] args) {KthLargest kthLargest = new KthLargest(3, new int[]{4, 5, 8, 2});System.out.println(kthLargest.add(3)); // 输出: 4System.out.println(kthLargest.add(5)); // 输出: 5}
}

复杂度分析

时间复杂度：初始化时为 O (n log k)，每次添加操作为 O (log k)。
空间复杂度：O (k)，主要用于维护堆的大小。

这种方法通过最小堆动态维护数据流中的前 K 大元素，确保在处理海量数据时依然高效。

347.前k大频率数字

给你一个整数数组 nums 和一个整数 k ，请你返回其中出现频率前 k 高的元素。你可以按任意顺序返回答案。

为了解决这个问题，我们可以使用哈希表统计元素频率，然后结合最小堆来维护前 k 高的元素。以下是具体的实现步骤：

统计元素频率：使用哈希表记录每个元素的出现次数。
维护最小堆：遍历哈希表，使用最小堆维护当前频率最高的 k 个元素。如果堆的大小超过 k，则移除频率最小的元素。
提取结果：最终堆中的元素即为频率前 k 高的元素。

下面是实现代码：

python

运行

from collections import Counter
import heapqdef topKFrequent(nums, k):# 统计每个元素的频率count = Counter(nums)# 使用最小堆维护前k个高频元素heap = []for num, freq in count.items():# 若堆的大小小于k，直接添加if len(heap) < k:heapq.heappush(heap, (freq, num))# 否则比较当前频率与堆顶元素频率else:if freq > heap[0][0]:heapq.heappop(heap)heapq.heappush(heap, (freq, num))# 提取堆中的元素return [num for freq, num in heap]# 示例测试
nums = [1,1,1,2,2,3]
k = 2
print(topKFrequent(nums, k))  # 输出: [1, 2]

复杂度分析：

时间复杂度：O (n log k)，其中 n 是数组的长度。遍历数组统计频率需要 O (n) 时间，每次堆操作需要 O (log k) 时间。
空间复杂度：O (n)，主要用于哈希表存储频率。

c++

cpp

运行

#include <vector>
#include <unordered_map>
#include <queue>
using namespace std;vector<int> topKFrequent(vector<int>& nums, int k) {// 统计每个元素的频率unordered_map<int, int> freq;for (int num : nums) {freq[num]++;}// 使用最小堆维护前k个高频元素priority_queue<pair<int, int>, vector<pair<int, int>>, greater<pair<int, int>>> heap;for (auto& pair : freq) {heap.push({pair.second, pair.first});if (heap.size() > k) {heap.pop();}}// 提取堆中的元素vector<int> result(k);for (int i = k - 1; i >= 0; i--) {result[i] = heap.top().second;heap.pop();}return result;
}

代码解释：

统计频率：使用unordered_map统计每个元素的出现次数。
维护最小堆：遍历频率表，将元素按频率插入最小堆（优先队列）。当堆大小超过 k 时，弹出堆顶（最小频率元素）。
提取结果：堆中剩余的 k 个元素即为频率前 k 高的元素，按频率从低到高提取并反转。

复杂度分析：

时间复杂度：O (n log k)，其中 n 是数组长度。统计频率 O (n)，堆操作 O (log k)。
空间复杂度：O (n)，主要用于哈希表存储频率。

优先队列元素是pair<int,int>我怎么知道它是按哪一个优先?

在 C++ 中，当优先队列（priority_queue）的元素类型是pair<int, int>时，默认的比较规则是按第一个元素降序排列。如果第一个元素相同，则按第二个元素降序排列。这是因为pair的比较运算符默认先比较第一个元素（first），再比较第二个元素（second）。

具体规则

默认比较规则（大顶堆）：

cpp

运行
```
priority_queue<pair<int, int>> heap; // 默认使用 less<pair<int, int>>
```
- 堆顶元素是第一个元素（first）最大的 pair
- 如果多个 pair 的第一个元素相同，则取第二个元素（second）最大的
自定义比较规则（小顶堆）：

cpp

运行
```
priority_queue<pair<int, int>, vector<pair<int, int>>, greater<pair<int, int>>> heap;
```
- 堆顶元素是第一个元素（first）最小的 pair
- 如果多个 pair 的第一个元素相同，则取第二个元素（second）最小的

为什么代码中用小顶堆？

在之前的 Top K 高频元素代码中，我们使用了小顶堆：

cpp

运行

priority_queue<pair<int, int>, vector<pair<int, int>>, greater<pair<int, int>>> heap;

元素类型：pair<int, int> 中 first 是频率，second 是元素值
比较规则：greater 使堆按频率升序排列（频率小的在堆顶）
作用：每次弹出频率最小的元素，最终堆中保留频率最大的 k 个元素

示例验证

以下代码验证优先队列对pair的排序规则：

cpp

运行

#include <iostream>
#include <queue>
using namespace std;int main() {// 大顶堆（默认）priority_queue<pair<int, int>> maxHeap;maxHeap.push({3, 100}); // 频率3，元素100maxHeap.push({1, 200}); // 频率1，元素200maxHeap.push({3, 50});  // 频率3，元素50cout << "大顶堆顺序：" << endl;while (!maxHeap.empty()) {auto p = maxHeap.top();cout << "频率: " << p.first << ", 元素: " << p.second << endl;maxHeap.pop();}// 小顶堆priority_queue<pair<int, int>, vector<pair<int, int>>, greater<pair<int, int>>> minHeap;minHeap.push({3, 100});minHeap.push({1, 200});minHeap.push({3, 50});cout << "\n小顶堆顺序：" << endl;while (!minHeap.empty()) {auto p = minHeap.top();cout << "频率: " << p.first << ", 元素: " << p.second << endl;minHeap.pop();}return 0;
}

输出结果

plaintext

大顶堆顺序：
频率: 3, 元素: 100
频率: 3, 元素: 50
频率: 1, 元素: 200小顶堆顺序：
频率: 1, 元素: 200
频率: 3, 元素: 50
频率: 3, 元素: 100

总结

在 Top K 高频元素问题中：

小顶堆按频率升序排列，堆顶是频率最小的元素
通过限制堆的大小为 k，每次弹出最小频率元素，最终堆中保留的就是前 k 大频率元素