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。
- 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。
- 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。 - 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。
- 构建获取最大值的函数,直接返回维护的队头即可。
- 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:
- 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。
- 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:
- 要统计元素出现频率
- 对频率排序
- 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。
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:
- 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。
- 在写重载的时候,用的指向不明确,导致出错,这里还要注意
- 这类问题在文中有优先级队列的相关解释,可以去看
- 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。