要解决 top-k 问题，我们应该先熟悉一种数据结构 - 堆（优先级队列），已经了解的朋友可以跳过哦。
堆其实就是一种二叉树，但是普通的二叉树是以链式结构进行储存数据的，而堆是以数组进行顺序存储数据的。那么什么样的二叉树才适合用顺序存储的方式呢？
我们假设一颗普通的二叉树可以用数组存储，那么就可以得到如下结构：
我们可以看到，当二叉树中间有空值时，数组的存储空间会被浪费，那么什么情况下空间才不会被浪费呢？ 那就是完全二叉树。
从以上结构中，我们不能用链式结构的指针来访问孩子节点或者父亲节点，只能通过对应下标来访问，其实也比较简单。
例如下图：
已知 2 节点的下标是1，那么
他的左孩子下标是：2 * 2 + 1 = 3
他的右孩子下标是：2 * 2 + 2 = 4
相反，已知 1 节点的下标是3，3 节点的下标是4，那么
1 节点的父亲节点下标是：(3 - 1) / 2 = 1
3 节点的父亲节点下标是：(4 - 1) / 2 = 1
大根堆保证，每颗二叉树的根节点都 大于 左右孩子节点
从最后一棵子树的根节点开始调整，来到每颗子树的根节点，使得每棵子树都向下调整为大根堆，最后再向下做最后调整，保证二叉树整体是大根堆（这个调整主要是为了后面的堆排序）。
具体调整过程如下：
怎么用代码实现呢？
我们首先从最后一棵子树调整，那么就要拿到最后一颗子树的根节点 parent ，我们知道数组最后一个节点下标是 len - 1，而这个节点是最后一棵子树的左孩子或者右孩子，根据孩子下标就可以拿到根节点下标( parent ) ，parent-- 就可以让每颗子树都进行调整，直到来到根节点，再向下调整最后一次，便可以得到大根堆。
// 将数组变成大根堆结构
public void createHeap(int[] arr){
for (int i = 0; i < arr.length; i++) {
elem[i] = arr[i];// 放入elem[],假设不需要扩容
usedSize++;
}
// 得到根节点parent, parent--依次来到每颗子树的根节点，
for (int parent = (usedSize-1-1)/2; parent >= 0; parent--) {
// 依次向下搜索，使得每颗子树都变成大根堆
shiftDown(parent,usedSize);
}
}
// 向下搜索变成大根堆
public void shiftDown(int parent,int len){
int child = parent*2+1;// 拿到左孩子
while (child < len){
// 如果有右孩子,比较左右孩子大小,得到较大的值和父节点比较
if (child+1 < len && (elem[child] < elem[child+1])){
child++;
}
// 比较较大的孩子和父节点,看是否要交换
int max = elem[parent] >= elem[child] ? parent : child;
if (max == parent) break;// 如果不需要调整了，说明当前子树已经是大根堆了，直接 break
swap(elem,parent,child);
parent = child;// 继续向下检测，看是否要调整
child = parent*2+1;
}
}
public void swap(int[] arr,int i,int j){
int temp = arr[i];
arr[i] = arr[j];
arr[j] = temp;
}
小根堆保证，每颗二叉树的根节点都 小于 左右孩子节点
调整过程同上。
在java中，提供了堆这种数据结构（PriorityQueue），也叫优先级队列，当我们创建一个这样的对象时，就得到了一个没有添加数据的 小根堆 ，我们可以向里面添加或者删除元素，每向里面删除或者添加一个元素，系统会整体进行一次调整，重新又调整为小根堆。
// 默认得到一个小根堆
PriorityQueue<Integer> smallHeap = new PriorityQueue<>();
smallHeap.offer(23);
smallHeap.offer(2);
smallHeap.offer(11);
System.out.println(smallHeap.poll());// 弹出2，剩余最小的元素就是11，会被调整到堆顶，下一次弹出
System.out.println(smallHeap.poll());// 弹出11
// 如果需要得到大根堆，在里面传一个比较器
PriorityQueue<Integer> BigHeap = new PriorityQueue<>(new Comparator<Integer>() {
@Override
public int compare(Integer o1, Integer o2) {
return o2 - o1;
}
});
例：有一堆元素，让你找出前三个最小的元素。
思路一： 将数组从小到大排序，拿到数组前3个元素。但是可以发现这样时间复杂度太高，不可取。
思路二： 将元素全部放入一个堆结构中，然后弹出三个元素，每次弹出的元素都是当前堆最小的，那么弹出的三个元素就是前最小的三个元素。
这种思路可以做，但是假设我有1000000个元素，只弹出前三个最小的元素，那么就要用到大小为1000000的堆。这么做空间复杂度太高，不建议用这种方法。
思路三：
我们需要得到三个最小的元素，那么就建一个大小为3的堆，假设目前的堆结构中刚好放满了3个元素，那么这三个元素就是当前最小的三个元素。假设第四个元素是我们想要的元素之一，那么前三个至少有一个元素不是我们想要的，就需要弹出，那么弹出谁呢？
我们要得到的是前三个最小的元素，所以当前堆结构中最大的元素一定不是我们想要的，所以这里我们建一个大根堆。弹出该元素，然后放入第四个元素，直到遍历完整个数组。
这样我们就得到了只含有前三个最小元素的堆，并且可以看到堆的大小一直都是3，而不是有多少数据就建多大的堆，然后再依次弹出元素就行了。
// 找前 k个最小的元素
public static int[] topK(int[] arr,int k){
// 创建一个大小为 k的大根堆
PriorityQueue<Integer> maxHeap = new PriorityQueue<>(k,new Comparator<Integer>() {
@Override
public int compare(Integer o1, Integer o2) {
return o2 - o1;
}
});
for (int i = 0; i < arr.length; i++) {
if (i < k){
// 放入前 k 个元素
maxHeap.offer(arr[i]);
}else{
// 从第 k+1个元素开始进行判断是否要入堆
if (maxHeap.peek() > arr[i]){
maxHeap.poll();
maxHeap.offer(arr[i]);
}
}
}
int[] ret = new int[k];
for (int i = 0; i < k; i++) {
ret[i] = maxHeap.poll();
}
return ret;
}
以上就是top-k问题的基本思路，其他的类似问题也是这样解。
1、如果求前K个最大的元素，要建一个小根堆。
2、如果求前K个最小的元素，要建一个大根堆。
3、如果求第K大的元素，要建一个小根堆 ( 堆顶元素就是 )。
4、如果求第K小的元素，要建一个大根堆 ( 堆顶元素就是 )。
