package 队列.优先级队列;
import java.lang.reflect.Array;
import java.util.Arrays;
import java.util.Comparator;
import java.util.PriorityQueue;
/**
 * https://leetcode-cn.com/problems/kth-largest-element-in-an-array/
 * @author Huangyujun
 *
 */
public class _215_数组中的第K个最大元素 {
    //方法一：利用工具类：Arrays.sort 方法
    public int findKthLargest(int[] nums, int k) {
        Arrays.sort(nums);
        return nums[nums.length - k];
    }
    //方法二：优先队列【方式2的效率高】
    public int findKthLargest2(int[] nums, int k) {
        //小根堆
        PriorityQueue<Integer> pQueue = new PriorityQueue<Integer>(new Comparator<Integer>() {
            @Override
            public int compare(Integer o1, Integer o2) {
                return o1 - o2;    //注意java中 升序是 o1 - o2【小根堆】,  降序才是 o2 - o1【大根堆】
            }
        });
        //逻辑：先存储进去 k容量数据【小根堆】，跟堆顶比【堆顶太小了，抛弃，【调整一个新的最小值于堆顶】，当前值进入维持容量k】
        //每次都抛弃掉最小的【堆顶】，更换进入大的，剩下的就是大的数据呀
        int len = nums.length;
        for(int i = 0; i < len; i++) {
            if(pQueue.size() < k) {
                pQueue.add(nums[i]);
            }else {
                if(pQueue.peek() < nums[i]){
                    pQueue.remove();
                    pQueue.add(nums[i]);
                }
            }
        }
        return pQueue.peek();
    }
    //方法三：
    class Solution {
        public int findKthLargest(int[] nums, int k) {
            PriorityQueue<Integer> heap = new PriorityQueue<>();
              //小根堆【默认比较器就是升序的，小根堆】
//            PriorityQueue<Integer> heap = new PriorityQueue<Integer>(new Comparator<Integer>() {
//                @Override
//                public int compare(Integer o1, Integer o2) {
//                    return o1 - o2;    //注意java中 升序是 o1 - o2【小根堆】,  降序才是 o2 - o1【大根堆】
//                }
//            });
            //要找第k 大【不断地维持住一个小根堆的数据】：容量达到k时：
            //（1）当前值比较小，【可能会被调整到堆顶】，容量达标，被poll掉
            //（2）当前值比较大，【存储到后边】，容量达标，被poll掉的是当前最小的那个
            //整个逻辑在于不断地维持住一个小根堆【每次都弹出掉最小的】~~~剩下的便是最大的数据了
            for (int num : nums) {
                heap.add(num);
                if (heap.size() > k) {
                    heap.poll();
                }
            }
            return heap.peek();
        }
    }
}