目录
场景一：解决前K个高频元素需要解决如下几个问题：
1.记录每一个元素出现的频率 （解决方法：使用hashmap来记录元素出现个数）
2.对出现频率次数进行排序 （解决方法：使用优先级队列建立小根堆来进行排序）
3.选择前K个排序大的元素 （解决方法：遍历小根堆前K个元素并逆序打印，因为小顶堆先弹出的是最小的，所以倒序来输出到数组）
问题1：记录出现频率使用hashmap记录次数即可，这里就不过多阐述
问题2：对出现频率次数进行排序使用小根堆来解决问题
优先级队列PriorityQueue
优先级队列PriorityQueue就是一个披着队列外衣的堆，因为优先级队列对外接口只是从队头取元素，从队尾添加元素，再无其他取元素的方式，看起来就是一个队列。
而且优先级队列内部元素是自动依照元素的权值排列。那么它是如何有序排列的呢？
缺省情况下PriorityQueue利用max-heap（大顶堆）完成对元素的排序，这个大顶堆是以vector为表现形式的complete binary tree（完全二叉树）。
堆的定义
堆是一棵完全二叉树，树中每个结点的值都不小于（或不大于）其左右孩子的值。 如果父亲结点是大于等于左右孩子就是大根堆，小于等于左右孩子就是小根堆。
所以大家经常说的大根堆（堆头是最大元素），小根堆（堆头是最小元素）。
如果自己不想代码实现堆的话，就可以直接使用PriorityQueue（优先级队列）就可以了，底层实现都是一样的，从小到大排就是小根堆，从大到小排就是大根堆。
取最大前TOP K 高频元素就使用优先级队列建立小根堆
原因：定义一个大小为k的大根堆，在每次移动更新大根堆的时候，每次弹出都把最大的元素弹出去了，那么怎么保留下来前K个高频元素呢。
因此取前TOP K 高频元素就需要建立小根堆,因为小根堆每次更新元素时都是把最小元素弹出去，这样最大元素就保留下来了
取最小前TOP K 元素就使用优先级队列建立大根堆
原因：大根堆每次更新元素都是把最大元素弹出去，这样最小元素就保留下来了
问题3：打印前K个高频元素
因为小根堆元素的堆顶元素是最小的，遍历小根堆元素时是从小到大遍历的，小根堆弹出元素先是最小元素弹出，取前K个高频元素就需要逆序打印元素
题目链接
代码如下：
class Solution {
public int[] topKFrequent(int[] nums, int k) {
//思路：使用map记录每个元素的次数，利用优先级队列建立小根堆来解决TOP K问题
// 大根堆（堆头是最大元素，从大到小排），小根堆（堆头是最小元素，从小到大排）
Map<Integer,Integer> map = new HashMap<>();
for(int num : nums){
map.put(num,map.getOrDefault(num,0)+1);
}
//建立小根堆（每次插入元素都把最小元素弹出去，即最后保留下来的元素都是大元素）
PriorityQueue<Integer> queue = new PriorityQueue<>((a,b) -> map.get(a) - map.get(b)); //lambda表达式
for(int key : map.keySet()){ //keySet()为返回所有 key 的不重复集合
queue.offer(key);
if(queue.size() > k){
queue.poll();
}
}
//打印小根堆前K个元素，因为小根堆先弹出的是最小的，所以倒序来输出到数组
int[] array = new int[k];
for(int i=k-1;i >=0;i--){
array[i] = queue.poll();
}
return array;
}
}场景二：亿万级数据取前TOP K / 后TOP K 数据
在亿万级数据时，不可能一个一个数据排序再去取前TOP K 数据，这会大大降低效率。
有效的方法：
1、先将这亿万数据划分为一定数量的大分区，每个大分区的数据量相同，然后再把每个大分区进行划分一定数量的小分区，每个小分区数据量相同。
2、对于每一个小分区使用小根堆或者大根堆来得到前TOP K 或者后TOP K 数据元素，最后再合并一个大分区里面所有的小分区
3、然后使用小根堆或者大根堆得到每一个大分区的TOP K元素，最后在进行大分区合并使用小根堆或者大根堆来得到TOP K 数据。
注意：若亿万数据有许多重复值，可以先使用HashSet 进行去除重复元素 再进行上述操作。
对于海量数据处理取TOP K 数据，思路基本上是：必须分块处理，然后再合并起来。