例题链接-前k个高频元素
前言
以前都是用的C++写算法题，最近也想熟悉一下golang的数据结构，故来一篇题解+堆分析。
正文
这里重点不在分析题目，在于golang中的 container/heap
对于内部实现逻辑有兴趣的可以去看看源码。
这里先给出题解的代码
package mainimport ("container/heap""fmt"
)// IHeap 是一个最小堆的实现
type IHeap [][2]intfunc (h IHeap) Len() int {return len(h)
}func (h IHeap) Less(i, j int) bool {return h[i][1] < h[j][1]
}
func (h IHeap) Swap(i, j int) {h[i], h[j] = h[j], h[i]
}// Push 方法将元素添加到堆中
func (h *IHeap) Push(x interface{}) {*h = append(*h, x.([2]int))
}// Pop 方法移除并返回堆顶元素
func (h *IHeap) Pop() interface{} {old := *hn := len(old)x := old[n-1]*h = old[0 : n-1]return x
}// topKFrequent 函数找到数组中出现频率最高的 k 个元素
func topKFrequent(nums []int, k int) []int {// 统计每个数字的出现频率m := map[int]int{}for _, num := range nums {m[num]++}// 创建最小堆h := &IHeap{}heap.Init(h)// 将元素推入堆并维护堆的大小for key, value := range m {heap.Push(h, [2]int{key, value})if h.Len() > k {heap.Pop(h)}}// 从堆中提取结果ret := make([]int, k)for i := 0; i < k; i++ {ret[k-i-1] = heap.Pop(h).([2]int)[0]}return ret
}func main() {nums := []int{1, 1, 216, 216, 216, 216, 216, 216, 6, 1, 2, 2, 3, 9, 9, 5, 6, 0, 6, 6, 9, 4, 5, 12, 6, 459, 15, 15, 216, 26, 15, 115, 15}k := 5fmt.Println(topKFrequent(nums, k))
}
1. 结构定义
这部分定义了我们的堆中元素的基本结构，每个元素有两部分组成，这也令go中的堆的元素更加灵活，可以支持很多数据结构。
type IHeap [][2]int
2. Len()方法
首先，需要实现我们的Len方法，实现这个方法的目的是，他将会在之后函数内部的Down/Up方法所调用，具有重要的作用(这部分在源码里面)
func (h IHeap) Len() int {return len(h)
}
3. Less()方法
Less方法的定义主要是实现了堆内部的比较器，也就是排序原则，就是大根堆和小根堆的区别
func (h IHeap) Less(i, j int) bool {return h[i][1] < h[j][1]
}
4. Swap()方法
这部分也是主要用于Down和Up内部调用，表示利用传入的下标来进行元素位置的交换
func (h IHeap) Swap(i, j int) {h[i], h[j] = h[j], h[i]
}
5. Push()方法
push方法也是用于内部的push函数的调用，此处不需要进行Down或者Up的操作，因为内部的Push函数已经为你准备好了。
func (h *IHeap) Push(x interface{}) {*h = append(*h, x.([2]int))
}
6. Pop()方法
移除堆顶元素的方法，同样用于内部调用
func (h *IHeap) Pop() interface{} {old := *hn := len(old)x := old[n-1]*h = old[0 : n-1]return x
}
结语
以上提到方法都需要我们自己定义一个堆,并实现Heap的接口，才能对heap的函数进行调用，从而实现堆的效果。
总的来说，go的堆虽然实现比较繁琐，但是管理起来却比较灵活，其实比起c++里面的stl，go里面的container/heap让我更有写的欲望吧…😋
