1.最后一块石头的重量
其实就是一个模拟的过程：每次从石堆中拿出最大的元素以及次大的元素，然后将它们粉碎；如果还有剩余，就将剩余的石头继续放在原始的石堆里面重复上面的操作，直到石堆里面只剩下一个元素，或者没有元素(因为所有的石头可能全部抵消了)，那么主要的问题就是解决：如何顺利的拿出最大的石头以及次大的石头；并且将粉碎后的石头放入石堆中之后，也能快速找到下一轮粉碎的最大石头和次大石头。我们一看到这个就会说，这行呀！找最大值，我直接排序加遍历就行了，但是此时石头粉碎之后，如果此时还有值，我们就要插入这个值，排序就乱了，我们还需要重新插入 + 排序，复杂度较大。我们仔细想一下，这不正好可以利用堆的特性来实现嘛?我们可以创建一个 大根堆；然后将所有的石头放入大根堆中;每次拿出前两个堆顶元素粉碎一 下，如果还有剩余，就将剩余的石头继续放入堆中；这样就能快速的模拟出这个过程，直接上思路：
直接上代码：
class Solution {
public:int lastStoneWeight(vector<int>& stones) {// 1.创建⼀个⼤根堆priority_queue<int> heap;// 2.将所有元素丢进这个堆⾥⾯for (auto x : stones)heap.push(x);// 3.模拟这个过程while (heap.size() > 1) {int a = heap.top();heap.pop();int b = heap.top();heap.pop();if (a > b)heap.push(a - b);}return heap.size() ? heap.top() : 0;}
};2.数据流中的第K大元素
我相信找第K大元素，就能想到TopK问题，兄弟们应该能立马想到「堆」， 这应该是刻在骨子里的记忆，只不过我们要知道找第K大元素我们需要建立小堆，我们要想想，如果我们弄一个大堆，如果第一个元素就是数组中最大的元素，那么此时其他元素如何入堆，哪还找什么第k的元素呢？这里还有一个细节，由于默认的堆是大堆，所以我们这里要传入仿函数，直接上思路：
直接上代码：
class KthLargest {
public:KthLargest(int k, vector<int>& nums) {_k = k;for(auto x : nums){heap.push(x);if(heap.size() > _k) heap.pop();}}int add(int val) {heap.push(val);if(heap.size() > _k) heap.pop();return heap.top();}
private:priority_queue<int,vector<int>,greater<int>> heap;int _k;
};3.前K个高频单词
首先我们看到这个题目，就能想到TopK问题，兄弟们应该能立马想到「堆」， 这应该是刻在骨子里的记忆，直接上思路：
直接上代码：
class Solution {struct cmp{bool operator()(const pair<string,int>& a, const pair<string,int>& b){if(a.second == b.second) // 频次相同的时候:需要的是基于字典序⽐较的⼤根堆// 谁小谁往下return a.first < b.first;// 谁大谁往下return a.second > b.second; //频次不同的时候:需要的是基于频次⽐较的⼩根堆}};public:vector<string> topKFrequent(vector<string>& words, int k) {// 统计每一个单词出现的次数unordered_map<string,int> hash;for(auto& e : words) hash[e]++;// 创建一个大小为k的堆priority_queue<pair<string,int>,vector<pair<string,int>>,cmp> heap;// 3.TopKfor(auto& e : hash){heap.push(e);if(heap.size() > k)heap.pop();}// 获取结果vector<string> ret(k);for(int i = k- 1; i >= 0; i--){ret[i] = heap.top().first;heap.pop();}return ret;}
};4.数据流的中位数
相信大家在初中就知道中位数的求法，一堆有序的数找打中间值即可，所以我们直接来看思路。
⭐思路一：排序
这个方法我们已经替老铁们实现了，会超时，我们来看下一种写法
⭐思路二：插入的排序
这个方法我们已经替老铁们实现了，会超时，我们来看下一种写法
⭐思路三：大小堆
直接上代码：
class MedianFinder {
public:MedianFinder() {}void addNum(int num) {// 分类讨论即可if(left.size() == right.size()){if(left.empty() && right.empty() || num <= left.top()) // // 左右两个堆的元素个数相同{left.push(num); //直接入left堆}else{right.push(num);left.push(right.top());right.pop();}}else {if(num <= left.top()){left.push(num);right.push(left.top());left.pop();}else{right.push(num);}}} double findMedian() {if(left.size() == right.size()) return (left.top() + right.top()) / 2.0;else return left.top();}
private: priority_queue<int> left; //大根堆priority_queue<int, vector<int>, greater<int>> right; //小根堆
};
