代码随想录算法训练营Day49 | 121. 买卖股票的最佳时机 | 122. 买卖股票的最佳时机II

121. 买卖股票的最佳时机

题目链接 | 理论基础

贪心算法

本题只能买卖一次股票，也就是找最大的前后差：找到左边最小的，找到右边最大的，得到的最大非负差值就是最大利润。
不过虽然本题的贪心算法非常直白，要想写出 $O(n)$ 的正确贪心解也不容易，具体思路有点像双指针。（即使知道是贪心也不好写啊！太笨了）

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        left_lowest = float('inf')
        result = 0

        for i in range(len(prices)):
            left_lowest = min(left_lowest, prices[i])
            result = max(result, prices[i] - left_lowest)

        return result

dp 数组

贪心虽好，可不要贪心呦。对于这种题目，dp 才是无往不利的王道。

相比于之前的打家劫舍中的一维数组，股票类问题需要记录之前一步的状态。因为在打家劫舍中，当前 i 的状态可以确定地从之前的某个状态中推导得到（抢 i 那么一定不会抢 i-1，不抢 i 那么就和 i-1 的结果相同）。然而，股票问题的状态是不能通过之前的状态确定推导的：当前能否卖出股票取决于之前是否持有股票，只记录之前得到的最大收益就无从得知对于股票的持有状态。所以，本题需要靠一个二维数组来同时记录（状态，当前收益）。

1. dp 数组的下标含义：注意这里所代表的是最大净利润，当然也可能是负数

   • dp[i][0]：如果第 i 天结束的时候不持有股票，能够得到的最大利润
   • dp[i][1]：如果第 i 天结束的时候持有股票，能够得到的最大利润

2. dp 递推公式：

   • dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i])，如果第 i 天结束时不持有股票，可能的情况有两种：
     • 前一天就没有持有股票，所以和第 i-1 天的情况完全相同，dp[i-1][0]
     • 前一天持有股票，在第 i 天内将股票卖出，dp[i-1][1] + prices[i]
   • dp[i][1] = max(dp[i-1][1], - prices[i])，如果第 i 天结束时持有股票，可能的情况有两种：
     • 前一天就持有股票，所以和第 i-1 天的情况完全相同，dp[i-1][1]
     • 前一天还未持有股票，在第 i 天内买入股票，由于本题只允许进行一次买入，那么当前的净利润必然是 - prices[i]

3. dp 数组的初始化：从递推公式可知，我们需要初始化第一天的 dp 数组，其余值设为 0 即可（可以处理股票价格一直下跌的状态）

   • dp[0][0]：第一天开始时没有股票，第一天结束时没有股票，那么净利润还是 0
   • dp[0][1]：第一天开始时没有股票，第一天结束时持有股票，那么净利润是 -prices[0]

4. dp 的遍历顺序：终于没有背包问题的复杂顺序哲学了，明显的从小到大遍历

5. 举例推导：

   i	dp[i][0]	dp[i][1]
   7	0	-7
   1	0	-1
   5	4	-1
   3	4	-1
   6	5	-1
   4	5	-1

值得一提的是，一般来说完成 dp 数组的遍历后，应该返回 max(dp[-1][0], dp[-1][1])。但根据简单的逻辑，到了最后一天无论如何都是手中没有股票的净利润更高，毕竟不卖股票的话肯定赚不了钱，所以返回 dp[-1][0] 即可。

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        # dp[i][0] represents the max profit without holding a stock at hand on day i
        # dp[i][1] represents the max profit while holding a stock at hand on day i
        dp = [[0, 0] for _ in range(len(prices))]
        # initialization
        dp[0] = [0, -prices[0]]
    
        for i in range(1, len(prices)):
            dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i])
            dp[i][1] = max(dp[i-1][1], - prices[i])
        
        return max(dp[-1][0], dp[-1][1])

本题的时间复杂度自然是 $O(n)$，空间复杂度也是 $O(n)$。

观察我们在遍历中经历的递推，很容易发现 dp[i] 只依赖于 dp[i-1]，所以并不需要维护整个 $n\times 2$ 的数组，只需要一个 $2\times 2$ 的滚动数组即可，依靠天数 i 对 2 的取余即可。
以下代码直接复制自代码随想录。

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        length = len(prices)
        dp = [[0] * 2 for _ in range(2)] #注意这里只开辟了一个2 * 2大小的二维数组
        dp[0][0] = -prices[0]
        dp[0][1] = 0
        for i in range(1, length):
            dp[i % 2][0] = max(dp[(i-1) % 2][0], -prices[i])
            dp[i % 2][1] = max(dp[(i-1) % 2][1], prices[i] + dp[(i-1) % 2][0])
        return dp[(length-1) % 2][1]

122. 买卖股票的最佳时机II

题目链接 | 理论基础

本题的条件和上一唯一的不同在于股票可以多次买卖了（但是同时只能持有一支股票），其余条件都一样，甚至于本题也有一种贪心解法。
这个条件上的区别导致的解法的变化在于 dp 的递推公式：dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i])：

• 在上一题中，只能买卖一次股票，如果第 i-1 天结束时没有持有股票，但是第 i 天结束时持有股票，那么必然是第一次购买股票，之前的利润确定是 0，此时的净利润可以确定是 -prices[i]。
• 在本题中，由于股票可以多次买卖，如果第 i-1 天结束时没有持有股票，但是第 i 天结束时持有股票，只能知道相比于之前未持有股票的时候净利润下降了 prices[i]，但却不知道之前未持有股票的利润是多少，所以只能知道当前的净利润是 dp[i-1][0] - prices[i]。

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        # dp[i][0] represents the max profit without holding the stock on day i
        # dp[i][1] represents the max profit while holding the stock on day i
        dp = [[0, 0] for _ in range(len(prices))]
        dp[0] = [0, -prices[0]]

        # dp formula
        for i in range(1, len(prices)):
            dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i])
            dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i])
        
        return max(dp[-1][0], dp[-1][1])