标签：难题 10 00 01 10000 海量 Top 个数 排序
一、Top K问题
1、含义
在海量数据找出频率最高的前k个数，或从海量数据中找出最大的前k个数，
2、举例
1、有10个文件，每个文件1GB。文件内每行存放字符串，可能重复，内存限制大小是1MB。按照字符串频度排序；返回频数最高的100个词。
- 搜索最热门的10个查询词。
- 在歌曲库中统计下载最高的前10首歌。
- 提取某日访问网站次数最多的那个IP。
- 找出出现次数最多的身份证号。
3、实际
// Shopee二面
Datetime, keyword, count
2021-01-01 08：00：00, toys, 1
2021-01-01 08：01：00, makeup, 2
2021-01-01 08：01：00, cups, 3
2021-01-01 08：02：00, abc, 1
2021-01-01 08：03：00, candy, 5
….
2021-01-01 09：30：00, toys, 2
给定：csv 10T， 1 driver 256 G memory， 512 T storage
求解：top 10 keywords
二、解决
1、好方案：分治+Trie树/Hash+小顶堆
- S1、将数据集按照Hash方法分解成多个小数据集；
- S2、用Trie树或Hash统计每个小数据集中的query词频；用小顶堆求出每个数据集中出现频率最高的前K个数。
- S3、（这里可能涉及Trie树/Hash合并）在所有top K中求出最终的top K。
2、其他
1、全排序
- 步骤： 先排序，如快排，最快时间复杂度一般为
O(nlogn)。
32位机器，每个float类型占4字节，1亿浮点数就占400MB(4*10^8/2^20)的存储空间。 - 问题： 目的的找出最大10000个数即可，而排序却将所有的元素都排序了，做了很多的无用功。
2、局部淘汰法
- 步骤： 用一个容器保存前10000个数，如果后续所有元素都比容器内10000个数小，那容器内就是最大10000个数。如果某元素比容器内最小数字大，则删掉容器内最小元素，并将该元素插入容器。时间复杂度为
O(n+m^2)，其中m为容器的大小，即10000。
3、分治法
- 步骤：
S1：分-- 将1亿个数据分成100份，每份100万个数据，找到每份数据中最大的10000个，最后在剩下的100*10000个数据里面找出最大的10000个。如果100万数据选择足够理想，那么可以过滤掉1亿数据里面99%的数据。
S2：100万个数找最大10000个数方法：用快排，将数据分为2堆，如果大的那堆个数N大于10000个，继续对大堆快速排序一次分成2堆，如果大的那堆个数N大于10000个，继续对大堆快速排序一次分成2堆，如果大堆个数N小于10000个，就在小的那堆里面快速排序一次，找第10000-n大的数字；递归以上过程，就可以找到第1w大的数。
S3：参考上面的找出第1w大数字，就可以类似的方法找到前10000大数字了。此方法要每次内存空间为10^6*4=4MB，一共要101次比较。
4、Hash法
- 步骤：
S1：先Hash去重。如果重复率很高，会减少很大内存消耗。
S2：通过分治法或最小堆法查找最大的10000个数。
5、最小堆
- 步骤：
S1：先读入前10000个数来创建大小为10000的最小堆，然后遍历后续的数字，并于堆顶（最小）数字进行比较。
S2：如果比最小数小，则读取后续数字；如果比堆顶数大，则替换堆顶元素并重调最小堆，直至全部遍历完。
S3：按中序遍历输出堆中10000个数字。该算法时间复杂度为O(nmlogm)，空间复杂度是10000（常数）。
三、延申
处理海量数据问题方法：
- 分治/hash映射 + hash统计 + 堆/快速/归并排序；
- 双层桶划分；
- Bloom filter/Bitmap；
- Trie树/数据库/倒排索引；
- 外排序；
- 分布式处理之Hadoop/Mapreduce。
四、举一反三练习
……
五、参考
1、海量数据中的TOPK问题小结
2、海量数据处理 - 10亿个数中找出最大的10000个数（top K问题）
3、10 亿个数中找出最大的 10000 个数（topK 问题）
4、Top K Problems
5、教你如何迅速秒杀掉：99%的海量数据处理面试题
标签：难题,10,00,01,10000,海量,Top,个数,排序 来源： https://blog.csdn.net/HeavenDan/article/details/120738074
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。