c语言 给你一个正整型数k(2<=k<=10000),你要做的是：先把1到k中的所有奇数从小到大输出，再把1到k中的所有的偶数从小到大输出

好的，下面是使用C语言实现判断一个int128类型的数字是否为3的倍数的代码： ```c #include <stdio.h> #include <string.h> typedef struct { int s[10000]; // 数字的每一位 int len; // 数字的位数 } int128; void read_int128(int128 *a) { char s[10002]; int i, k; scanf("%s", s); a->len = strlen(s); k = 0; for (i = a->len - 1; i >= 0; i--) { a->s[++k] = s[i] - '0'; } while (k > 1 && a->s[k] == 0) k--; a->len = k; } int is_multiple_of_three(int128 a) { int i, sum = 0; for (i = 1; i <= a.len; i++) { sum += a.s[i]; } return (sum % 3 == 0); } int main() { int128 n; read_int128(&n); if (is_multiple_of_three(n)) { printf("Yes\n"); } else { printf("No\n"); } return 0; } ``` 需要注意的是，由于int128类型的数字太大，需要使用高精度计算，因此代码的运行效率较低。

### C语言 TopK 算法实现 #### 使用快速选择算法 一种高效的方法来找到数组中的第 K 大元素是通过修改后的快速排序方法，即所谓的快速选择算法。这种方法平均情况下具有 O(n) 的时间复杂度。 ```c #include <stdio.h> #include <stdlib.h> int partition(int* nums, int low, int high) { int pivot = nums[high]; int i = low; for (int j = low; j < high; ++j) { if (nums[j] >= pivot) { // 寻找较大的数放在左边 int temp = nums[i]; nums[i] = nums[j]; nums[j] = temp; i++; } } int temp = nums[i]; nums[i] = nums[high]; nums[high] = temp; return i; } int findKthLargest(int* nums, int start, int end, int k) { if (start <= end) { int pIndex = partition(nums, start, end); if (pIndex == k - 1) return nums[pIndex]; else if (pIndex > k - 1) return findKthLargest(nums, start, pIndex - 1, k); else return findKthLargest(nums, pIndex + 1, end, k); } return -1; } ``` 这段代码实现了寻找给定整型数组 `nums` 中的第 K 大元素的功能[^1]。 #### 利用最小堆求解 Top-K 问题 另一种常见的策略是构建一个大小固定为 K 的最小堆。当遍历到新元素时，如果该元素大于当前堆顶，则替换掉堆顶并重新调整堆；最终得到的就是前 K 大的元素集合。此方法可以有效地降低空间开销，并且对于流式输入的数据特别有用。 ```c #define MAX_HEAP_SIZE 10000 typedef struct MinHeapNode_ { int value; } MinHeapNode; void min_heapify(MinHeapNode heap[], int idx, int size); // 插入节点至最小堆中 void insert_minheap(MinHeapNode heap[], int *size, int val){ (*size)++; int i = *size - 1; while ((i != 0) && (val < heap[(i-1)/2]; i = (i-1)/2; } heap[i].value = val; if(*size>MAX_HEAP_SIZE){ // 维持堆的最大容量不超过设定值 extractMin(heap,size); }else{ min_heapify(heap,*size-1,*size); } } // 提取最小堆中的根结点（即最小值） int extractMin(MinHeapNode heap[], int *size){ int rootValue = heap[0].value; heap[0]=heap[*size-1]; (*size)--; min_heapify(heap,0,*size); return rootValue; } // 调整最小堆以保持其性质 void min_heapify(MinHeapNode heap[], int idx, int size){ int smallest=idx,left=(2*idx)+1,right=(2*idx)+2; if((left<size)&&(heap[left].value<heap[idx].value)) smallest=left; if((right<size)&&(heap[right].value<heap[smallest].value)) smallest=right; if(smallest!=idx){ swap(&heap[idx],&heap[smallest]); min_heapify(heap,smallest,size); } } // 获取 top-k 结果集 void getTopKElements(const int arr[], int n, const int k, int result[]){ MinHeapNode h[MAX_HEAP_SIZE]; int heapSize = 0; for(int i=0;i<n;++i){ insert_minheap(h,&heapSize,arr[i]); } for(int i=k-1;i>=0;--i){ result[i]=extractMin(h,&heapSize); } } ``` 这里展示了如何利用最小堆来处理 Top-K 问题的具体过程[^2]。