本文目录
- 239. 滑动窗口最大值
- 做题
- 看文章
- 347.前 K 个高频元素
- 做题
- 看文章
- 具体实现
- 栈与队列总结
- 以往忽略的知识点小结
- 个人体会
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
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)
- 栈
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。