代码随想录算法训练营Day13 | 239. 滑动窗口最大值、347.前 K 个高频元素、栈与队列总结 | Python | 个人记录向

239. 滑动窗口最大值

代码随想录：239. 滑动窗口最大值
Leetcode：239. 滑动窗口最大值

做题

以为用queue，用普通队列可以直接解决，看了一眼文章，需要双端单调队列，就自己写代码，反复调试，最终代码如下：

class Solution:
    def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:
        from collections import deque
        queue = deque()
        res = []
        for i in range(k):
            if len(queue) == 0:
                queue.append(nums[i])
                continue
            if nums[i] > queue[0]:
                while queue:
                    queue.popleft()
                queue.append(nums[i])
            elif nums[i] > queue[-1]:
                while nums[i] > queue[-1]:
                    queue.pop()
                queue.append(nums[i])
            elif nums[i] < queue[-1]:
                queue.append(nums[i])
            else:
                queue.append(nums[i])
        res.append(queue[0])
        left = 0
        right = k
        size = len(nums)
        while right < size:
            if nums[left] == queue[0]:
                queue.popleft()
            if len(queue) == 0:
                queue.append(nums[right])
            else:
                if nums[right] > queue[0]:
                    while queue:
                        queue.popleft()
                    queue.append(nums[right])
                elif nums[right] > queue[-1]:
                    while nums[right] > queue[-1]:
                        queue.pop()
                    queue.append(nums[right])
                else:
                    queue.append(nums[right])
            res.append(queue[0])
            left += 1
            right += 1
        return res

看文章

用双端递减队列，文章的实现比较易读。

from collections import deque


class MyQueue: #单调队列（从大到小
    def __init__(self):
        self.queue = deque() #这里需要使用deque实现单调队列，直接使用list会超时
    
    #每次弹出的时候，比较当前要弹出的数值是否等于队列出口元素的数值，如果相等则弹出。
    #同时pop之前判断队列当前是否为空。
    def pop(self, value):
        if self.queue and value == self.queue[0]:
            self.queue.popleft()#list.pop()时间复杂度为O(n),这里需要使用collections.deque()
            
    #如果push的数值大于入口元素的数值，那么就将队列后端的数值弹出，直到push的数值小于等于队列入口元素的数值为止。
    #这样就保持了队列里的数值是单调从大到小的了。
    def push(self, value):
        while self.queue and value > self.queue[-1]:
            self.queue.pop()
        self.queue.append(value)
        
    #查询当前队列里的最大值 直接返回队列前端也就是front就可以了。
    def front(self):
        return self.queue[0]
    
class Solution:
    def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:
        que = MyQueue()
        result = []
        for i in range(k): #先将前k的元素放进队列
            que.push(nums[i])
        result.append(que.front()) #result 记录前k的元素的最大值
        for i in range(k, len(nums)):
            que.pop(nums[i - k]) #滑动窗口移除最前面元素
            que.push(nums[i]) #滑动窗口前加入最后面的元素
            result.append(que.front()) #记录对应的最大值
        return result

时间复杂度: O(n)
空间复杂度: O(k)

347.前 K 个高频元素

代码随想录：347.前 K 个高频元素
Leetcode：347.前 K 个高频元素

做题

使用单调双端队列，报错，找不出bug。

看文章

频率统计用map，排序用优先级队列。
优先级队列：实际上是披着队列外衣的堆，优先级队列对外接口是从队头取元素，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，而其内部元素是自动依照元素的权值排列。
优先级队列实现：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）。
注：缺省的意思是default，默认。
堆：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？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。
使用大顶堆就要把所有元素都进行排序，那能不能只排序k个元素呢？所以我们要用小顶堆，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。

具体实现

import heapq
class Solution:
    def topKFrequent(self, nums: List[int], k: int) -> List[int]:
        #统计元素出现频率
        map_ = {}
        for i in range(len(nums)):
            map_[nums[i]] = map_.get(nums[i], 0) + 1
        
        #对频率排序
        #定义一个小顶堆，大小为k
        pri_que = [] #小顶堆
        
        #用固定大小为k的小顶堆，扫描所有频率的数值
        for key, freq in map_.items():
            heapq.heappush(pri_que, (freq, key))
            if len(pri_que) > 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
                heapq.heappop(pri_que)
        
        #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
        result = [0] * k
        for i in range(k-1, -1, -1):
            result[i] = heapq.heappop(pri_que)[1]
        return result

注意：python中默认是最小堆，如果需要最大堆，可以对元素取负来实现。

时间复杂度: O(nlogk)
空间复杂度: O(n)

栈与队列总结

代码随想录：栈与队列总结

以往忽略的知识点小结

• 双端单调队列
• 优先级队列：可用堆实现
• 时间复杂度总结
  • 栈
    • 入栈：O(1)
    • 出栈：O(1)
    • 查看栈顶元素：O(1)
    • 查找特定元素：O(n)
  • 队列
    • 入队：O(1)
    • 出队：O(1)
    • 查看队头元素：O(1)
    • 查找特定元素：O(n)
  • 堆
    • 插入元素：O(log n)
    • 删除最小/最大元素：O(log n)
    • 获取最小/最大元素：O(1)
    • 堆化：O(n)

个人体会

完成时间：2h30min。
心得：手动实现双端单调队列不太熟、优先级队列和堆的相关知识和使用不熟。

​