1、逆波兰表达式求值
逆波兰表达式:是一种后缀表达式,所谓后缀就是指运算符写在后面。
平常使用的算式则是一种中缀表达式,如 ( 1 + 2 ) * ( 3 + 4 ) 。
该算式的逆波兰表达式写法为 ( ( 1 2 + ) ( 3 4 + ) * ) 。
逆波兰表达式主要有以下两个优点:
-
去掉括号后表达式无歧义,上式即便写成 1 2 + 3 4 + * 也可以依据次序计算出正确结果。
-
适合用栈操作运算:遇到数字则入栈;遇到运算符则取出栈顶两个数字进行计算,并将结果压入栈中。
思路:逆波兰表达式是用后序遍历的方式把二叉树序列化。
class Solution {
public:
int evalRPN(vector<string>& tokens) {
stack<long long> st; //需要用long long
for (int i = 0; i < tokens.size(); i++) {
检查当前标记是否是运算符
if (tokens[i] == "+" || tokens[i] == "-" || tokens[i] == "*" || tokens[i] == "/") {
long long num1 = st.top();// 获取栈顶元素(执行运算的第二个操作数)
st.pop();// 弹出栈顶元素
long long num2 = st.top();// 获取栈顶的下一个元素(执行运算的第一个操作数)
st.pop();// 弹出栈顶元素
if (tokens[i] == "+") st.push(num2 + num1);
if (tokens[i] == "-") st.push(num2 - num1);
if (tokens[i] == "*") st.push(num2 * num1);
if (tokens[i] == "/") st.push(num2 / num1);
} else {
st.push(stoll(tokens[i]));// 如果当前标记是数字,将其转换为 long long 类型并压入栈中
}
}
int result = st.top();// 获取栈顶元素,即最终计算结果
st.pop();
return result;
}
};
2、滑动窗口最大值
暴力法是O(n×k)的算法。此时我们需要一个队列,这个队列呢,放进去窗口里的元素,然后随着窗口的移动,队列也一进一出,每次移动之后,队列告诉我们里面的最大值是什么。
每次窗口移动的时候,调用que.pop(滑动窗口中移除元素的数值),que.push(滑动窗口添加元素的数值),然后que.front()就返回我们要的最大值。
其实队列没有必要维护窗口里的所有元素,只需要维护有可能成为窗口里最大值的元素就可以了,同时保证队列里的元素数值是由大到小的。
那么这个维护元素单调递减的队列就叫做单调队列,即单调递减或单调递增的队列。C++中没有直接支持单调队列,需要我们自己来实现一个单调队列
- 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
保持如上规则,每次窗口移动的时候,只要问que.front()就可以返回当前窗口的最大值。数据结构deque最合适。
class Solution {
private:
// 定义一个内部类 MyQueue 表示单调队列(从大到小)
class MyQueue { // 单调队列(从大到小)
public:
deque<int> que;
void pop(int value) {
if (!que.empty() && value == que.front()) { // 检查队列是否为空并比较值
que.pop_front(); // 弹出队列前端的元素
}
}
void push(int value) {
while (!que.empty() && value > que.back()) { // 取出所有比当前值小的元素
que.pop_back(); // 弹出队列后端的元素
}
que.push_back(value); // 将新值加入队列后端
}
int front() {
return que.front(); // 返回队列前端的元素
}
};
public:
vector<int> maxSlidingWindow(vector<int>& nums, int k) {
MyQueue que; // 创建一个单调队列实例
vector<int> result; // 用于存储每个滑动窗口的最大值
// 先将前 k 个元素加入队列
for (int i = 0; i < k; i++) {
que.push(nums[i]);
}
// 记录前 k 个元素中的最大值
result.push_back(que.front());
// 遍历数字数组,从 k 位置开始
for (int i = k; i < nums.size(); i++) {
que.pop(nums[i - k]); // 从滑动窗口移除最前面的元素
que.push(nums[i]); // 将新元素加入滑动窗口
result.push_back(que.front()); // 记录当前滑动窗口的最大值
}
return result; // 返回结果数组
}
};
3、前K个高频元素
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。
然后是对频率进行排序,这里我们可以使用一种 容器适配器就是优先级队列。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)。
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。
为什么不用快排呢, 使用快排要将map转换为vector的结构,然后对整个数组进行排序, 而这种场景下,我们其实只需要维护k个有序的序列就可以了,所以使用优先级队列是最优的。
而因为要统计最大前k个元素,只有小顶堆每次将最小的元素弹出,最后小顶堆里积累的才是前k个最大元素。所以使用小顶堆。
class Solution {
public:
// 定义一个小顶堆的比较器类
class mycomparison {
public:
// 重载操作符,用于比较两个pair,根据第二个值(频率)进行比较
bool operator()(const pair<int, int>& lhs, const pair<int, int>& rhs) {
return lhs.second > rhs.second; // 当lhs的频率大于rhs的频率时返回true,这样可以构造一个小顶堆
}
};
vector<int> topKFrequent(vector<int>& nums, int k) {
// 创建一个unordered_map来统计每个元素出现的频率
unordered_map<int, int> map; // map<nums[i],对应出现的次数>
for (int i = 0; i < nums.size(); i++) {
map[nums[i]]++; // 如果元素nums[i]存在于map中,则增加其出现的次数;如果不存在,则初始化为1
}
// 定义一个小顶堆,这里使用定义好的比较器类mycomparison
priority_queue<pair<int, int>, vector<pair<int, int>>, mycomparison> pri_que;
// 遍历map中的所有频率数值,并维护一个大小为k的小顶堆
for (auto it = map.begin(); it != map.end(); it++) {
pri_que.push(*it); // 将元素和值的pair加入小顶堆
if (pri_que.size() > k) { // 如果堆的大小超过k,则弹出堆顶元素(频率最小的元素),保持堆的大小为k
pri_que.pop();
}
}
// 找出前K个高频元素,因为小顶堆先弹出的是频率最小的,所以倒序输出
vector<int> result(k); // 定义结果数组,大小为k
for (int i = k - 1; i >= 0; i--) { // 从后往前填充结果数组
result[i] = pri_que.top().first; // 取出堆顶元素的值(key)
pri_que.pop(); // 弹出堆顶元素
}
return result; // 返回结果数组
}
};