你知道面试时最爽的瞬间是什么吗？不是秒杀难题，而是在面试官面前，将你脑中一闪而过的优化思路清晰地讲出来，并看到对方点头认可的那一刻。上周面DoorDash，我就经历了这么一次心跳加速的体验。一道看似烂熟于心的Top K问题，从“我会做”到“我能做得更好”，中间可能就隔着一张Offer和一封感谢信的距离。

面试官是一位很友善的华人大哥，寒暄几句后就直接进入正题，在共享编辑器里贴出了题目。

Given a non-empty array of integers, return the k most frequent elements. You may return the answer in any order.

Example 1:

Input: nums = [1,1,1,2,2,3], k = 2

Output: [1,2]

Example 2:

Input: nums = [1], k = 1

Output: [1]

看到题，心里先稳了一下，这不是经典题嘛。但越是经典题，越要小心其中的考点和优化空间。我的第一反应，这不就是个频率统计嘛，思路很直接：先用一个哈希表（HashMap）来统计每个数字出现的次数，这一步没什么难度。关键在于，统计完之后如何高效地找出频率最高的 K 个元素。

我正打算说用一个最大堆，把所有元素一股脑放进去再一个个取出来时，脑子里警铃一响，感觉这不是最优解。于是我跟面试官说：“我想到的基本思路是用哈希表计数，然后找到频率最高的K个。不过在‘找’这个环节，直接排序或者用最大堆，效率可能不是最好的。这里或许可以优化一下。”

面试官很感兴趣地示意我继续说。我接着解释，我们可以维护一个大小为 K 的最小堆。遍历哈希表里统计好的频率数据，逐个将元素加入最小堆。当堆的大小超过 K 时，就将堆顶频率最小的元素移除。这样，遍历结束后，堆里剩下的就是我们想要的频率最高的 K 个元素。这个方法的精髓在于，堆的大小始终被控制在 K，时间复杂度能从 O(N log N) 优化到 O(N log K)，在 N 远大于 K 的情况下提升非常明显。

面试官听完点了点头，表示认可这个思路，然后让我开始写代码。整个过程，我一边写代码，一边解释关键步骤，比如最小堆的自定义比较器如何实现。最后从最小堆里提取结果时，需要注意因为是最小堆先弹出的是频率最小的，所以得到的列表顺序可能是反的，需要再倒序一次才能确保是按频率从高到低排列。

代码写完后，我们又简单聊了聊时间复杂度和空间复杂度。整个交流过程感觉DoorDash非常看重候选人扎实的基本功和清晰的沟通能力，不仅要会做题，更要懂得权衡和优化。希望这次的真题分享对你有用，祝大家都能早日拿到心仪的Offer！

本文的作者 石老师，在这里给大家打个硬广，csoahelp.com每日分享北美大厂面经，小红书也有更新，我们还提供种类多样的收费服务协助您进入北美科技大厂，有意向的微信扫码联系我，或者也可以通过其他方式联系我