堆
当你需要在一个动态的集合中（元素不断在增加或减少）快速地查找并（或）移除“最值”（最大值或最小值）时，堆就是你的不二之选。
Top-K 问题 / 第 K 小/大
这是堆最基础、最直接的应用。核心思想是：维护一个大小固定为 K 的堆。这个堆里存储了你到目前为止见过的 “Top K” 个元素。
问题模型： - 静态数组：在 N 个元素中找到第 K 大的元素 (LC 215)。 - 数据流：在不断加入的数据流中，始终保持对第 K 大元素的快速访问 (LC 703)。
解题思路 (以“第 K
大”为例)：你需要一个最小堆（Min-Heap）。为什么？
最小堆的堆顶 min_pq.top()
永远是堆中最小的元素。如果我们的堆里有 K 个元素，那么堆顶就是这
K 个元素中的第 K 大的那个。 -
初始化：创建一个大小为 K
的最小堆 min_pq。 - 遍历数据：for (int num : nums) -
入堆：min_pq.push(num); - 维护大小：if (min_pq.size() >
k)：min_pq.pop(); - (将堆中最小的元素——即“第 K+1 大”的元素——扔掉) -
获取答案：当所有数据都处理完毕后，堆中剩下的 K 个元素就是最大的 K 个，而 min_pq.top()
就是我们想要的第 K 大元素。
对顶堆（动态中位数）
一个极其精妙的技巧, 使用两个堆来将一个动态数据流“从中间劈开”，从而 O(1) 访问中位数。
数据结构配置： - small (最大堆)：存储数据流中较小的一半元素。small.top() 是“小半”中的最大值。 - large (最小堆)：存储数据流中较大的一半元素。large.top() 是“大半”中的最小值。
核心规则（不变式）： - small.size() 永远等于 large.size()（当总数为偶） - 或 small.size() 等于 large.size() + 1（当总数为奇）中位数：如果总数为奇，
中位数就是 small.top()。如果总数为偶，中位数就是 (small.top() + large.top()) / 2。