239 单调队列解决滑动窗口
讲解视频:单调队列正式登场!| LeetCode:239. 滑动窗口最大值_哔哩哔哩_bilibili
文章讲解:代码随想录 (programmercarl.com)
状态:不会做。好题。
思路
难点:如何求窗口里的最大值。
整体大框架:
遍历数组,每移动一次窗口,就执行以下三个操作:
①pop:移除滑动窗口最前面的元素②push:将滑动窗口后面的元素加入滑动窗口③getMaxValue:计算滑动窗口内最大值。
但是,编程语言目前没有支持以上操作的数据结构–单调队列,所以要自己实现。
单调队列:维护队列内保持单调。关键在于如何维护元素里边的单调,即**加入元素和弹出元素时,如何维护队列**,这个规则由我们定义。tips:这里的单调队列和优先级队列不同,优先级队列是将队列内的元素排序,元素的顺序就变了。
假设滑动窗口大小为3,没必要把3个元素都放进单调队列,只需要维护【有可能成为最大值的元素】,将滑动窗口内最大值放在队列的队首,保持队列的递减特性。
push的规则:从队尾插入,一一比较,若push进来的元素比前面的都大,那前面的元素都要排除,直到前面的元素比push进来的元素大停止,停在大元素的后面。这里有两个疑难点:①为什么前面的元素都要排除?因为该单调队列要维护的是“将滑动窗口内的最大值放在队首”。②push进来的元素,为什么遇到比自己大的就停止,而不是不入队?因为最大元素(即队首元素)弹出后,需要将当前窗口内第二大的元素变成最大元素,也就是说,push进来的元素有可能是成为最大值的元素,而前面那些比push进来的元素小的元素自然不可能是当前窗口最大值的候选(因为比push进来的元素小),所以要排除。
pop的规则:若滑动窗口移除的元素是单调队列的队首(即最大元素),就将该元素从单调队列弹出。
getMaxValue的规则:获取单调队列的队首元素值即可。
代码
用双向队列deque来实现
class Solution {
private:
class MyQueue { //单调队列(从大到小)
public:
deque<int> que; // 使用deque来实现单调队列
// 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(即滑动窗口的最大值),如果相等则弹出。
// 同时pop之前判断队列当前是否为空。
void pop(int value) { // value为滑动窗口要遗弃的元素
if (!que.empty() && value == que.front()) {
que.pop_front();
}
}
// 如果push的数值大于入口(队尾)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。
void push(int value) {
while (!que.empty() && value > que.back()) {
que.pop_back();
}
que.push_back(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。
int front() {
return que.front();
}
};
public:
vector<int> maxSlidingWindow(vector<int>& nums, int k) {
MyQueue que;
vector<int> result;
for (int i = 0; i < k; i++) { // 先将前k的元素放进队列
que.push(nums[i]);
}
result.push_back(que.front()); // result 记录前k的元素的最大值
for (int i = k; i < nums.size(); i++) {
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.push_back(que.front()); // 记录对应的最大值
}
return result;
}
};
347 优先级队列实现小顶堆
讲解视频:优先级队列正式登场!大顶堆、小顶堆该怎么用?| LeetCode:347.前 K 个高频元素_哔哩哔哩_bilibili
文章讲解:代码随想录 (programmercarl.com)
状态:不会做。好题。
思路
- 要统计元素出现频率:用map统计;
- 对频率排序:用优先级队列(小顶堆)。
- 找出前K个高频元素
什么是优先级队列priority_queue?
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,这个权值可以自己定义,比如队列元素为map,就可以自定义是根据key比较,还是根据value比较,可以自定义是降序或者升序。
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(队首元素最小,队尾元素最大),从大到小排就是大顶堆(队首元素最大,队尾元素最小)。
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,时间复杂度为O(nlogn); 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,当输入第k+1个元素时就从这k+1个元素中剔除值最小的,堆中始终保持值最大的k个元素。时间复杂度为O(nlogk),所以使用优先级队列是最优的。
使用大顶堆还是小顶堆?
定义一个大小为k的大顶堆,在每次移动更新大顶堆的时候,每次弹出都把最大的元素弹出去了,那么怎么保留下来前K个高频元素呢。
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。
寻找前k个最大元素流程如图所示:
(图中的频率只有三个,所以正好构成一个大小为3的小顶堆,如果频率更多一些,则用这个小顶堆进行扫描)
代码
注:优先级队列priority_queue有函数top(),表示堆顶元素;函数pop()表示弹出堆顶。
class Solution {
public:
//优先级队列的元素为map,这里为小顶堆的比较方法:比较map的value
class mycomparison{
public:
bool operator()(const pair<int,int>& lhs, const pair<int, int>& rhs){
//!注意这里:优先级队列比较方式的定义与快排的cmp函数相反
return lhs.second > rhs.second;
}
};
vector<int> topKFrequent(vector<int>& nums, int k) {
/*统计元素出现频率*/
unordered_map<int, int> maps;
for(int i = 0; i < nums.size(); ++i){
maps[nums[i]]++;
}
/*对频率排序*/
//这里的定义pair<int, int>表示map,而vector则是堆在priority_queue的表现形式;mycomparison则是比较方法,确定为小顶堆
priority_queue<pair<int, int>, vector<pair<int,int>>, mycomparison> pri_que;
//遍历map,逐一插入priority_queue,priority_map会自动根据map的value来排序
for(unordered_map<int, int>::iterator it = maps.begin(); it != maps.end(); it++){
pri_que.push(*it);
//如果堆的大小大于了K,则弹出队列中的最小元素,保证堆的大小一直为k
if(pri_que.size() > k){
pri_que.pop();
}
}
/*找出前K个高频元素*/
vector<int> res(k);
for(int i = k - 1; i >= 0; --i){
res[i] = pri_que.top().first; //存入的是map的key,即元素值,而不是频率
pri_que.pop(); //弹出堆顶
}
return res;
}
};