1738. 找出第 K 大的异或坐标值

目录

题目解析 | 查找二维矩阵中所有坐标的第 K 大前缀异或值

题目描述

问题拆解与解题分析

1. 异或的性质

2. 什么是“前缀异或数组”

3. 计算 prefix[i][j]

4. 收集所有目标值，排序返回第 k 大

代码实现（Python）

复杂度分析

优化建议

示例说明

总结

题目解析 | 查找二维矩阵中所有坐标的第 K 大前缀异或值

题目描述

给你一个大小为 m x n 的二维矩阵 matrix，矩阵中的元素均为非负整数。定义坐标 (a, b) 的 目标值为：

以 (a, b) 为右下角，左上角固定为 (0, 0) 的子矩阵中所有元素的异或结果。

换句话说，目标值是对所有满足 0 <= i <= a < m 且 0 <= j <= b < n 的元素 matrix[i][j] 做异或运算后的结果。

请你找出矩阵中所有坐标的目标值中第 k 大的值。k 从 1 开始计数。

问题拆解与解题分析

1. 异或的性质

• 异或运算有结合律和交换律
• 异或自身为零：x ^ x = 0
• 任何数与零异或结果是其自身：x ^ 0 = x

这些性质使得计算前缀异或和成为可能，类似前缀和的思想。

2. 什么是“前缀异或数组”

我们定义一个二维数组 prefix，其中

即 (0,0) 到 (i,j) 的矩阵子区域内所有元素的异或和。

这样一来，目标值 (a,b) 就可以直接通过 prefix[a][b] 得到。

3. 计算 prefix[i][j]

如何计算 prefix？

观察发现：

• prefix[i-1][j] 和 prefix[i][j-1] 是分别从上和左获得的异或值
• prefix[i-1][j-1] 因为加了两次，需要异或回去
• 再异或当前元素 matrix[i][j]

4. 收集所有目标值，排序返回第 k 大

计算完成所有的 prefix[i][j]，把它们放进列表里。

对列表进行降序排序后，取第 k 个元素即可。

代码实现（Python）

from typing import List

class Solution:
    def kthLargestValue(self, matrix: List[List[int]], k: int) -> int:
        m, n = len(matrix), len(matrix[0])
        prefix = [[0] * n for _ in range(m)]
        values = []

        for i in range(m):
            for j in range(n):
                top = prefix[i-1][j] if i > 0 else 0
                left = prefix[i][j-1] if j > 0 else 0
                top_left = prefix[i-1][j-1] if i > 0 and j > 0 else 0
                prefix[i][j] = top ^ left ^ top_left ^ matrix[i][j]
                values.append(prefix[i][j])

        values.sort(reverse=True)
        return values[k-1]

复杂度分析

时间复杂度：
计算前缀异或需要遍历矩阵所有元素，时间为 O(m*n)，排序所有目标值（共有 m*n 个）需要 O(m*n log(m*n))，因此总时间复杂度为：

• O(m×nlog⁡(m×n))
• 空间复杂度：
  需要存储 prefix 数组和 values 列表，均为 O(m*n)。

优化建议

当 k 比较小，但矩阵很大时，排序所有元素显得效率不高。可以使用大小为 k 的最小堆维护 top k 大的元素：

• 遍历所有 prefix[i][j]
• 将元素放入最小堆，堆大小超过 k 时弹出最小元素
• 最终堆顶即为第 k 大元素

这样，维护堆的时间复杂度为 O(m*n * log k)，相比完全排序可能更快。

示例说明

举个例子：

matrix = [
  [5, 2],
  [1, 6]
]
k = 2

• 计算 prefix 数组：

所以 prefix = [[5,7],[4,3]]

• 所有目标值是 [5,7,4,3]
• 降序排列是 [7,5,4,3]
• 第 2 大是 5

总结

本题关键在于利用前缀异或数组，将复杂的矩阵区域异或查询降维为 O(1) 的查询，极大提升计算效率。

常规做法是计算所有目标值并排序，但在大规模数据下，堆优化可以显著降低时间开销。