代码随想录｜Day11｜栈与队列03｜239. 滑动窗口最大值、347. 前 K 个高频元素

239. 滑动窗口最大值

暴力：遍历整个数组，对于每个窗口，遍历找出最大值，时间复杂度为 O(n * k)。

思路：主要优化寻找窗口最大值的过程，可以实现 O(1) 的时间复杂度，整个算法的时间复杂度就降低为 O(n * 1) = O(n)。实现的方法是构造单调队列，队内元素从大到小排列，队列首位即最大值。

每次滑动窗口，我们需要考虑两点：
1. 队首元素是否需要出队？保证队内的元素都属于当前窗口，而不是上个窗口。

2. 队尾元素是否需要移除？保证队列的单调性。

假设窗口长度为 k，现在要让 index 为 i 的元素入队。

让我们先考虑第一点：

新元素入队，意味着窗口右端元素的 index 为 i，那么窗口左端元素的 index 应该为 i - k + 1。如果队首元素的 index < i - k + 1，则说明其不属于当前窗口，它会被新入队元素挤走。

接下来考虑第二点：

将新元素与队尾元素对比，如果队尾元素更小，则出队。重复此过程直到新元素小于队尾元素，此时新元素应该入队，形成新的单调队列。

class Solution:
    def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:

        # 这里选择将 index 存入队列
        result = []
        window = deque()
        # 遍历数组
        for i in range(len(nums)):
            # 处理窗口左端，查看是否要出队
            if window and window[0] < i - k + 1:
                window.popleft()
            # 处理窗口右端，查看是否要弹出一些元素后入队
            while window and nums[i] > nums[window[-1]]:
                window.pop()
            window.append(i)
            # 检查完窗口两端后，考虑收集结果
            # 但在数组 nums 的开始部分，窗口还未形成前，无法收集元素。
            if i >= k - 1:
                result.append(nums[window[0]])
        
        return result
# 时间复杂度：
# 每个元素最多入队一次，出队一次，两个操作都为O(1)
# 总时间复杂度为O(n)

347. 前 K 个高频元素

暴力：哈希表记录所有元素的频率，然后对频率排序，时间复杂度 O(n * log n)。

思路：主要优化寻找前 k 个最高频率，不依赖排序，而是采用优先队列（堆），时间复杂度可以降为 O(n * log k) 。

堆（Heap）是一种特殊的完全二叉树，它满足每个节点的值都不大于（或不小于）其子节点的值的性质。根据这个性质，堆可以分为两类：

• 最小堆（Min Heap）：每个父节点的值都小于或等于其所有子节点的值。因此，树的根节点给出了全树的最小值。
• 最大堆（Max Heap）：每个父节点的值都大于或等于其所有子节点的值。因此，树的根节点给出了全树的最大值。

堆通常用于实现优先队列，因为堆能够在 O(1) 时间复杂度内访问到最小元素（在最小堆中）或最大元素（在最大堆中），并且可以在 O(log n) 时间复杂度内完成插入新元素或删除最小（或最大）元素的操作。

class Solution:
    def topKFrequent(self, nums: List[int], k: int) -> List[int]:

        # 统计元素频率
        freq_map = {}

        for num in nums:
            if num in freq_map:
                freq_map[num] += 1
            else:
                freq_map[num] = 1

        # 如何在Python中构造最小堆？
        # heapq 模块提供的堆操作是在普通的列表上进行的，所以不需要特殊的数据结构来表示堆。
        min_heap = []
        # 遍历 freq_map 字典，对于每个 (频率, 元素) 元组，使用 heapq.heappush() 将其加入到 min_heap 中。
        # 由于 Python 的堆是最小堆，元组的第一个元素（即频率）被用来确定在堆中的顺序，频率最低的元素会位于堆顶。
        for num, freq in freq_map.items():
            heapq.heappush(min_heap, (freq, num))
            # 检查堆的大小是否超过了 k
            # 使用 heapq.heappop() 函数移除堆顶元素，即频率最低的元素。
            # 这样做的目的是确保堆中始终只包含频率最高的 k 个元素。
            if len(min_heap) > k:
                heapq.heappop(min_heap)
        # 从堆中提取结果
        top_k_elements = [num for freq, num in min_heap]
        return top_k_elements