千家信息网

大数据量获取TopK的方案是什么

发表于:2024-11-14 作者:千家信息网编辑
千家信息网最后更新 2024年11月14日,大数据量获取TopK的方案是什么,相信很多没有经验的人对此束手无策,为此本文总结了问题出现的原因和解决方法,通过这篇文章希望你能解决这个问题。一:介绍生活中经常会遇到求TopK的问题,在小数据量的情况
千家信息网最后更新 2024年11月14日大数据量获取TopK的方案是什么

大数据量获取TopK的方案是什么,相信很多没有经验的人对此束手无策,为此本文总结了问题出现的原因和解决方法,通过这篇文章希望你能解决这个问题。

一:介绍

生活中经常会遇到求TopK的问题,在小数据量的情况下可以先将所有数据排序,最后进行遍历。但是在大数据量情况下,这种的时间复杂度最低的也就是O(NlogN)此处的N可能为10亿这么大的数字,时间复杂度过高,那么什么方法可以减少时间复杂度呢,以下几种方式,与大家分享。

二:局部淘汰法 -- 借助"冒泡排序"获取TopK

  1. 思路:

    • 可以避免对所有数据进行排序,只排序部分

    • 冒泡排序是每一轮排序都会获得一个最大值,则K轮排序即可获得TopK

  2. 时间复杂度空间复杂度

    • 时间复杂度:排序一轮是O(N),则K次排序总时间复杂度为:O(KN)

    • 空间复杂度:O(K),用来存放获得的topK,也可以O(1)遍历原数组的最后K个元素即可。ps:冒泡排序请参考:https://blog.csdn.net/CSDN___LYY/article/details/81478583

三:局部淘汰法 -- 借助数据结构"堆"获取TopK

  1. 思路:

    • 堆:分为大顶堆(堆顶元素大于其他所有元素)和小顶堆(堆顶其他元素小于所有其他元素)

    • 我们使用小顶堆来实现,为什么不适用大顶堆下面会介绍~

    • 取出K个元素放在另外的数组中,对这K个元素进行建堆

    • 然后循环从K下标位置遍历数据,只要元素大于堆顶,我们就将堆顶赋值为该元素,然后重新调整为小顶堆

    • 循环完毕后,K个元素的堆数组就是我们所需要的TopK

  2. 为什么使用小顶堆呢?

    • 我们在比较的过程中使用堆顶是最小值的小顶堆,元素大于堆顶我们对堆顶进行重新赋值,那么堆顶永远是这K个值中最小的值,当我们下一个元素和堆顶比较时,如果不大于堆顶的话,那么一定不属于topK范围的

  3. 时间复杂度与空间复杂度

    • 时间复杂度:每次对K个元素进行建堆,时间复杂度为:O(KlogK),加上N-K次的循环,则总时间复杂度为O((K+(N-K))logK),即O(NlogK),其中K为想要获取的TopK的数量N为总数据量

    • 空间复杂度:O(K),只需要新建一个K大小的数组用来存储topK即可

  4. 适用环境

    • 适用于单核单机环境,不会发挥多核的优势

    • 也可用于分治法中获取每一份元素的Top,下面会介绍

  5. 代码实现

    • 使用的java代码实现的,代码内每一步都有注释便于理解


import java.util.Arrays;/*** 通过堆这种数据结构* 获得大数据量中的TopK*/public class TopKStack {    public static void main(String[] args) {        //定义一个数组,找出该数组中的topK,大数据量不好搞到,先用这个数组测试        int [] datas = {2,3,42,1,34,5,6,67,3,243,8,246,123,6,32,3451,23,5,6,31,5,6,2346,36};        int [] re = getTopK(datas,10);        System.out.println(Arrays.toString(re));    }    /**    * 获取前topk的方法    * @param datas 原数组    * @param num 前topNum    * @return 最后的topNum的堆数组    */    static int[] getTopK(int[] datas,int num){        //定义存储前num个元素的数组,用于建堆        int[] res = new int[num];        //初始化数组        for (int i = 0; i < num; i++) {            res[i] = datas[i];        }        //建造初始化堆        for (int i = (num - 1)/2; i >= 0 ; i--) {            shift(res,i);        }        //遍历查找num个最大值        for (int i = num; i < datas.length; i++) {            if (datas[i] > res[0]){                res[0] = datas[i];                shift(res,0);            }        }        return res;    }    /**    * 调整元素满足堆结构    * @param datas    * @param index    * @return    */    static int[] shift(int[] datas ,int index){        while(true){            int left = (index<<1) + 1; //左孩子            int right = (index<<1) + 2; //右孩子            int min_num = index; //标识自身节点和孩子节点中最小值的位置            //判断是否存在左右孩子,并且得到左右孩子和自身的最小值            if (left <= datas.length-1&&datas[left] < datas[index]){                min_num = left;            }            if (right <= datas.length-1&&datas[right] < datas[min_num]){                min_num = right;        }        //如果最小值不等于自身,则将最小值与自身交换        if (min_num != index){            int temp = datas[index];            datas[index] = datas[min_num];            datas[min_num] = temp;        }else{            //此处break是因为我们是从树的最下面进行调整的,如果上层节点符合堆,则下层节点一定符合!            break;        }        //执行到此处,说明可能需要调整下面的节点,则将初始节点赋值为最小值所在的节点位置,        // 因为最大值点的位置进行了交换,可能下层节点就不满足堆性质        index = min_num;    }    return datas;   }}


四:分治法 -- 借助"快速排序"方法获取TopK

  1. 思路:

    • 比如有10亿的数据,找处Top1000,我们先将10亿的数据分成1000份,每份100万条数据

    • 在每一份中找出对应的Top 1000,整合到一个数组中,得到100万条数据,这样过滤掉了999%%的数据

    • 使用快速排序对这100万条数据进行"一轮"排序,一轮排序之后指针的位置指向的数字假设为S,会将数组分为两部分,一部分大于S记作Si,一部分小于S记作Sj。

    • 如果Si元素个数大于1000,我们对Si数组再进行一轮排序,再次将Si分成了Si和Sj。如果Si的元素小于1000,则我们需要在Sj中获取1000-count(Si)个元素的,也就是对Sj进行排序

    • 如此递归下去即可获得TopK

  2. 和第一种方法有什么不同呢?相对来说的优点是什么?

    • 第二种方法中我们可以采用多核的优势,创建多个线程,分别去操作不同的数据。

    • 当然我们在分治的第二步可以使用第一种方法去获取每一份的Top。

  3. 适用环境

    • 多核多机的情况,分治法会将多核的作用发挥到最大,节省大量时间

  4. 时间复杂度与空间复杂度

    • 时间复杂度:一份获取前TopK的时间复杂度:O((N/n)logK)。则所有份数为:O(NlogK),但是分治法我们会使用多核多机的资源,比如我们有S个线程同时处理。则时间复杂度为:O((N/S)logK)。之后进行快排序,一次的时间复杂度为:O(N),假设排序了M次之后得到结果,则时间复杂度为:O(MN)。所以 ,总时间复杂度大约为O(MN+(N/S)logK) 。

    • 空间复杂度:需要每一份一个数组,则空间复杂度为O(N)

五:其他情况

  • 通常我们要根据数据的情况去判断我们使用什么方法,在获取TopK前我们可以做什么操作减少数据量。

  • 比如:数据集中有许多重复的数据并且我们需要的是前TopK个不同的数,我们可以先进行去重之后再获取前TopK。如何进行大数据量的去重操作呢,简单的说一下:

    1. 采用bitmap来进行去重。

    2. 一个char类型的数据为一个字节也就是8个字符,而每个字符都是用0\1标识,我们初始化所有字符为0。

    3. 我们申请N/8+1容量的char数组,总共有N+8个字符。

    4. 对数据进行遍历,对每个元素S进行S/8操作获得char数组中的下标位置,S%8操作获得该char的第几个字符置1。

    5. 在遍历过程中,如果发现对应的字符位置上已经为1,则代表该值为重复值,可以去除。

  • 主要还是根据内存、核数、最大创建线程数来动态判断如何获取前TopK。

看完上述内容,你们掌握大数据量获取TopK的方案是什么的方法了吗?如果还想学到更多技能或想了解更多相关内容,欢迎关注行业资讯频道,感谢各位的阅读!

0