121. 买卖股票的最佳时机
给定一个数组 prices ,它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。
你只能选择 某一天 买入这只股票,并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。
返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润,返回 0 。
-
示例 1:
-
输入:[7,1,5,3,6,4]
-
输出:5
解释:在第 2 天(股票价格 = 1)的时候买入,在第 5 天(股票价格 = 6)的时候卖出,最大利润 = 6-1 = 5 。注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格;同时,你不能在买入前卖出股票。
这是买卖股票最简单的版本,只能交易一次,而且不能当天买当天卖
可以使用贪心算法和动态规划
贪心就是,我要求求局部最小的股票价格,然后遍历后面的数组,让大的减去小的,直到算出最大或者遍历完
def maxProfit(prices: List[int]) -> int:
low = float('inf')
result = 0
for i in range(len(prices):
low = min(low, prices[i])
result = max(result, prices[i] - low)
return result
动态规划
动态规划的核心还是在dp数组的定义上,对于股票,要明确持有还是不持有的概念
因此这个题只有一个交易,其实就是两个状态
dp[i][0] 代表第i天持有股票,不一定是第i天买的,也可能是前i-1天
dp[i][1] 代表第i天不持有股票,说明卖了,可以是第i天卖的,也可使第i-1天
递推公式
dp[i][0] = max(dp[i-1][0], -prices[i]) 因为只有一次交易,你买入肯定是-prices[i]
dp[i][1] = max(dp[i-1][1], prices[i] + dp[i-1][0]) 要么第i天不交易,第i天交易的化就需要减去前面i-1买入的价格
初始化
从递推公式可以看出,需要初始化dp[0][0], dp[0][1]
dp[0][0] = -prices[i]
dp[0][1] = 0
那么dp[0][0]表示第0天持有股票,此时的持有股票就一定是买入股票了,因为不可能有前一天推出来,所以dp[0][0] -= prices[0];
dp[0][1]表示第0天不持有股票,不持有股票那么现金就是0
遍历顺序
从前到后
def maxProfit(prices: List[int]) -> int:
dp = [[0] * 2 for _ in range(len(prices]]
dp[0][0] = -prices[0]
dp[0][1] = 0
for i in range(1, len(prices):
dp[i][0] = max(dp[i-1][0], -prices[i])
dp[i][1] = max(dp[i-1][1], prices[i] + dp[i-1][0])
return dp[len(prices)-1][1]
122.买卖股票的最佳时机II
给你一个整数数组 prices
,其中 prices[i]
表示某支股票第 i
天的价格。
在每一天,你可以决定是否购买和/或出售股票。你在任何时候 最多 只能持有 一股 股票。你也可以先购买,然后在 同一天 出售。
返回 你能获得的 最大 利润 。
示例 1:
输入:prices = [7,1,5,3,6,4] 输出:7 解释:在第 2 天(股票价格 = 1)的时候买入,在第 3 天(股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4。 随后,在第 4 天(股票价格 = 3)的时候买入,在第 5 天(股票价格 = 6)的时候卖出, 这笔交易所能获得利润 = 6 - 3 = 3。 最大总利润为 4 + 3 = 7 。
与前面一个题的区别在于,你可以买卖多次!
那么这个区别在代码哪里可以体现呢
就是你买入的那部分,不是-prices[i]了,因为你可以依靠前面卖股票的钱来继续买股票
dp[i][0] = max(dp[i-1][0], dp[i-1][1] - prices[i]) 代码如下
def maxProfit(self, prices: List[int]) -> int:
dp = [[0, 0] for _ in range(len(prices))]
dp[0][0] = -prices[0]
dp[0][1] = 0
for i in range(1, len(prices)):
dp[i][0] = max(dp[i-1][1]-prices[i], dp[i-1][0])
dp[i][1] = max(dp[i-1][1], prices[i] + dp[i-1][0])
return dp[len(prices)-1][1]
123.买卖股票的最佳时机III
给定一个数组,它的第 i
个元素是一支给定的股票在第 i
天的价格。
设计一个算法来计算你所能获取的最大利润。你最多可以完成 两笔 交易。
注意:你不能同时参与多笔交易(你必须在再次购买前出售掉之前的股票)。
示例 1:
输入:prices = [3,3,5,0,0,3,1,4] 输出:6 解释:在第 4 天(股票价格 = 0)的时候买入,在第 6 天(股票价格 = 3)的时候卖出,这笔交易所能获得利润 = 3-0 = 3 。 随后,在第 7 天(股票价格 = 1)的时候买入,在第 8 天 (股票价格 = 4)的时候卖出,这笔交易所能获得利润 = 4-1 = 3 。
这个题与上面的题不同在于,限制了你的交易次数,不能随便交易了
你可以交易0次,1次或者2次
那么其实就有5种状态
一天一共就有五个状态,
- 没有操作 (其实我们也可以不设置这个状态)
- 第一次持有股票
- 第一次不持有股票
- 第二次持有股票
- 第二次不持有股票
dp[i][j]中 i表示第i天,j为 [0 - 4] 五个状态,dp[i][j]表示第i天状态j所剩最大现金。
达到dp[i][1]状态,有两个具体操作:
- 操作一:第i天买入股票了,那么dp[i][1] = dp[i-1][0] - prices[i]
- 操作二:第i天没有操作,而是沿用前一天买入的状态,即:dp[i][1] = dp[i - 1][1]
那么dp[i][1]究竟选 dp[i-1][0] - prices[i],还是dp[i - 1][1]呢?
一定是选最大的,所以 dp[i][1] = max(dp[i-1][0] - prices[i], dp[i - 1][1]);
同理dp[i][2]也有两个操作:
- 操作一:第i天卖出股票了,那么dp[i][2] = dp[i - 1][1] + prices[i]
- 操作二:第i天没有操作,沿用前一天卖出股票的状态,即:dp[i][2] = dp[i - 1][2]
只是增加了状态,代码如下
def maxProfit(prices: List[int]) -> int:
dp = [[0] * 5 for _ in range(len(prices)]
dp[0][0] = 0
dp[0][1] = -prices[i]
dp[0][3] = -prices[i]
for i in range(1, len(prices)):
dp[i][0] = dp[i-1][0]
dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i])
dp[i][2] = max(dp[i-1][2], dp[i-1][1] + prices[i])
dp[i][3] = max(dp[i-1][3], dp[i-1][2] - prices[i])
dp[i][4] = max(dp[i-1][4], dp[i-1][3] + prices[i])
return dp[len(prices)-1][4]
188.买卖股票的最佳时机IV
给你一个整数数组 prices
和一个整数 k
,其中 prices[i]
是某支给定的股票在第 i
天的价格。
设计一个算法来计算你所能获取的最大利润。你最多可以完成 k
笔交易。也就是说,你最多可以买 k
次,卖 k
次。
注意:你不能同时参与多笔交易(你必须在再次购买前出售掉之前的股票)。
这个题就是跟上面的扩展,k笔交易就有2*k + 1个状态
从上面的推到可以看出,偶数是卖出 除了0, 奇数是买入,而且奇数初始化为-prices[0]
def maxProfit(k: int, prices: List[int]) -> int:
dp = [[0] * (2*k+1) for _ in range(len(prices))]
for j in range(1, 2*k, 2):
dp[0][j] = -prices[0]
for i in range(1, len(prices):
for j in range(1, 2*k, 2):
dp[i][j] = max(dp[i-1][j], dp[i-1][j-1] - prices[i])
dp[i][j+1] = max(dp[i-1][j+1], dp[i-1][j] + prices[i])
return dp[-1][2*k]