用最小堆找Top-K大数，本质是维护容量为K的候选池，堆顶为池中最小值，可快速淘汰劣质元素；新数大于堆顶即入池，确保池内始终为当前最大的K个数；时间复杂度O(n log k)，优于全排序的O(n log n)。
为什么用最小堆而不是最大堆
找 Top-K 大的数，本质是维护一个“容量为 K 的候选池”，池里始终存着当前见过的最大的 K 个数。最小堆的堆顶是最小值，正好能快速淘汰掉池中最小的那个——一旦新数比堆顶大，说明它更有资格进池，就把堆顶踢掉、插入新数。最大堆做不到这点：堆顶是最大值，没法快速判断“当前数是否值得留下”。
时间复杂度上，最小堆法是 O(n log k)，而排序整个数组是 O(n log n)，当 k （比如 100 万数据里找前 10 个）时优势明显。
std::priority_queue 默认不是最小堆，怎么改
std::priority_queue 默认是最大堆（基于 std::less<int>），要变成最小堆，必须显式指定比较器：std::greater<int>。漏掉这一步，代码逻辑就全反了——你会得到最小的 K 个数。
常见写法：
立即学习“C++免费学习笔记（深入）”；
std::priority_queue<int, std::vector<int>, std::greater<int>> min_heap;
注意三点：
- 第三个模板参数不能省，
std::greater<int>要带<int>，否则编译失败 - 第二个参数
std::vector<int>是容器类型，不能写成vector<int>（缺std::） - 如果数据是
long long或自定义类型，比较器和类型必须严格匹配，否则运行时可能堆顶异常或编译报错
建堆过程要边读边维护，别等全读完再建
海量数据通常无法一次性加载进内存（比如文件有 10GB），所以不能先 std::vector 全存再 make_heap。正确做法是流式处理：逐个读入数字，边读边更新堆。
具体策略：
- 前 K 个数直接入堆
- 从第 K+1 个数开始，只在
num > min_heap.top()时才执行pop()+push(num) - 最后堆里剩下的 K 个数就是 Top-K，但顺序是乱的（堆不保证整体有序），如需降序输出得额外排序或用栈暂存后倒序
错误示范：if (min_heap.size() < k) min_heap.push(num); else if (num > min_heap.top()) { min_heap.pop(); min_heap.push(num); } —— 这个逻辑是对的，但要注意 min_heap.size() 在空堆上调用是安全的，不过首次 push 前别误判 size。
重复元素和边界情况怎么处理
题目没说“去重”，所以重复数算独立个体。比如数据是 [5,5,5,4,3]，K=3，结果应为 [5,5,5]，不是 [5,4,3]。最小堆天然支持重复值，无需特殊处理。
但边界容易出错：
- K 为 0 或大于数据总量：提前检查，
if (k == 0) return {};，避免堆为空时调用top()导致段错误 - 数据全相同：堆会稳定维持 K 个相同值，没问题
- K 等于数据总量：堆最终装满，退化为堆排序前半步，但没必要，此时直接返回原数组更高效
真正难的是数据源不可随机访问（如网络流、传感器实时数据），这时还得考虑堆的线程安全和内存碎片——标准库堆不保证并发安全，多线程场景得加锁或换用无锁结构。
