Ru果 K> M，说明第K大的数在 pivot 的右边。这时候，我们只需要去右边找，但是要注意，既然左边Yi经排除了 M 个比目标大的数，我们在右边找的时候，目标就变成了第 K - M 大的数。

kan到这里你应该明白为什么它比快排快了吧？快排不管三七二十一，两边dou要递归处理；而快速选择像个聪明的猎人，每次只去猎物可Neng出现的那片森林追击。

光说不练假把式，我们来kan一段具体的代码实现。为了方便理解，这里用JavaScript写了一个清晰的版本：

function findKthLargest {
    // 注意：题目通常问的是第K大，我们Ke以转换为寻找下标为 nums.length - k 的元素
    // 或者直接在降序逻辑中处理。这里我们采用经典的“找第k小”的思路，转换一下索引即可。
    // 为了直观，我们直接找“第k大”的逻辑。
    return quickSelect;
}
function quickSelect {
    // Ru果区间缩小到只剩一个元素，那肯定就是它了
    if  return arr;
    // 获取基准值的位置索引
    const pivotIndex = partition;
    // 计算当前基准值是第几大的数
    // 因为 partition 后pivotIndex 左边的dou比它大，右边的dou比它小
    // 所以它是第  大
    const m = pivotIndex - left + 1;
    if  {
        // 刚好命中
        return arr;
    } else if  {
        // 目标在左边，继续在左边找第 k 大
        return quickSelect;
    } else {
        // 目标在右边，这时候要找的是第  大
        return quickSelect;
    }
}
function partition {
    // 随机选取一个基准值，避免Zui坏情况
    const randomIndex = Math.floor * ) + left;
    // 把基准值换到Zui左边
    , arr] = , arr];
    const pivot = arr;
    let i = left + 1;
    let j = right;
    // 这里我们Zuo的是降序分区：左边大，右边小
    while  {
        while  i++; // 从左往右找比pivot小的
        while  j--; // 从右往左找比pivot大的
        if  break;
        // 交换它们
        , arr] = , arr];
        i++;
        j--;
    }
    // Zui后把基准值放到正确的位置
    , arr] = , arr];
    return j;
}

你可Neng会问，这kan起来跟快排差不多啊，为什么复杂度就变成了 O 呢？

我们来Zuo个简单的数学推演。在平均情况下我们每次选择的基准值douNeng把数据大致分成两半。

第一次分区，我们需要扫描 N 个元素；

第二次我们只需要扫描 N/2 个元素；

第三次扫描 N/4 个元素；

……以此类推。

这就像是一个等比数列求和：N + N/2 + N/4 + N/8 + ... = 2N。在计算机算法中，常数系数通常被忽略，所以Zui终的时间复杂度就是线性的 O。

这比排序的 O 可快太多了！特别是当 N 达到10亿级别时这种差异简直就是天壤之别。

注意： 虽然平均情况hen美，但我们也得提防Zui坏情况。Ru果你运气极差，每次选的基准值dou是Zui大值或Zui小值，那么每次只Neng排除一个元素，算法就会退化成 O。不过只要我们在选基准值的时候引入“随机化”策略，这种倒霉的概率就微乎其微了。

除了快速选择，还有一种非常经典的方法，特别适合处理数据流的场景，那就是利用优先队列，也就是我们常说的堆。

假设题目变了：数据不是一次性给你的，而是像水流一样源源不断地涌进来你需要随时保持当前Zui大的K个数。这时候，快速选择就不太好用了因为你没法对还没到来的数据进行“分区”。

这时候，Zui小堆 就派上用场了。

我们Ke以维护一个大小为 K 的Zui小堆。

先遍历前 K 个数，把它们全部塞进堆里。这时候堆顶就是这 K 个数里Zui小的那个，也就是当前的第 K 大数。

从第 K+1 个数开始，我们拿它跟堆顶比较。

Ru果新数比堆顶还小，那它连前 K 名dou进不去，直接丢掉。

Ru果新数比堆顶大，说明这个新数有资格挤进排行榜。我们把堆顶踢出去，把新数放进来然后重新调整堆结构。

等所有数据dou处理完，堆顶留下的那个元素，就是我们要找的第K大元素。

这种方法的复杂度是 O。因为 K 通常远小于 N，log K 非常小，所以这种方法在实际工程中也非常快，而且内存占用可控。

掌握了这两个算法，你解决的可不仅仅是LeetCode上的题目，在真实的互联网大厂架构中，它们无处不在。

每年的双11大促，后台系统需要实时计算销售额Zui高的店铺榜单。面对每秒几十万笔的订单流水，不可Neng每来一笔订单就全量重排一次。利用Zui小堆维护Top 100的店铺，系统就Neng以极低的资源消耗，实时geng新大屏上的排行榜。

在SQL语句中，ORDER BY ... LIMIT 1 这种操作，Ru果数据库引擎足够智Neng，它内部往往不会真的把所有数据dou排序，而是会利用类似快速选择的逻辑，快速定位到目标行，从而大幅减少查询时间。

运维系统需要监控服务器中CPU占用率Zui高的前5个进程。这也是一个典型的Top K问题，利用小顶堆Ke以高效地维护这个异常列表，帮助运维人员迅速定位性Neng瓶颈。

回到Zui初的问题，面对10亿数据，我们不再慌张。Ru果数据是静态的，我们用快速选择，以 O 的速度秒杀它；Ru果数据是动态流式的，我们用Zui小堆，以 O 的代价优雅地维护它。

算法的魅力就在于，它Neng把一个kan似不可Neng完成的庞大任务，拆解成一个个简单的小步骤。关键在于你是否懂得“取舍”——懂得丢弃不需要的数据，懂得只关注核心区域。

Ru果你觉得这篇干货对你有帮助，欢迎点赞收藏！🚀 下期预告：找数搞定了接下来我们聊聊处理字符串和数组的万Neng钥匙——滑动窗口。kankan它是如何优雅解决“Zui长无重复子串”问题的，敬请期待！