题目链接：https://leetcode.cn/problems/top-k-frequent-elements/description/
我的思路
乍一看这题好像还挺简单的，找到前K个高频元素，那么很自然可以想到先统计每个元素的出现频率，然后再排序，输出前K个频率最高的即可。直接暴力求解：1. count = [[num, nums.count(num)] for num in set(nums)] 统计元素出现频率，和元素一起放到count列表中；2. count = sorted(count, key = lambda x: x[1], reverse = True) 按频次从大到小排序；3. return [x[0] for x in count[:k]] return排序好的count数组的前k个元素即可。但显然这不是最优解，这样的算法时间复杂度为$O(N\log n)$，对于特别长的序列，耗时特别久，最终结果为1378ms，也是第一次见到这么久的解题过程。那么显然要想提高时间和内存表现的话，就必须采用其他的降低复杂度的算法。
纠正
这里用“顶堆法”，会很方便和快捷，大幅度提高时间效率。python中默认内置了堆结构，需要用 import heapq 来引入，堆结构能够保证堆顶始终为最小的元素（即heap[0]始终为最小的值，当作为数组(a, b)压入堆时，则以a的大小来进行评判，最小的a值会被放在heap[0]处），于是乎，我们只需要首先计算每个元素的出现频率，把他们放到frequencyMap这个字典中，接着定义一个minHeap列表作为堆：
- 首先先把k个元素压入堆中，直到满堆，判断条件为
len(minHeap) < k，执行语句heapq.heappush(minHeap, (freq, num))，其中(freq, num)对应了frequencyMap中的items - 如果堆已经满了，那就开始判断新的元素和堆顶元素的出现频率情况，如果新元素的频率大于当前堆中最低的那个频率，那就要把这个元素进行替换（因为我们要找的是前k个频率最高的元素，因此元素出现频率越高，越应该入栈），执行
heapq.heappushpop(minHeap, (freq, num)) - 重复上述步骤，直到判断完所有frequencyMap中的元素，结束循环
- 因为我们在判断语句中限制了堆的长度一定刚好为k（题目中说了一定有解，所以不会出现堆不满的情况，只能是刚好或者总的元素个数大于k），只允许压入k个元素，之后执行的都是替换语句，并不会改变堆的长度，因此执行到最后，堆中就是我们要找的k个频率最高的元素，将这些元素输出即可，而且题目中说了无需理会输出的顺序，因此直接无脑输出就行
return [num for freq, num in minHeap]
反思
- Python内置堆heapq，接受元组输入，默认第一个元素为优先级，堆顶始终为最小值
初始化字典可以用字典的.setdefault(key, value)方法，如果此时字典中没有key，那么久初始化其为value值，如果已经有了，就返回当前key对应的值；但更优的做法是用.get方法，dict.get(key, 0)为获取字典中key对应的value值，如果不存在，则返回0，但不会直接修改原字典中的元素：
get：只读取，不修改字典。setdefault：在读取时还可能会写入字典（保证 key 存在）
- 列表的合并用extend方法，延长列表，而不是增加元素append，比如[1,2,3].extend([5,7])结果为[1,2,3,5,7]，而append的结果为[1,2,3,[5,7]]，换言之，extend方法只接受列表作为输入，append既可以接受列表也可以是单独的元素
结果
按照纠正的思路，算法复杂度为$O(N\log k)$，优于$O(N\log n)$，3ms 89.16%, 20.81MB 70.4%
