代码随想录算法训练营第十三天| 239. 滑动窗口最大值 347.前 K 个高频元素 总结

239. 滑动窗口最大值

题目链接 lc.239
给你一个整数数组 nums，有一个大小为 k 的滑动窗口从数组的最左侧移动到数组的最右侧。你只可以看到在滑动窗口内的 k 个数字。滑动窗口每次只向右移动一位。

返回 滑动窗口中的最大值 。

思路：通过自己构建一个队列，来维护当前滑动窗口的最大值和加入弹出功能。

1. 首先再移动窗口的时候，我们会弹出最前面的元素，加入最后的元素，最后再取滑动窗口的最大值。于是我们可以实现一个这样的数据结构满足题意。
2. 构建添加函数 push我们可以维护当前滑动窗口的最大值在队列最前面，当加入元素的值比此时队列末尾的元素都大的时候，先让小的元素弹出，加入我们最大值，维护最大值。
3. 在弹出元素的时候，因为只维护了队头的元素，并且队头元素是最大值，当我们要弹出值的时候，判断当前队头元素是不是最大的，是则弹出，否则等待。
4. 构建获取最大值的函数，直接返回维护的队头即可。
5. 在主函数中实现的时候，先加入k数值的滑动窗口到队列维护，再去做后移动操作，并在里面每次按流程走3个函数。

class Solution {
public:
    class Myque {
    public:
        deque<int> que;
        
        void push(int val) {
            while (!que.empty() && val > que.back()) {
                que.pop_back();
            }
            que.push_back(val);
        }

        void pop(int val) {
            if (!que.empty() && val == que.front()) {
                que.pop_front();
            }
        }
        int getMaxVal() {
            return que.front();
        }
    };
    vector<int> maxSlidingWindow(vector<int>& nums, int k) {
        Myque que;
        vector<int> ans;

        for (int i = 0; i < k; i++) {
            que.push(nums[i]);
        }
        ans.push_back(que.getMaxVal());

        for (int i = k; i < nums.size(); i++) {
            que.pop(nums[i-k]);
            que.push(nums[i]);
            ans.push_back(que.getMaxVal());
        }
        return ans;
    }
};

总结：

1. 第一次做很难想到这个办法，对于处理这类问题可能还要多做相关的题目才行。
2. 在实现有关的函数的时候，还是要注意模拟的过程
   pop(value)：如果窗口移除的元素value等于单调队列的出口元素，那么队列弹出元素，否则不用任何操作
   push(value)：如果push的元素value大于入口元素的数值，那么就将队列入口的元素弹出，直到push元素的数值小于等于队列入口元素的数值为止

347.前 K 个高频元素

题目链接 LC347
给你一个整数数组 nums 和一个整数 k ，请你返回其中出现频率前 k 高的元素。你可以按 任意顺序 返回答案。

思路：
这道题目主要涉及到如下三块内容：

1. 要统计元素出现频率
2. 对频率排序
3. 找出前K个高频元素

首先统计元素出现的频率，这一类的问题可以使用map来进行统计。
频率进行排序，这里我们可以使用一种 容器适配器就是优先级队列。

什么是优先级队列呢？

其实就是一个披着队列外衣的堆，因为优先级队列对外接口只是从队头取元素，从队尾添加元素，再无其他取元素的方式，看起来就是一个队列。
而且优先级队列内部元素是自动依照元素的权值排列。那么它是如何有序排列的呢？
缺省情况下priority_queue利用max-heap（大顶堆）完成对元素的排序，这个大顶堆是以vector为表现形式的complete binary tree（完全二叉树）。

什么是堆呢？

堆是一棵完全二叉树，树中每个结点的值都不小于（或不大于）其左右孩子的值。 如果父亲结点是大于等于左右孩子就是大顶堆，小于等于左右孩子就是小顶堆。
所以大家经常说的大顶堆（堆头是最大元素），小顶堆（堆头是最小元素），如果懒得自己实现的话，就直接用priority_queue（优先级队列）就可以了，底层实现都是一样的，从小到大排就是小顶堆，从大到小排就是大顶堆。

class Solution {
public:
    // 小顶堆
    class mycomparison {
    public:
        bool operator()(const pair<int, int>& lhs, const pair<int, int>& rhs) {
            return lhs.second > rhs.second;
        }
    };

    vector<int> topKFrequent(vector<int>& nums, int k) {
        unordered_map<int, int> map;

        for (int i = 0; i < nums.size(); i++) {
            map[nums[i]]++;
        }

        // 对频率排序
        // 定义一个小顶堆，大小为k
        priority_queue<pair<int, int>, vector<pair<int, int>>, mycomparison> pri_que;

        // 用固定大小为k的小顶堆，扫面所有频率的数值
        for (unordered_map<int, int>::iterator it = map.begin(); it != map.end(); it++) {
            pri_que.push(*it);
            if (pri_que.size() > k) { // 如果堆的大小大于了K，则队列弹出，保证堆的大小一直为k
                pri_que.pop();
            }
        }

        // 找出前K个高频元素，因为小顶堆先弹出的是最小的，所以倒序来输出到数组
        vector<int> result(k);
        for (int i = k - 1; i >= 0; i--) {
            result[i] = pri_que.top().first;
            pri_que.pop();
        }
        return result;
    }
};

总结：

1. 因为之前没有做过有关优先级队列的相关问题，在做这题的时候只想到了用map来统计计数，没有想到大小顶堆。
2. 在写重载的时候，用的指向不明确，导致出错，这里还要注意
3. 这类问题在文中有优先级队列的相关解释，可以去看
4. 对于为什么取小顶堆而不是大顶堆的主要原因在于：如果是大顶堆，每次加入进来元素，会把队列里最大的元素弹出，如果用大顶堆对于查找出现频率最大的可能要重新排列，时间复杂度增加，如果使用小顶堆，那么每次弹出的元素都是最小的，于是留下的就是最大的，然后反序输出。

栈与队列总结

可以出一道面试题：栈里面的元素在内存中是连续分布的么？

这个问题有两个陷阱：

陷阱1：栈是容器适配器，底层容器使用不同的容器，导致栈内数据在内存中是不是连续分布。
陷阱2：缺省情况下，默认底层容器是deque，那么deque的在内存中的数据分布是什么样的呢？ 答案是：不连续的，下文也会提到deque。