Solution 1
这个问题和我之前上算法课的时候遇到的问题差不多,直觉上可以用排序去做,但是排序实现往往需要至少对数复杂度的空间占用。
但是有一个奇技淫巧:使用快排中随机选择pivot的方法随机选择一个候选判定,这个时候,随机化算法的期望选择次数只有2。
证明方法请查阅快排pivot选择方法的分析
- 时间复杂度: O ( N ) O(N) O(N),其中 N N N为输入序列的元素个数,随机化选择的期望为常数次,但是众数判定(计数)需要线性时间
- 空间复杂度: O ( 1 ) O(1) O(1),仅维护常数个状态量
class Solution {
public:
int majorityElement(vector<int>& nums) {
while (true) {
int candidate = nums[rand() % nums.size()];
int occur = count(nums.begin(), nums.end(), candidate);
if (occur > nums.size() / 2)
return candidate;
}
return -1;
}
};
Solution 2
【官方题解】Boyer-Moore 投票算法
这个算法是经典的在线性时间和常数空间内找到输入序列多数元素的算法。相比于随机选择,可以处理在线数据流。
从头遍历数据集,在计数量为0时,选择当前考察元素为候选majority,并将计数量置为1。在向后遍历过程中,出现候选项则+1(支持票),非候选项则-1(反对票),直至计数量为0,替换majority候选。
对其粗略证明:
- 如果当前候选为多数项,则计数量从1变成0的过程中,其他数字和多数项出现的数目相同,到再次替换候选时,剩余部分内多数项仍然为多数项
- 如果当前候选为非多数项,则计数量从1变成0的过程中,多数项的数量不多于其他数字的数量,到再次替换候选时,剩余部分内多数项仍然为多数项。
因此,以计数量为0作为划分,剩余部分始终保持相同的多数项,在数次划分(向后遍历)后必然能够确定多数项。
- 时间复杂度: O ( N ) O(N) O(N),其中 N N N为输入序列的元素个数,
- 空间复杂度: O ( 1 ) O(1) O(1),仅维护常数个状态量
class Solution {
public:
int majorityElement(vector<int>& nums) {
int candidate = -1;
int occur = 0;
for (auto num: nums) {
if (num == candidate) {
occur++;
} else {
occur--;
}
if (occur < 0) {
candidate = num;
occur = 1;
}
}
return candidate;
}
};
Solution 3
Solution 1的Python实现
class Solution:
def majorityElement(self, nums: List[int]) -> int:
while True:
candidate = nums[random.randint(0, len(nums) - 1)]
if nums.count(candidate) > len(nums) // 2:
return candidate
return -1
Solution 4
Solution 2的Python实现
class Solution:
def majorityElement(self, nums: List[int]) -> int
candidate = -1
occur = 0
for num in nums:
if num == candidate: occur += 1
else: occur -= 1
if occur < 0:
candidate = num
occur = 1
return candidate