所谓的是否能一次读入内存，实际上应该指去除重复后的数据量 。如果去重后数据可以放入内存 ， 我们可以为数据建立字典，比如通过 map，hashmap，trie，然后直接进行统计即可 。当然在更新每条数据的出现次数的时候 ， 我们可以利用一个堆来维护出现次数最多的前N个数据，当然这样导致维护次数增加，不如完全统计后在求前N大效率高 。
如果数据无法放入内存 。一方面我们可以考虑上面的字典方法能否被改进以适应这种情形 ， 可以做的改变就是将字典存放到硬盘上，而不是内存，这可以参考数据库的存储方法 。
当然还有更好的方法，就是可以采用分布式计算，基本上就是map-reduce过程，首先可以根据数据值或者把数据hash(md5)后的值，将数据按照范围划分到不同的机子，最好可以让数据划分后可以一次读入内存，这样不同的机子负责处理各种的数值范围，实际上就是map 。得到结果后，各个机子只需拿出各自的出现次数最多的前N个数据 ， 然后汇总，选出所有的数据中出现次数最多的前N个数据 ， 这实际上就是reduce过程 。
实际上可能想直接将数据均分到不同的机子上进行处理，这样是无法得到正确的解的 。因为一个数据可能被均分到不同的机子上，而另一个则可能完全聚集到一个机子上 ， 同时还可能存在具有相同数目的数据 。比如我们要找出现次数最多的前100个，我们将1000万的数据分布到10台机器上，找到每台出现次数最多的前 100个，归并之后这样不能保证找到真正的第100个，因为比如出现次数最多的第100个可能有1万个，但是它被分到了10台机子，这样在每台上只有1千个，假设这些机子排名在1000个之前的那些都是单独分布在一台机子上的，比如有1001个，这样本来具有1万个的这个就会被淘汰，即使我们让每台机子选出出现次数最多的1000个再归并，仍然会出错，因为可能存在大量个数为1001个的发生聚集 。因此不能将数据随便均分到不同机子上，而是要根据hash 后的值将它们映射到不同的机子上处理，让不同的机器处理一个数值范围 。
而外排序的方法会消耗大量的IO，效率不会很高 。而上面的分布式方法，也可以用于单机版本，也就是将总的数据根据值的范围，划分成多个不同的子文件，然后逐个处理 。处理完毕之后再对这些单词的及其出现频率进行一个归并 。实际上就可以利用一个外排序的归并过程 。
另外还可以考虑近似计算，也就是我们可以通过结合自然语言属性，只将那些真正实际中出现最多的那些词作为一个字典，使得这个规模可以放入内存 。
php语言字典代码求一PHP算法 ， 字典生成 。时间一到再加100分 。如：字符：0-9，长度：1，
那就生成0,1,2,3,4,5,6,7,8,9
长度：2,就会生成00-99
现在要求字符可以包括a-z，或者其他特殊符号 ， 求一高效的生成算法 。
参考答案一
function get_string($strlen){
$source='0123456789'; //任意字符
$len = strlen($source); //长度
$return = array();
for($i = 0 ;$i$len;$i++){
for($j = 0;$j$strlen;$j++){
$return[$i] .= $i;
}
}
return implode(',', $return);
}
如果输入长度2: 输出结果就是:
00,11,22,33,44,55,66,77,88,99
参考答案二
优化了进位算法：
PHP code =0;$no--){ $word=$source{$series[$no]}.$word; $series[$no]+=$tonext_value; if($no0){ if($series[$no]==$len){ $series[$no]=0; $tonext_value=https://www.04ip.com/post/1; }else{ $tonext_value=0; } } } echo"$word "; } } gene_dic(2); ?
简单的说，我会把这个理解为0-9(十进制)下十个数字生成两位数字、可重复的排列问题 。
推荐阅读
- 如何统计跨境电商，如何统计跨境电商销售数据
- 怎么让手机显卡报废，怎么让一个手机报废
- 李佳琦如何引流的的简单介绍
- 虚拟主机规避风险，架设虚拟主机
- 写java代码用语句测试 java测试类代码
- 电脑有2个显卡怎么选着，电脑怎么换显卡
- 国外服务器1005无标题，国外服务器1005无标题怎么设置
- 电商产品如何迭代，产品迭代计划怎么做
- excel怎么文字换行，excel中如何使文字换行