字典之LRU缓存机制

LeetCode 146. LRU缓存机制

运用你所掌握的数据结构,设计和实现一个 LRU (最近最少使用) 缓存机制。它应该支持以下操作: 获取数据 get 和 写入数据 put 。

获取数据 get(key) - 如果关键字 (key) 存在于缓存中,则获取关键字的值(总是正数),否则返回 -1。
写入数据 put(key, value) - 如果关键字已经存在,则变更其数据值;如果关键字不存在,则插入该组「关键字/值」。当缓存容量达到上限时,它应该在写入新数据之前删除最久未使用的数据值,从而为新的数据值留出空间。

进阶:
你是否可以在 O(1) 时间复杂度内完成这两种操作?
示例:

LRUCache cache = new LRUCache( 2 /* 缓存容量 */ );

cache.put(1, 1);
cache.put(2, 2);
cache.get(1);       // 返回  1
cache.put(3, 3);    // 该操作会使得关键字 2 作废
cache.get(2);       // 返回 -1 (未找到)
cache.put(4, 4);    // 该操作会使得关键字 1 作废
cache.get(1);       // 返回 -1 (未找到)
cache.get(3);       // 返回  3
cache.get(4);       // 返回  4
class LRUCache:

    def __init__(self, capacity: int):
        self.maxsize = capacity
        self.lrucache = OrderedDict()

    def get(self, key: int) -> int:
        if key in self.lrucache:
        	# 如果存在,将其移动到字典的最后面,表示最新访问过
            self.lrucache.move_to_end(key)
        # 如果存在,返回key对应的value,否则返回-1
        return self.lrucache.get(key, -1)

    def put(self, key: int, value: int) -> None:
        if key in self.lrucache:
        	# 如果之前存在,先删除
            del self.lrucache[key]
        # 放入dict里面
        self.lrucache[key] = value
        # 如果超出缓存, 删除最早进去的那一个
        if len(self.lrucache) > self.maxsize:
            self.lrucache.popitem(last = False)

补充:OrderedDict

Python中的字典对象可以以“键:值”的方式存取数据。OrderedDict是它的一个子类,实现了对字典对象中元素的排序。
popitem(last=True):
该方法返回并删除一对键值.如果last为True(默认值),则为LIFO(后进先出);否则为FIFO(先进先出).
move_to_end(key, last=True):
将现有的key移到字典的一端.如果last为True(默认值),移动到末尾(最新加入的元素);否则,移动到开头(最早加入的元素).

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
解法1:使用有序字典(OrderedDict) 思路: 1. 使用一个有序字典来存储缓存的键值对,有序字典可以保持插入顺序。 2. 当插入一个新的键值对时,如果缓存已满,需要删除最久未使用的键值对,即删除有序字典的第一个元素。 3. 当访问一个已存在的键值对时,需要将该键值对移动到有序字典的末尾,表示最近使用过。 实现: 1. 初始化时,设定缓存容量,创建一个空的有序字典。 2. 获取指定键的值时,若键不存在则返回-1;若键存在则将该键值对的值返回,并将该键值对移动到有序字典的末尾。 3. 插入一个键值对时,若键已存在则更新该键值对的值,并将该键值对移动到有序字典的末尾;若键不存在,则插入该键值对,并将该键值对移动到有序字典的末尾。若插入后缓存超出容量,则删除有序字典的第一个元素。 代码实现如下: ```python from collections import OrderedDict class LRUCache: def __init__(self, capacity: int): self.capacity = capacity self.cache = OrderedDict() def get(self, key: int) -> int: if key in self.cache: self.cache.move_to_end(key) return self.cache[key] return -1 def put(self, key: int, value: int) -> None: if key in self.cache: del self.cache[key] self.cache[key] = value if len(self.cache) > self.capacity: self.cache.popitem(last=False) ``` 复杂度分析: - 时间复杂度:对于get和put操作,有序字典的删除和插入操作的时间复杂度都是O(1),因此 get和put操作的时间复杂度均为O(1)。 - 空间复杂度:使用了一个有序字典来存储键值对,因此空间复杂度为O(N),其中N为缓存的容量。 解法2:使用哈希表和双向链表 思路: 1. 使用一个哈希表来存储缓存的键值对,哈希表的键为缓存的键,值为双向链表中对应节点的指针。 2. 使用一个双向链表来存储缓存的键值对,链表的每个节点包括键、值和前后指针。 3. 当插入一个新的键值对时,如果缓存已满,需要删除最久未使用的键值对,即删除双向链表的头节点,同时从哈希表中删除该键。 4. 当访问一个已存在的键值对时,需要将该键值对对应的节点移动到双向链表的尾部,表示最近使用过。 实现: 1. 初始化时,设定缓存容量,创建一个空的哈希表和双向链表。 2. 获取指定键的值时,若键不存在则返回-1;若键存在则将该键值对的值返回,并将该键值对对应的节点移动到双向链表的尾部。 3. 插入一个键值对时,若键已存在则更新该键值对的值,并将该键值对对应的节点移动到双向链表的尾部;若键不存在,则插入该键值对对应的节点到双向链表的尾部,并在哈希表中添加该键值对。若插入后缓存超出容量,则删除双向链表的头节点,并从哈希表中删除对应键。 代码实现如下: ```python class DLinkedNode: def __init__(self, key=0, value=0): self.key = key self.value = value self.prev = None self.next = None class LRUCache: def __init__(self, capacity: int): self.capacity = capacity self.cache = dict() self.head = DLinkedNode() self.tail = DLinkedNode() self.head.next = self.tail self.tail.prev = self.head def get(self, key: int) -> int: if key in self.cache: node = self.cache[key] self.moveToTail(node) return node.value return -1 def put(self, key: int, value: int) -> None: if key in self.cache: node = self.cache[key] node.value = value self.moveToTail(node) else: if len(self.cache) >= self.capacity: self.removeLRU() node = DLinkedNode(key, value) self.cache[key] = node self.addToTail(node) def moveToTail(self, node: DLinkedNode) -> None: self.removeNode(node) self.addToTail(node) def removeNode(self, node: DLinkedNode) -> None: node.prev.next = node.next node.next.prev = node.prev def addToTail(self, node: DLinkedNode) -> None: node.prev = self.tail.prev node.next = self.tail self.tail.prev.next = node self.tail.prev = node def removeLRU(self) -> None: lruNode = self.head.next self.removeNode(lruNode) del self.cache[lruNode.key] ``` 复杂度分析: - 时间复杂度:对于get和put操作,哈希表的查找和删除操作的时间复杂度都是O(1),双向链表的插入和删除操作的时间复杂度也是O(1),因此 get和put操作的时间复杂度均为O(1)。 - 空间复杂度:哈希表和双向链表分别需要存储所有键值对和节点,因此空间复杂度为O(N),其中N为缓存的容量。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值