今日小结——20190513（LeetCode日常+PCA学习）

一、#31：下一个排列

题目要求，给定一个数组，输出他的字典序中的下一个排列。翻译一下就是他这个数组的数组合成比他大的下一个数组序列

这个题目要求也是原地修改，也就是不申请新的数组空间，首先要想到的是，可以吧这个数组从左到右看成是一个数，比如从左到右是{2,5,1,2,4}，就看成25124，那么下一个数（也就是输出）就是25142，这样理解起来很方便，可以看出需要从最右端入手进行比较和交换，也就是从数组的最大下标开始，那么就需要先倒序遍历，如果能够遍历完所有的且是一个降序的数组，那么就把他变成倒序排列输出

        int len=nums.size();
        int i;
        for(i=len-1;i>0;i--)
        {
            if(nums[i]>nums[i-1])
                break;
        }
        if(i==0)
        {
            reverse(nums.begin(),nums.end());
        }

i=0就是说明遍历整个数组也没有发现后比前更大的数，即降序，那就是用reverse函数，吧vector数组倒序排列，如果i不等于0，说明在中间出现了后大于前的数，则需要进行进一步的判断

因为i目前的值可以代表在哪一个位置发生的后大于前，所以可以通过i的值来进行后面的判断。下标为i的是较大的后者，i-1为较小的前者，因为i之后的数都是降序排列，那么直接比较i-1和之后最小的数，若是i-1的数较小，则交换他和之后最小的数的值，并把i-1之后的数进行升序排序，这样即为下一个排列，若是i-1比最后最小的数还大，则和最小的数的前一个数进行比较，知道达到前面的要求。代码简短，但是很费脑子。。。。

整体代码如下：

class Solution {
public:
    void nextPermutation(vector<int>& nums) {
        int len=nums.size();
        int i;
        for(i=len-1;i>0;i--)
        {
            if(nums[i]>nums[i-1])
                break;
        }
        if(i==0)
        {
            reverse(nums.begin(),nums.end());
        }
        else
        {
            int tmp;
            int x=len-1;
            while(x>i)
            {
                if(nums[i-1]<nums[x])
                    break;
                x--;
            }
            tmp=nums[i-1];
            nums[i-1]=nums[x];
            nums[x]=tmp;
            sort(nums.begin()+i,nums.end());
           /* for(int k=0; k<len-i-1; k++)
            {
                for(int j=i; j<len-1-k; j++)
                {
                    if(nums[j] > nums[j+1])
                    {
                        int temp = nums[j];
                        nums[j] = nums[j+1];
                        nums[j+1] = temp;
                    }
                }
            }*/
        }
    }
};

二、#33：搜索旋转排序数组

题目要求，其实就是在一个数组中找到对应target的下标，看到这里可能和我一样想的就是遍历搜索呗，找到了就返回下标，找不到返回-1.。。然而题目主要考的不是这个，考的是时间复杂度。。。要求时间复杂度是O（logN），但是前面这个方法的时间复杂度是O（N），所以编译不通过，那么为了达到这个对数复杂度，就只能用二分法了，找到中间值或者突变的分水岭，我找的是分水岭，个人感觉比直接找中值简洁一些，比较好理解，直接贴代码：

class Solution {
public:
    int search(vector<int>& nums, int target) {
        if(nums.size()==0)
            return -1;
        if(nums[0]<=target)
        {
            for(int i=0;i<nums.size();i++)
            {
                if(nums[i]==target)
                    return i;
                else if(nums[i]<nums[0])
                    return -1;
            }
        }
        else
        {
            for(int i=nums.size()-1;i>0;i--)
            {
                if(nums[i]==target)
                    return i;
                else if(nums[i]<nums[i-1])
                    return -1;
            }
        }
        return -1;
    }
};

三、PCA

今儿还书在图书馆找到一本python机器学习实战的书，正好电脑的tensorflow炸了，就用这几天时间再学一学机器学习的主要算法吧，对以后用处很大。

PCA就是主成分分析法，不仅可以用在统计学习中，也可以用来做model分类，在缺陷检测，目标分类中也有很方便的应用，论文里面看到过，但是没认真学，现在系统学一下~

主要作用就是数据降维，可以说是降维的首选方法了，例如要把一个二维数据降成一维数据，找两个正交的维度穿过这些数据，对比一下每一个维度下，数据的方差，会发现有一个更大的，方差越大的维度也就是使得样本点尽可能分开，那么这个维度就是包含了原始数据最多的信息量，则为第一主成分，另一种是第二主成分。换句话说其实就是为了保留下来原始数据中最重要的数据，毕竟不是所有的数据都必须进行统计。

然后利用图片压缩进行了一波PCA代码的学习，感觉略微理解了，但是感觉还是需要去找更多的大型主成分，最好是图像相关的进行学习，不然核心部分还是有点模糊，当然最好是大数据量的，这样也可以看一下重要数据能丢失百分之几

PS：变量间相关程度越高，主成分分析效果越好，但是方差较小的主成分也可能含有最关键的信息，所以也存在一定的模糊性和丢失性，但是基本是妥妥的~