DAY50：动态规划（十四）买卖股票最佳时机+买卖股票最佳时机Ⅱ

• 本系列是DP经典系列，Ⅰ和Ⅱ要放在一起看，理解状态转移的定义
• 这个系列DP的前提，都是把利润，转化成了每天手上的现金，让第i天手上的现金，是i天以来的最大值即可

121.买卖股票最佳时机

给定一个数组 prices ，它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。

你只能选择 某一天 买入这只股票，并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。

返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润，返回 0 。

示例 1：

输入：[7,1,5,3,6,4]
输出：5
解释：在第 2 天（股票价格 = 1）的时候买入，在第 5 天（股票价格 = 6）的时候卖出，最大利润 = 6-1 = 5 。
     注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格；同时，你不能在买入前卖出股票。

示例 2：

输入：prices = [7,6,4,3,1]
输出：0
解释：在这种情况下, 没有交易完成, 所以最大利润为 0。

提示：

• 1 <= prices.length <= 10^5
• 0 <= prices[i] <= 10^4

思路1：暴力枚举

本题是买卖一次股票，也就是说整个过程只能买入一次和卖出一次。

最直白的解决思路是暴力枚举，两层for循环，枚举每一个买股票的位置和卖股票的位置。

思路2：贪心

本题目标是找出一段时间内的最大收益。

• 在遍历所有价格时，找到当前看过的价格中最低的价格，这个最低的价格就是最理想的买入价格。
• 用当前价格减去这个当前所有价格中的最低价格，得到当前利润。和之前计算的最大利润进行比较，取两者中的较大值作为新的最大利润。

贪心解法如下：

class Solution {
public:
    int maxProfit(vector<int>& prices) {
        int payLow = INT_MAX;//存放买入价格
        int result = 0;//存放利润
        for(int i=0;i<prices.size();i++){
            payLow = min(payLow,prices[i]);//找遍历以来的最低价格
            result = (prices[i]-payLow)>result?prices[i]:payLow;//不断更新最大利润
        }
		return result;
    }
};

• 时间复杂度：O(n)
• 空间复杂度：O(1)

思路3：动态规划

动态规划这种做法核心在于，把交易中获取的最大利润转换为每一天手里的现金数，第i天手里的现金数额最大，就是获取的利润最大。

DP数组的含义

第i天我们有两个状态，一个是买股票，另一个是不买股票。

因此，我们需要一个二维数组来表示描述每一天的状态：

• dp[i][0]表示第i天，手上持有股票状态下的最大收益（也就是当前的现金数）；
• dp[i][1]表示第i天，手上不持有股票状态下的最大收益（当前现金数）。

最后我们要求的最大收益，就是dp[nums.size()-1][1]，因为本题到最后一定不持有股票。

递推公式

dp[i][0]是持有股票状态下的最大收益，如果一直持有股票，那么手里的现金是没有变化的。

也就是说，如果当天没有买入股票，那么dp[i][0]=dp[i-1][0]

但是如果当天买入了股票，也是持有股票的状态，那么dp[i][0]=-prices[i]，也就是支出当前价格。注意这里是负数，因为买的时候收益是负的。

• 本题股票只买卖一次，因此dp[i][0]只会买入一次，只需要考虑-prices[i]。如果买卖多次，持有股票最大收益会有区别。

dp[i][0] = max(dp[i-1][0],-prices[i]);//两种状态选最大收益

dp[i][1]是不持有股票状态的最大收益。

如果一直都没有持有股票，那么最大收益就是dp[i-1][1]。

如果当天卖出了股票，刚好成为不持有股票的状态，最大收益就是dp[i-1][0]+prices[i]。

dp[i][1] = max(dp[i-1][1],dp[i-1][0]+prices[i]);

注意点：（重要，一定要理解）

• 如果是当天卖出，那么手里的最大现金数应该还要和之前的买入状态dp[i-1][0]相加！
• 但是当天买入，因为只有一次买入并且之前都不可能有买入，所以手里的现金一定是-prices[i]，因为之前没有手里现金数目的累积值变化。
• 如果是允许多次买入与卖出，那么再次买的时候，需要考虑**dp[i-1][1]-prices[i]（也就是昨天手里没有股票）的情况，因为此时现金会有累积的利润值**，现金值有转移关系；但是本题，只允许一次买入，dp[i-1][1]也会有数值（因为包含了假定在之前卖出的情况），但是和现在的现金值没有转移关系！因此不能进行状态转移，dp[i][0]当天买入股票的情况就是-prices[i]。
• 重点是看，dp[i]的现金数，和之前的哪些数额存在状态转移关系！

完整版

• debug：注意数组的下标范围，如果数组大小是days+1那么数组最大下标是days，而days=prices.size()，**dp[prices.size()]是无意义的！**正确的定义dp数组方式应该是大小直接定义成nums.size()

class Solution {
public:
    int maxProfit(vector<int>& prices) {
        //创建二维DP数组，大小是天数i，天数i对应(0,0)两个状态
       int days = prices.size();
       //如果数组大小是days+1那么最大下标是days,而days是price的size，是不存在price数组中的！
       vector<vector<int>>dp(days+1,vector<int>(2,0));
        //下标0持有股票的现金数，下标1不持有股票的现金数
       dp[0][0] = -prices[0];
       dp[0][1] = 0;
       for(int i=1;i<prices.size();i++){
           //持有股票，只可能是今天第一次买
           dp[i][0]= max(dp[i-1][0],-prices[i]);
           //不持有股票，当天卖了的话前一天是持有的
           dp[i][1] = max(dp[i-1][1],dp[i-1][0]+prices[i]);
       }
        return dp[days-1][1];//最后一定不持有
    }
};

122.买卖股票最佳时机Ⅱ

给你一个整数数组 prices ，其中 prices[i] 表示某支股票第 i 天的价格。

在每一天，你可以决定是否购买和/或出售股票。你在任何时候 最多 只能持有 一股 股票。你也可以先购买，然后在 同一天 出售。

返回 你能获得的 最大 利润 。

示例 1：

输入：prices = [7,1,5,3,6,4]
输出：7
解释：在第 2 天（股票价格 = 1）的时候买入，在第 3 天（股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4 。
     随后，在第 4 天（股票价格 = 3）的时候买入，在第 5 天（股票价格 = 6）的时候卖出, 这笔交易所能获得利润 = 6 - 3 = 3 。
     总利润为 4 + 3 = 7 。

示例 2：

输入：prices = [1,2,3,4,5]
输出：4
解释：在第 1 天（股票价格 = 1）的时候买入，在第 5 天 （股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4 。
     总利润为 4 。

示例 3：

输入：prices = [7,6,4,3,1]
输出：0
解释：在这种情况下, 交易无法获得正利润，所以不参与交易可以获得最大利润，最大利润为 0 。

提示：

• 1 <= prices.length <= 3 * 10^4
• 0 <= prices[i] <= 10^4

和买卖股票Ⅰ的联系与区别

因为整个过程中，第i天只有持有股票和不持有股票两种状态，因此我们对于每一天i的情况，都用一个二维DP数组的0和1下标：dp[i][0]和dp[i][1]，分别表示第i天持有股票的最大现金数为dp[i][0]，和第i天不持有股票的最大现金数为dp[i][1]。

dp[i][0]对应第i天持有股票，持有股票分为两种情况：

• 之前就持有股票：dp[i-1][0]
• 今天刚刚买入，也是今天持有股票：-prices[i](Ⅰ)，dp[i-1][1]-prices[i](Ⅱ)

买卖股票Ⅰ和Ⅱ两题的关键区别就在于买卖的规则。在买卖股票Ⅰ问题中，只能进行一次买入和卖出，而且一定是先买后卖，不允许同一天内买卖。这就意味着，在买入股票的那一天，当前手里的现金（或者说是利润）只能是初始现金(也就是0)减去当天的股票价格，不能叠加上前一天卖出股票的利润，因为前一天不可能卖股票！

而在Ⅱ中，因为不限制买入卖出的次数，可以随意买卖，因此**”刚刚买入导致持有“这种情况导致的最大现金变化**，就需要加上往次买入卖出得到的利润，也就是前一天现有的现金dp[i-1][1]和当天买入-prices[i]相加！

dp[i-1][1]表示的就是第i-1天，不持有股票，手里的最大现金。而这个状态可以是由两种状态转移过来的：一是第 i-1 天没有进行任何操作，维持第 i-2 天的不持有状态，二是第 i-1 天卖出股票。因此，这个值并不能直接和买入股票的操作叠加，因为买入股票前一定是没有股票的状态，也就是说在买卖股票Ⅰ问题中，一定不会在买入前卖出。

dp[i][1]对应第i天不持有股票。不持有股票也分为两种情况：

• 之前就不持有：dp[i-1][0]
• 今天刚刚卖出，卖出之后成为不持有：dp[i-1][0]+prices[i]

如果是今天刚刚卖出，说明之前有买入，也就是说必须与之前的现金状态进行累加，才能得到”如果今天卖出“得到的最大现金数。此时，Ⅰ和Ⅱ”今天卖出导致的现金状态变化“递推逻辑都是dp[i-1][0]+prices[i]。

完整版

class Solution {
public:
    int maxProfit(vector<int>& prices) {
        vector<vector<int>>dp(prices.size(),vector<int>(2,0));
        //0是持有股票
        dp[0][0] = -prices[0];
        //1是不持有股票
        dp[0][1] = 0;
        for(int i=1;i<prices.size();i++){
            //当天持有，可能是继承之前状态，或刚刚买入，之前没有持有
            dp[i][0] = max(dp[i-1][0],dp[i-1][1]-prices[i]);
            //当天没持有，可能是当天卖掉
            dp[i][1] = max(dp[i-1][1],dp[i-1][0]+prices[i]);
        }
        return dp[prices.size()-1][1];//最后卖了一定是收益更大的

    }
};