重生之我在异世界学编程之算法与数据结构：深入堆篇

大家好，这里是小编的博客频道
小编的博客：就爱学编程

很高兴在CSDN这个大家庭与大家相识，希望能在这里与大家共同进步，共同收获更好的自己！！！

本文目录

• 正文
• • 一、堆的基本概念
  • 二、堆的存储表示
  • 三、堆的基本操作
  • • 1. 插入元素（Insert）
    • 2. 删除最大/最小值（Extract Max/Min）
    • 3. 构建堆（Build Heap）
  • 四、源码
  • • （1）heap.h
    • （2）heap.c
    • （3）Test.c
  • 五、堆的应用
  • • 1. 优先队列
    • 2. 堆排序
    • 3.Top K问题
    • • （1）定义与背景
      • （2）应用场景
      • （3）实现方法
      • （4）算法优化与挑战
  • 六、总结
• 快乐的时光总是短暂，咱们下篇博文再见啦！！！不要忘了，给小编点点赞和收藏支持一下，在此非常感谢！！！

那接下来就让我们开始遨游在知识的海洋！

正文

一、堆的基本概念

堆是一种特殊的树形数据结构，它完全是一棵二叉树。堆分为最大堆和最小堆两种类型：

• 最大堆：在最大堆中，父节点的键值总是大于或等于任何一个子节点的键值。换句话说，根节点是整个堆中键值最大的节点。
• 最小堆：在最小堆中，父节点的键值总是小于或等于任何一个子节点的键值。也就是说，根节点是整个堆中键值最小的节点。

堆通常用于实现优先队列，并且能在对数时间内完成插入、删除以及查找最值等操作。

二、堆的存储表示

• 堆一般使用数组来实现，这是因为堆是完全二叉树的一种特殊形式，其性质使得我们可以利用数组的索引关系来方便地表示堆的结构。对于一个包含n个元素的零基数组来说：

对于任意给定的索引i：
左子节点的索引为 (2*i + 1)
右子节点的索引为 (2*i + 2)
父节点的索引为 ((i - 1) / 2)（注意这是整数除法）

这种表示方法使得堆的操作变得非常简单高效。

三、堆的基本操作

1. 插入元素（Insert）

向堆中插入一个新元素的过程如下：

将新元素添加到堆的末尾（即数组的最后一个位置）。
然后，从该位置开始向上调整堆，以维护堆的性质。这通常是通过“上浮”（bubble up）或“筛选”（sift up）操作来实现的。

具体步骤如下（以最大堆为例）：

 void heapInsert(int arr[], int &heapSize, int element) { // Step 1: Add the new element at end arr[heapSize] = element; heapSize++; // Step 2: Fix the max heap property if it is violated int i = heapSize - 1; while (i != 0 && arr[(i - 1) / 2] < arr[i]) { // Swap current node with its parent swap(&arr[i], &arr[(i - 1) / 2]); i = (i - 1) / 2; // Move to parent index }}

2. 删除最大/最小值（Extract Max/Min）

从堆中删除最大或最小值的过程如下（以最大堆为例）：

将根节点（即最大值）与堆的最后一个元素交换。
减少堆的大小（即将堆的最后一个元素移除）。
从新的根节点开始向下调整堆，以维护堆的性质。这通常是通过“下沉”（bubble down）或“筛选”（sift down）操作来实现的。

具体步骤如下：

int heapExtractMax(int arr[], int &heapSize) { if (heapSize <= 0) return INT_MIN; // Return an invalid value if heap is empty // Store the maximum value, and remove it from heap int root = arr[0]; arr[0] = arr[heapSize - 1]; heapSize--; // Fix the max heap property if it is violated maxHeapify(arr, 0, heapSize); return root;}void maxHeapify(int arr[], int i, int heapSize) { int largest = i; // Initialize largest as root int left = 2 * i + 1; // left child index int right = 2 * i + 2; // right child index // If left child is larger than root if (left < heapSize && arr[left] > arr[largest]) largest = left; // If right child is larger than largest so far if (right < heapSize && arr[right] > arr[largest]) largest = right; // If largest is not root if (largest != i) { swap(&arr[i], &arr[largest]); // Recursively heapify the affected sub-tree maxHeapify(arr, largest, heapSize); }}

3. 构建堆（Build Heap）

将一个无序数组构建成一个堆的过程可以通过以下步骤实现：

从最后一个非叶子节点开始，依次对每个节点执行“下沉”操作，直到根节点为止。

具体步骤如下（以最大堆为例）：

void buildMaxHeap(int arr[], int n) { int startIdx = (n / 2) - 1; // Last non-leaf node for (int i = startIdx; i >= 0; i--) { maxHeapify(arr, i, n); }}

四、源码

注意：这是小编自己写的，可能有不足之处，仅供参考！！！

（1）heap.h

#pragma once#include#include#includetypedef int HPDataType;typedef struct Heap{HPDataType* _a;int _size;int _capacity;}Heap;//堆的初始化void HeapInit(Heap* php);// 堆的销毁void HeapDestory(Heap* hp);// 堆的插入void HeapPush(Heap* hp, HPDataType x);// 堆的删除void HeapPop(Heap* hp);// 取堆顶的数据HPDataType HeapTop(Heap* hp);// 堆的数据个数int HeapSize(Heap* hp);// 堆的判空int HeapEmpty(Heap* hp);//对调void Swap(HPDataType* ptr1, HPDataType* ptr2);//向上调整（使用条件：除了child对应的数据，其他的构成堆）void AujustUp(HPDataType* a, int child);//向下调整（使用条件：左右子树都是大堆或小堆）void AujustDown(HPDataType* a, int size, int parent);

（2）heap.c

#include\"heap.h\"//堆的初始化void HeapInit(Heap* php) {assert(php);HPDataType* temp = (HPDataType*)malloc(sizeof(HPDataType) * 4);if (temp ==NULL) {perror(\"malloc fail\");return;}php->_a = temp;php->_capacity = 4;php->_size = 0;}// 堆的销毁void HeapDestory(Heap* php) {assert(php);free(php->_a);php->_a = NULL;php->_capacity = 0;php->_size = 0;}//对调void Swap(HPDataType* ptr1, HPDataType* ptr2) {assert(ptr1 && ptr2);HPDataType temp = *ptr1;*ptr1 = *ptr2;*ptr2 = temp;}//向上调整（使用条件：除了child对应的数据，其他的构成堆）void AujustUp(HPDataType* a, int child) {assert(a);int parent = (child - 1) / 2;while (child > 0) {if (a[child] > a[parent]) {Swap(&a[child], &a[parent]);}else {break;}child = parent;parent = (child - 1) / 2;}}// 堆的插入（从尾插入，向上调整）void HeapPush(Heap* php, HPDataType x) {assert(php);if (php->_capacity == php->_size) {HPDataType* temp = (HPDataType*)realloc(php->_a, sizeof(HPDataType) * 2 * php->_capacity);if (temp == NULL) {perror(\"realloc fail\");return;}php->_a = temp;php->_capacity *= 2;}php->_a[php->_size] = x;++php->_size;AujustUp(php->_a, php->_size - 1);}//向下调整（使用条件：左右子树都是大堆或小堆）void AujustDown(HPDataType* a, int size, int parent) {assert(a);int bigchild = parent * 2 + 1;//先假设大孩子是左孩子while (bigchild < size) {//先找到真正数值大的孩子的下标if (bigchild + 1 < size && a[bigchild] < a[bigchild + 1])//小堆\'\'{++bigchild;}if (a[bigchild] > a[parent]) {//小堆\'>\'改成\'<\'Swap(&a[bigchild], &a[parent]);parent = bigchild;bigchild = parent * 2 + 1;//还是先假设大孩子是左孩子}else {break;}}}// 堆的删除（删掉堆顶，向下调整）void HeapPop(Heap* php) {assert(php && php->_size);//采用堆顶数据和堆尾数据对调，再向下调整的优势在于效率高，且不会改变大部分的父子关系Swap(&php->_a[0], &php->_a[php->_size - 1]);--php->_size;AujustDown(php->_a, php->_size, 0);}//void HeapInitArray(Heap* php, int* a, int n){assert(php);php->_a = (HPDataType*)malloc(sizeof(HPDataType) * n);if (php->_a == NULL){perror(\"malloc fail\");return;}php->_size = n;php->_capacity = n;// 建堆for (int i = (n - 2) / 2; i >= 0; --i){AdjustDown(php->_a, php->_size, i);}}// 取堆顶的数据HPDataType HeapTop(Heap* php) {assert(php && php->_size);return php->_a[0];}// 堆的数据个数int HeapSize(Heap* php) {assert(php && php->_size);return php->_size;}// 堆的判空int HeapEmpty(Heap* php) {assert(php);return php->_size == 0;}

（3）Test.c

#define _CRT_SECURE_NO_WARNINGS#include\"heap.h\"int main() {Heap heap;//堆的初始化HeapInit(&heap);//堆插入HeapPush(&heap, 1);HeapPush(&heap, 2);HeapPush(&heap, 17);HeapPush(&heap, 16);HeapPush(&heap, 18);HeapPush(&heap, 111);HeapPush(&heap, 21);HeapPush(&heap, 14);HeapPush(&heap, 61);//堆删除HeapPop(&heap);HeapPop(&heap);HeapPop(&heap);HeapPop(&heap);//根据自己需求观察堆内数据（大堆）int k = 0;scanf(\"%d\", &k);while (!HeapEmpty(&heap) && k--){printf(\"%d \", HeapTop(&heap));HeapPop(&heap);}printf(\"\\n\");return 0;}

五、堆的应用

1. 优先队列

堆是实现优先队列的理想数据结构。在优先队列中，每个元素都有一个优先级，出队顺序是按照优先级的高低来进行的。最大堆可以用于实现一个最大优先队列，而最小堆则可以用于实现一个最小优先队列。

2. 堆排序

• 堆排序是一种基于堆的比较排序算法。它的基本思想是先将待排序序列构造成一个大顶堆，此时整个序列的最大值就是堆顶的元素。然后将其与末尾元素交换，此时末尾就为最大值。然后将剩余n-1个元素重新构造成一个堆，这样会得到n个元素的次小值。如此反复执行，便能得到一个有序序列了。

堆排序的具体步骤如下：

• 构建最大堆（Build Max Heap）：将待排序序列构造成一个大顶堆。
  交换堆顶元素与末尾元素（Swap and Reduce Heap Size）：将当前堆顶元素（最大值）与末尾元素交换，并将堆的大小减1。
  重新调整堆（Heapify）：对新的堆顶元素进行调整，使其满足堆的性质。
  重复步骤2和3，直到堆的大小为1。

具体代码实现如下：

 #include #include // Function to swap two elementsvoid swap(int* a, int* b) { int t = *a; *a = *b; *b = t;}// Function to heapify a subtree rooted with node i which is an index in arr[]void heapify(int arr[], int n, int i) { int largest = i; // Initialize largest as root int left = 2 * i + 1; // left = 2*i + 1 int right = 2 * i + 2; // right = 2*i + 2 // See if left child of root exists and is greater than root if (left < n && arr[left] > arr[largest]) largest = left; // See if right child of root exists and is greater than root if (right < n && arr[right] > arr[largest]) largest = right; // Change root, if needed if (largest != i) { swap(&arr[i], &arr[largest]); // Heapify the root. heapify(arr, n, largest); }}// Main function to do heap sortvoid heapSort(int arr[], int n) { // Build heap (rearrange array) for (int i = n / 2 - 1; i >= 0; i--) heapify(arr, n, i); // One by one extract an element from heap for (int i = n - 1; i >= 0; i--) { // Move current root to end swap(&arr[0], &arr[i]); // call max heapify on the reduced heap heapify(arr, i, 0); }}// A utility function to print array of size nvoid printArray(int arr[], int n) { for (int i = 0; i < n; ++i) printf(\"%d \", arr[i]); printf(\"\");}// Driver program to test above functionsint main() { int arr[] = {12, 11, 13, 5, 6, 7}; int n = sizeof(arr) / sizeof(arr[0]); printf(\"Unsorted array: \"); printArray(arr, n); heapSort(arr, n); printf(\"Sorted array: \"); printArray(arr, n); return 0;}

3.Top K问题

（1）定义与背景

• 定义：给定一个数据集，要求找出其中前K个最大（或小）的元素。
• 背景：该问题在多个领域有广泛应用，如搜索引擎优化、电商推荐系统、异常检测等。在这些场景中，通常需要快速地从大量数据中提取出最重要的信息。

（2）应用场景

1. 搜索引擎：根据用户输入的关键词，返回最相关的Top K个网页链接。这些链接通常是根据页面的相关性、权威性、用户点击率等因素综合评定的。
2. 电商推荐：为用户提供前K个最热门或最符合其偏好的商品推荐。这有助于提升用户体验和销售转化率。
3. 排行榜：在体育比赛、学术排名、企业榜单等地方，使用Top K来列出表现最佳的前几名。
4. 异常检测：在金融风控、网络安全等地方，通过分析数据中的Top K异常值，及时发现潜在的风险和威胁。
5. 科学研究：在生物信息学、物理学等地方，通过分析Top K的数据，可以发现关键的科学问题或现象。
6. 社会媒体分析：分析社交媒体上的热门话题、影响力人物等，为公关策略和市场营销提供依据。
7. 教育评估：在学校和教育机构中，通过分析学生的成绩分布，识别出表现优异的学生或需要额外关注的学生群体。

（3）实现方法

1. 排序法：对整个数据集进行排序，然后选取前K个元素。这种方法简单直观，但当数据集非常大时，排序过程可能会非常耗时，时间复杂度为O(nlogn)。
2. 堆排序：使用最小堆（Min-Heap）或最大堆（Max-Heap）来维护当前的前K大（或小）元素。当遍历到新的元素时，如果它大于（或小于）堆顶元素，则替换堆顶并调整堆。最终，堆中的元素即为所求的前K大（或小）元素。这种方法的时间复杂度为O(nlogk)，适合处理大规模数据。
   • 初始化一个大小为K的堆。
   • 如果堆的大小小于K，直接插入新元素。
   • 如果堆的大小等于K，且当前元素大于（对于找前K大）或小于（对于找前K小）堆顶元素，则替换堆顶并调整堆。
   • 遍历完成后，堆中的元素即为所求。
3. 快速选择（QuickSelect）：这是一种基于快速排序的选择算法，可以在平均O(n)时间内找到第K大的元素，进而得到Top K。不过，其最坏情况下的时间复杂度仍为O(n^2)。
4. 计数排序和桶排序：对于特定范围的数据，可以使用这两种排序方法来高效地找到Top K。它们通过将数据分配到不同的桶或计数数组中，然后统计每个桶或数组中的元素数量来找到Top K。
5. 近似算法：在一些对精度要求不高的场景下，可以使用近似算法来快速得到Top K。例如，Min-Hash算法可以用于频繁项集挖掘。

（4）算法优化与挑战

• 优化：在实际应用中，可以通过多种方式来优化Top K算法的性能。例如，利用并行计算能力加速数据处理；使用高效的内存管理机制减少内存消耗；结合数据的特性选择合适的算法和数据结构等。
• 挑战：在处理大数据时，Top K算法面临的主要挑战包括计算效率和存储空间。随着数据量的增加，传统的排序方法会变得非常低效，而且可能需要大量的内存来存储中间结果。因此，需要采用更加高效的算法和数据结构来解决这些问题。

综上所述，Top K问题是一个具有广泛应用背景和重要价值的问题。通过理解和掌握其相关知识，可以更好地分析和理解数据，提高决策效率和质量。

代码实现：

#define _CRT_SECURE_NO_WARNINGS//TOP-k问题//想要找出N个数据中最大（小）的K个：最简单的思路就是排序，但排序在数据量很大的时候效率低下且有可能无法全部加载进内存。最好的办法就是用堆的办法。//用堆也有两种思路：（1）把N个数据全部建大（小）堆，然后再top后popK次-----不足：数据只能全部在内存上，在数据量很大时数据可能无法全部加载进内存；//（2）把前K个数据建小（大）堆，然后再使剩余的N-K个数据依次与堆顶进行比较，比它大就取代，再向下调整。到最后剩下的数据就是最大（小）的K个。#include#include#include#include//对调数据void Swap(int* ptr1, int* ptr2) {int temp = *ptr1;*ptr1 = *ptr2;*ptr2 = temp;}//向上调整（使用条件：除了child对应的数据，其他的构成堆）void AdjustUp(int* a, int child) {assert(a);int parent = (child - 1) / 2;while (child > 0) {if (a[child] > a[parent]) {Swap(&a[child], &a[parent]);}else {break;}child = parent;parent = (child - 1) / 2;}}//向下调整（使用条件：左右子树都是大堆或小堆）void AdjustDown(int* a, int size, int parent) {assert(a);int bigchild = parent * 2 + 1;//先假设大孩子是左孩子while (bigchild < size) {//先找到真正数值大(小)的孩子的下标if (bigchild + 1 < size && a[bigchild] > a[bigchild + 1])//小堆后面的\'\'{++bigchild;}if (a[bigchild] < a[parent]) {//小堆\'>\'改成\'<\'Swap(&a[bigchild], &a[parent]);parent = bigchild;bigchild = parent * 2 + 1;//还是先假设大孩子是左孩子}else {break;}}}//造数据void Cratedata(int n) {srand(time(0));//生成随机数FILE* fin = fopen(\"data.txt\", \"w\");if (NULL == fin) {perror(\"fopen error\");return;}while (n--) {int data = rand() % 10000;fprintf(fin,\"%d\\n\", data);}fclose(fin);}//Top-K（第二种解决办法）void Top_k(int n, int k) {//1.读取前K个数据并建堆//打开文件FILE* fout = fopen(\"data.txt\", \"r\");if (NULL == fout){perror(\"fopen error\");return;}//申请空间存储读取的K个数据int* a = (int*)malloc(sizeof(int) * k);assert(a);for (int i = 0; i < k; i++) {fscanf(fout, \"%d\", &a[i]);}//把这K个数据进行建堆----找最大，建小堆(向下调整)----可以防止数据的进入堆不受阻for (int i = (k - 1 - 1) / 2; i > 0; --i) {AdjustDown(a, k, i);}//2.然后再使剩余的N-K个数据依次与堆顶进行比较，比它大就取代，再向下调整。到最后剩下的数据就是最大（小）的K个。int data = 0;while (fscanf(fout, \"%d\", &data) != EOF) {if (data > a[0]) {a[0] = data;AdjustDown(a, k, 0);}}fclose(fout);for (int i = 0; i < 10; i++) {printf(\"%d \", a[i]);}}void Test() {//Cratedata(100);Top_k(100, 10);}int main() {Test();return 0;}

六、总结

• 堆是一种非常重要的数据结构，它在计算机科学中有着广泛的应用。通过理解堆的基本概念、存储表示和基本操作，我们可以更好地掌握堆的使用方法和应用场景。同时，堆排序作为一种高效的比较排序算法，也值得我们深入学习和掌握。希望本文能够帮助大家更好地理解C语言中的数据结构——堆。

快乐的时光总是短暂，咱们下篇博文再见啦！！！不要忘了，给小编点点赞和收藏支持一下，在此非常感谢！！！