讀完本文，可以去力扣解決如下題目：

215.數組中的第 K 個最大元素（Medium）

快速選擇算法是一個非常經典的算法，和快速排序算法是親兄弟。

原始題目很簡單，給你輸入一個無序的數組nums和一個正整數k，讓你計算nums中第k大的元素。

那你肯定說，給nums數組排個序，然后取第k個元素，也就是nums[k-1]，不就行了嗎？

當然可以，但是排序時間復雜度是O(NlogN)，其中N表示數組nums的長度。

我們就想要第k大的元素，卻給整個數組排序，有點殺雞用牛刀的感覺，所以這里就有一些小技巧了，可以把時間復雜度降低到O(NlogK)甚至是O(N)，下面我們就來具體講講。

力扣第 215 題「數組中的第 K 個最大元素」就是一道類似的題目，函數簽名如下：

intfindKthLargest(int[]nums,intk);

只不過題目要求找第k個最大的元素，和我們剛才說的第k大的元素在語義上不太一樣，題目的意思相當于是把nums數組降序排列，然后返回第k個元素。

比如輸入nums = [2,1,5,4], k = 2，算法應該返回 4，因為 4 是nums中第 2 個最大的元素。

這種問題有兩種解法，一種是二叉堆（優先隊列）的解法，另一種就是標題說到的快速選擇算法（Quick Select），我們分別來看。

二叉堆解法

二叉堆的解法比較簡單，實際寫算法題的時候，推薦大家寫這種解法，先直接看代碼吧：

二叉堆（優先隊列）是比較常見的數據結構，可以認為它會自動排序，我們前文 手把手實現二叉堆數據結構 實現過這種結構，我就默認大家熟悉它的特性了。

看代碼應該不難理解，可以把小頂堆pq理解成一個篩子，較大的元素會沉淀下去，較小的元素會浮上來；當堆大小超過k的時候，我們就刪掉堆頂的元素，因為這些元素比較小，而我們想要的是前k個最大元素嘛。當nums中的所有元素都過了一遍之后，篩子里面留下的就是最大的k個元素，而堆頂元素是堆中最小的元素，也就是「第k個最大的元素」。

二叉堆插入和刪除的時間復雜度和堆中的元素個數有關，在這里我們堆的大小不會超過k，所以插入和刪除元素的復雜度是O(logK)，再套一層 for 循環，總的時間復雜度就是O(NlogK)。空間復雜度很顯然就是二叉堆的大小，為O(K)。

這個解法算是比較簡單的吧，代碼少也不容易出錯，所以說如果筆試面試中出現類似的問題，建議用這種解法。唯一注意的是，Java 的PriorityQueue默認實現是小頂堆，有的語言的優先隊列可能默認是大頂堆，可能需要做一些調整。

快速選擇算法

快速選擇算法比較巧妙，時間復雜度更低，是快速排序的簡化版，一定要熟悉思路。

我們先從快速排序講起。

快速排序的邏輯是，若要對nums[lo..hi]進行排序，我們先找一個分界點p，通過交換元素使得nums[lo..p-1]都小于等于nums[p]，且nums[p+1..hi]都大于nums[p]，然后遞歸地去nums[lo..p-1]和nums[p+1..hi]中尋找新的分界點，最后整個數組就被排序了。

快速排序的代碼如下：

關鍵就在于這個分界點索引p的確定，我們畫個圖看下partition函數有什么功效：

索引p左側的元素都比nums[p]小，右側的元素都比nums[p]大，意味著這個元素已經放到了正確的位置上，回顧快速排序的邏輯，遞歸調用會把nums[p]之外的元素也都放到正確的位置上，從而實現整個數組排序，這就是快速排序的核心邏輯。

那么這個partition函數如何實現的呢？看下代碼：

熟悉快速排序邏輯的讀者應該可以理解這段代碼的含義了，這個partition函數細節較多，上述代碼參考《算法4》，是眾多寫法中最漂亮簡潔的一種，所以建議背住，這里就不展開解釋了。

好了，對于快速排序的探討到此結束，我們回到一開始的問題，尋找第k大的元素，和快速排序有什么關系？

注意這段代碼：

intp=partition(nums,lo,hi);

我們剛說了，partition函數會將nums[p]排到正確的位置，使得nums[lo..p-1] < nums[p] < nums[p+1..hi]。

那么我們可以把p和k進行比較，如果p < k說明第k大的元素在nums[p+1..hi]中，如果p > k說明第k大的元素在nums[lo..p-1]中。

所以我們可以復用partition函數來實現這道題目，不過在這之前還是要做一下索引轉化：

題目要求的是「第k個最大元素」，這個元素其實就是nums升序排序后「索引」為len(nums) - k的這個元素。

這樣就可以寫出解法代碼：

這個代碼框架其實非常像我們前文二分搜索框架的代碼，這也是這個算法高效的原因，但是時間復雜度為什么是O(N)呢？按理說類似二分搜索的邏輯，時間復雜度應該一定會出現對數才對呀？

其實這個O(N)的時間復雜度是個均攤復雜度，因為我們的partition函數中需要利用雙指針技巧遍歷nums[lo..hi]，那么總共遍歷了多少元素呢？

最好情況下，每次p都恰好是正中間(lo + hi) / 2，那么遍歷的元素總數就是：

N + N/2 + N/4 + N/8 + … + 1

這就是等比數列求和公式嘛，求個極限就等于2N，所以遍歷元素個數為2N，時間復雜度為O(N)。

但我們其實不能保證每次p都是正中間的索引的，最壞情況下p一直都是lo + 1或者一直都是hi - 1，遍歷的元素總數就是：

N + (N - 1) + (N - 2) + … + 1

這就是個等差數列求和，時間復雜度會退化到O(N^2)，為了盡可能防止極端情況發生，我們需要在算法開始的時候對nums數組來一次隨機打亂：

前文洗牌算法詳解寫過隨機亂置算法，這里就不展開了。當你加上這段代碼之后，平均時間復雜度就是O(N)了，提交代碼后運行速度大幅提升。

總結一下，快速選擇算法就是快速排序的簡化版，復用了partition函數，快速定位第 k 大的元素。相當于對數組部分排序而不需要完全排序，從而提高算法效率，將平均時間復雜度降到O(N)。

責任編輯：xj

原文標題：快排親兄弟：快速選擇算法詳解

文章出處：【微信公眾號：算法與數據結構】歡迎添加關注！文章轉載請注明出處。