build

docs/chapter_heap/top_k.md

@@ -6,7 +6,7 @@ comments: true
 
 !!! question
 
-    给定一个长度为 $n$ 无序数组 `nums` ，请返回数组中前 $k$ 大的元素。
+    给定一个长度为 $n$ 的无序数组 `nums` ，请返回数组中前 $k$ 大的元素。
 
 对于该问题，我们先介绍两种思路比较直接的解法，再介绍效率更高的堆解法。
 
@@ -28,7 +28,7 @@ comments: true
 
 如图 8-7 所示，我们可以先对数组 `nums` 进行排序，再返回最右边的 $k$ 个元素，时间复杂度为 $O(n \log n)$ 。
 
-显然，该方法“超额”完成任务了，因为我们只需要找出最大的 $k$ 个元素即可，而不需要排序其他元素。
+显然，该方法“超额”完成任务了，因为我们只需找出最大的 $k$ 个元素即可，而不需要排序其他元素。
 
 ![排序寻找最大的 k 个元素](top_k.assets/top_k_sorting.png){ class="animation-figure" }
 
@@ -72,9 +72,7 @@ comments: true
 
 <p align="center"> 图 8-8 &nbsp; 基于堆寻找最大的 k 个元素 </p>
 
-总共执行了 $n$ 轮入堆和出堆，堆的最大长度为 $k$ ，因此时间复杂度为 $O(n \log k)$ 。该方法的效率很高，当 $k$ 较小时，时间复杂度趋向 $O(n)$ ；当 $k$ 较大时，时间复杂度不会超过 $O(n \log n)$ 。
-
-另外，该方法适用于动态数据流的使用场景。在不断加入数据时，我们可以持续维护堆内的元素，从而实现最大 $k$ 个元素的动态更新。
+示例代码如下：
 
 === "Python"
 
@@ -418,3 +416,7 @@ comments: true
     ```zig title="top_k.zig"
     [class]{}-[func]{topKHeap}
     ```
+
+总共执行了 $n$ 轮入堆和出堆，堆的最大长度为 $k$ ，因此时间复杂度为 $O(n \log k)$ 。该方法的效率很高，当 $k$ 较小时，时间复杂度趋向 $O(n)$ ；当 $k$ 较大时，时间复杂度不会超过 $O(n \log n)$ 。
+
+另外，该方法适用于动态数据流的使用场景。在不断加入数据时，我们可以持续维护堆内的元素，从而实现最大 $k$ 个元素的动态更新。