题目：分析求解topk(big)问题时 堆排序 和 快速排序 的使用场景
快速排序求解
这种算法利用了快速排序的主要思想：每次调用快速排序的partition函数后将会得出一个数n的最终位置，比较n及其右边所有数的总个数与目标个数k
若大于k，则对数n右边的数构成的数组调用partition函数；
若等于k，则说明n及其右边的数就是我们想要得到的那k个数，排序结束；
若小于k，这说明最终的k个数中还包含了n左边的数，对n左边的数构成的数组调用partition函数。
Pyhton代码：
import numpy as np
def qselect(A, k):
if len(A) < k:
return A
pivot = A[-1]
tmp = A[:-1][A[:-1] >= [pivot]]
right = np.insert(tmp, 0, pivot)
try:
rlen = len(right)
except:
rlen = 1
if rlen == k:
return right
if rlen > k:
return qselect(right, k)
else:
left = [x for x in A[:-1] if x < pivot]
return np.append(qselect(left, k-rlen), right)
L = np.random.randint(0, 10000, size=10000)
k = 100
qselect(L, k)
利用快速排序解决topk问题时,速度非常快，但是缺点它在数组中直接交换数据，所以要用一个数组来存储所有的数据，当数据量十分庞大时将占用惊人的内存，属于用空间换时间的算法。
堆排序
这种算法的大致思路为：首先初始化一个大小为k的小根堆，然后遍历数组，每遍历一个数就将其与堆的根节点相比较，若比根节点大，则将其与根节点交换变更新堆结构。当数组遍历完成时堆中存储的就是我们想要的结果。
Pyhton代码：
import numpy as np
def sift(l, low, hight):
# 调整堆结构
tmp = l[low]
i = low
j = 2 * i + 1
while j <= hight: # 情况2：i已经是最后一层
if j + 1 <= hight and l[j + 1] < l[j]: # 右孩子存在并且小于左孩子
j += 1
if tmp > l[j]:
l[i] = l[j]
i = j
j = 2 * i + 1
else:
break # 情况1：j位置比tmp小
l[i] = tmp
def top_k(l, k):
heap = l[:k]
# 建堆
for i in range(k // 2 - 1, -1, -1):
sift(heap, i, k - 1)
for i in range(k, len(l)):
if l[i] > heap[0]:
heap[0] = l[i]
sift(heap, 0, k - 1)
for i in range(k - 1, -1, -1):
heap[0], heap[i] = heap[i], heap[0]
sift(heap, 0, i - 1)
return heap
L = np.random.randint(0, 10000, size=10000)
k = 100
top_k(L, k)
利用堆排序解决topk问题时，速度是所有算法中除了快速排序之外最快的，它的突出优点就是不论数据量有多大，它的空间复杂度总是常数级的，在处理大数据时常将数据分块打包后分别利用堆排序进行筛选，再将筛选结果进行比较，选出我们想要的最终结果。
两种算法直观比较：
纵坐标为耗时，横坐标为初始序列长度，数值取值范围为[0,999999999]，k(即最终筛选出的数值个数)为100，