问题描述：
给你一个整数数组 nums 和一个整数 k，请你用一个字符串返回其中出现频率前 k 高的元素。请按升序排列。
你所设计算法的时间复杂度必须优于 O(n log n)，其中 n 是数组大小。
思路解析：
解决方案步骤
-
统计频率：
使用
collections.Counter来统计数组nums中每个元素的出现频率。这一步的时间复杂度是 O(n)，其中 n 是数组
nums的长度。 -
构建小顶堆：
使用 Python 的
heapq模块来构建一个大小为 k 的小顶堆。堆中的元素是包含元素值和频率的元组，但堆是根据频率来排序的（频率作为元组的第一个元素）。
遍历频率统计结果，对于每个元素和它的频率：
a. 如果堆的大小小于 k，直接将元素（频率，数值）添加到堆中。
b. 如果堆的大小等于 k，并且当前元素的频率大于堆顶元素的频率，则弹出堆顶元素，并将当前元素添加到堆中。
这一步的时间复杂度是 O(nlogk)，因为每次插入和删除操作的时间复杂度是 O(logk)，并且我们最多对 n 个元素执行这些操作。
-
提取堆中元素：
从堆中提取所有元素，只保留数值部分。
这一步的时间复杂度是 O(k)，因为我只是遍历堆中的 k 个元素。
-
排序：
对提取出的数值进行排序，以满足题目要求的按数值升序排列。
这一步的时间复杂度是 O(klogk)，因为排序算法（如快速排序、归并排序或堆排序）的时间复杂度通常是 O(mlogm)，其中 m 是要排序的元素数量，在这里 m=k。
-
构建结果字符串：
将排序后的数值转换为字符串，并用逗号分隔。
这一步的时间复杂度是 O(k)，因为字符串连接和格式化操作的时间复杂度与元素数量成线性关系。
代码实现：
from collections import Counter
def solution(nums, k):
p = Counter(nums)
most_elements = p.most_common(k)
sort_elements = sorted([num for num, count in most_elements])
result = ','.join(map(str, sort_elements))
return result
个人思考：
- 虽然排序步骤的时间复杂度是 O(klogk)，但在大多数情况下，由于 k≪n（即 k 远小于 n），整个算法的总时间复杂度仍然优于 O(nlogn)。
- 如果 k 的值非常大，以至于排序步骤成为性能瓶颈，那么可能需要考虑使用其他数据结构或算法来优化这一步，比如使用平衡二叉搜索树（如 AVL 树或红黑树）来同时维护频率和数值的排序。然而，这些数据结构在插入和删除操作上的时间复杂度通常也是 O(logm)，并且在实现上可能更加复杂。
