用大小为K的大根堆求第K小元素：堆顶即当前最小K个数中的最大值；新元素x小于堆顶则替换堆顶；需校验k有效性；Python中可用负值模拟大根堆。
直接用堆找第 k 小元素，关键不是“建完堆再取”，而是边遍历边维护一个大小为 k 的大根堆——堆顶始终是当前已见元素中第 k 小的候选者。
为什么选大根堆？
目标是“第 K 小”，意味着我们只关心最小的 K 个数里最大的那个（即第 K 小）。大根堆天然能快速访问这 K 个数里的最大值：
- 堆里最多存 K 个元素，且始终保持堆顶 ≥ 堆内其余所有元素
- 新来一个数 x：若 x
- 遍历结束后，堆顶就是全局第 K 小元素
操作步骤要精简
不需要预建堆或排序整个数组，按顺序扫描原数据即可：
- 初始化空的大根堆（如 C++ 的
priority_queue<int>，Java 的PriorityQueue<Integer>默认小根堆，需传入Comparator.reverseOrder()） - 对每个元素 nums[i]：
- 若堆 size < K：直接 push
- 若堆 size == K 且 nums[i] < 堆顶：pop 堆顶，push nums[i]
- 否则跳过
- 循环结束，返回堆顶
时间与空间开销很实际
适合在线场景或数据流处理：
- 时间复杂度：O(n log k)，每轮最多一次 log k 的堆调整，比全排序 O(n log n) 更优，尤其当 k ≪ n 时
- 空间复杂度：O(k)，只存 K 个关键值，内存友好
- 支持动态插入：后续新增元素可复用同一逻辑，无需重建堆
注意边界和实现细节
几个容易出错但影响结果的地方：
- K 超出范围（≤ 0 或 > 数组长度）需提前校验并返回错误值或抛异常
- 语言差异：Python 的
heapq只提供小根堆，要模拟大根堆，可存负值或用heapq._heapify_max（非公开API，不推荐），更稳妥是用heapq维护小根堆来求第 K 大，或改用sortedcontainers等第三方库 - 重复元素：算法天然兼容重复值，比如 [1,1,2,2,3], k=3 → 第 3 小是 2，逻辑完全正确
