作者介绍:10年大厂数据\经营分析经验,现任大厂数据部门负责人。
会一些的技术:数据分析、算法、SQL、大数据相关、python
欢迎加入社区:码上找工作
作者专栏每日更新:
LeetCode解锁1000题: 打怪升级之旅
python数据分析可视化:企业实战案例
python源码解读
程序员必备的数学知识与应用
备注说明:方便大家阅读,统一使用python,带必要注释,公众号 数据分析螺丝钉 一起打怪升级
题目描述
给定一个非负整数数组 heights
,其中每个元素代表柱状图中柱子的高度,数组中每个元素的宽度都是 1。找出柱状图中能够勾勒出来的矩形的最大面积。
输入格式
- heights:一个表示柱状图高度的整数数组。
输出格式
- 返回能够勾勒出的矩形的最大面积。
示例
示例 1
输入: [2,1,5,6,2,3]
输出: 10
解释: 最大的矩形为 heights[2] 到 heights[3] 的部分,面积为 5 * 2 = 10。
示例 2
输入: [2,4]
输出: 4
方法一:暴力解法
解题步骤
- 遍历每个柱子:作为矩形的可能的高度。
- 向左右扩展:找出以当前柱子高度为高的最大宽度。
完整的规范代码
def largestRectangleArea(heights):
"""
暴力解法计算柱状图中最大的矩形面积
:param heights: List[int], 柱状图的高度
:return: int, 最大矩形的面积
"""
max_area = 0
n = len(heights)
for i in range(n):
min_height = float('inf')
for j in range(i, n):
min_height = min(min_height, heights[j])
max_area = max(max_area, min_height * (j - i + 1))
return max_area
# 示例调用
print(largestRectangleArea([2,1,5,6,2,3])) # 输出: 10
算法分析
- 时间复杂度:(O(n^2)),对于每个柱子,需要向右扩展以计算面积。
- 空间复杂度:(O(1)),只使用了常数空间。
方法二:单调栈
解题步骤
- 使用单调栈:维护一个单调递增的栈。
- 计算面积:当当前柱子的高度小于栈顶元素时,计算栈顶元素的最大矩形面积并出栈。
完整的规范代码
def largestRectangleArea(heights):
"""
使用单调栈计算柱状图中最大的矩形面积
:param heights: List[int], 柱状图的高度
:return: int, 最大矩形的面积
"""
stack = []
max_area = 0
heights = [0] + heights + [0] # 添加哨兵简化边界处理
for i in range(len(heights)):
while stack and heights[stack[-1]] > heights[i]:
h = heights[stack.pop()]
w = i - stack[-1] - 1
max_area = max(max_area, h * w)
stack.append(i)
return max_area
# 示例调用
print(largestRectangleArea([2,1,5,6,2,3])) # 输出: 10
算法分析
- 时间复杂度:(O(n)),每个柱子进栈和出栈各一次。
- 空间复杂度:(O(n)),栈的大小最大为 (n)。
方法三:分治算法
解题步骤
- 递归分治:找到最矮的柱子,将问题分成左右两部分。
- 计算面积:计算跨过最矮柱子的矩形面积,递归计算左右部分的最大面积。
完整的规范代码
def largestRectangleArea(heights):
"""
分治算法计算柱状图中最大的矩形面积
:param heights: List[int], 柱状图的高度
:return: int, 最大矩形的面积
"""
def calculateArea(start, end):
if start > end:
return 0
min_index = start
for i in range(start, end + 1):
if heights[i] < heights[min_index]:
min_index = i
left_area = calculateArea(start, min_index - 1)
right_area = calculateArea(min_index + 1, end)
cross_area = heights[min_index] * (end - start + 1)
return max(left_area, right_area, cross_area)
return calculateArea(0, len(heights) - 1)
# 示例调用
print(largestRectangleArea([2,1,5,6,2,3])) # 输出: 10
算法分析
- 时间复杂度:平均 (O(n log n)),但最坏情况下为 (O(n^2)),当数组已经是升序或降序时。
- 空间复杂度:(O(n)),递归栈的深度。
方法四:动态规划
解题步骤
- 计算左右边界:对于每个柱子,使用动态规划计算左右两边第一个比它小的柱子的位置。
- 计算最大面积:利用上述计算的边界,可以直接计算以每个柱子为高的最大矩形面积。
完整的规范代码
def largestRectangleArea(heights):
"""
动态规划计算柱状图中最大的矩形面积
:param heights: List[int], 柱状图的高度
:return: int, 最大矩形的面积
"""
if not heights:
return 0
n = len(heights)
left = [0] * n
right = [n] * n
# 计算每个柱子的左边界
for i in range(n):
p = i - 1
while p >= 0 and heights[p] >= heights[i]:
p = left[p] - 1
left[i] = p + 1
# 计算每个柱子的右边界
for i in range(n - 1, -1, -1):
p = i + 1
while p < n and heights[p] >= heights[i]:
p = right[p]
right[i] = p
# 计算最大面积
max_area = 0
for i in range(n):
max_area = max(max_area, heights[i] * (right[i] - left[i]))
return max_area
# 示例调用
print(largestRectangleArea([2,1,5,6,2,3])) # 输出: 10
算法分析
- 时间复杂度:(O(n)),三次遍历数组。
- 空间复杂度:(O(n)),用于存储左右边界的数组。
方法五:扩展中心法
解题步骤
- 遍历每个柱子:将每个柱子作为中心,向左右扩展,直到找到比它小的柱子为止。
- 计算面积:对于每个中心柱子,根据其左右边界计算面积。
完整的规范代码
def largestRectangleArea(heights):
"""
扩展中心法计算柱状图中最大的矩形面积
:param heights: List[int], 柱状图的高度
:return: int, 最大矩形的面积
"""
n = len(heights)
max_area = 0
for i in range(n):
left, right = i, i
while left > 0 and heights[left - 1] >= heights[i]:
left -= 1
while right < n - 1 and heights[right + 1] >= heights[i]:
right += 1
max_area = max(max_area, heights[i] * (right - left + 1))
return max_area
# 示例调用
print(largestRectangleArea([2,1,5,6,2,3])) # 输出: 10
算法分析
- 时间复杂度:平均 (O(n))。但最坏情况下,当所有元素相等时,每次中心扩展的复杂度为 (O(n)),总复杂度为 (O(n^2))。
- 空间复杂度:(O(1)),只使用常量额外空间。
不同算法的优劣势对比
特征 | 方法一:暴力解法 | 方法二:单调栈 | 方法三:分治算法 | 方法四:动态规划 | 方法五:扩展中心法 |
---|---|---|---|---|---|
时间复杂度 | (O(n^2)) | (O(n)) | 平均 (O(n log n)), 最坏 (O(n^2)) | (O(n)) | 平均 (O(n)), 最坏 (O(n^2)) |
空间复杂度 | (O(1)) | (O(n)) | (O(n)) | (O(n)) | (O(1)) |
优势 | 简单易实现 | 高效,适用于大多数情况 | 对特定情况优化良好 | 高效,适用于所有情况 | 简单直观 |
劣势 | 时间复杂度高 | 空间消耗较大 | 复杂且可能导致性能问题 | 空间消耗 | 性能不稳定 |
应用示例
计算几何:在计算几何和图形设计中,可能需要计算多种形状的最大面积或相似的度量。
资源优化问题:在资源分配和生产线管理中,可能需要优化给定资源的布局以最大化效率或利润。
游戏开发:在游戏开发中,可能需要计算或优化地图区域中的某些特定区域,以增强游戏的策略性或视觉效果。