力扣239. 滑动窗口最大值
思路:
- 双指针法,思想简单,但是程序最终会超时
class Solution:
def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:
res = []
slow,fast = 0,k
while fast <= len(nums):
res.append(max(nums[slow:fast]))
slow+=1
fast+=1
return res
结果如图
2.单调栈操作
1. 调用队列,分别定义pop,push,front
2. pop,如果要pop的值等于队列最左边元素(滑动窗口的最大元素),则 弹出元素。
3. push,首先将要进栈的元素与前边的元素比较,如果小于value的话就pop前面的元素,直到前面没有比value小的元素。然后再将value加入
4. front,即取队列最左边的元素,就是每次滑动窗口的最大值
5. 循环遍历数组,依次执行三个操作,将每次的front值记录到一个数组
Python代码
from collections import deque
class Queue:
def __init__(self):
self.queue = deque()
def pop(self,value):
if self.queue and value==self.queue[0]:
self.queue.popleft()
def push(self,value):
while self.queue and value>self.queue[-1]:
self.queue.pop()
self.queue.append(value)
def front(self):
return self.queue[0]
class Solution:
def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:
que = Queue()
result = []
for i in range(k):
que.push(nums[i])
result.append(que.front())
for i in range(k,len(nums)):
que.pop(nums[i-k])
que.push(nums[i])
result.append(que.front())
return result
力扣347. 前 K 个高频元素
思路
- 首先计算所有元素的出现频率,用字典来记录,时间复杂度O(n)。
- 然后用最小堆进行排序。
这里用到的是最小堆,堆是一种效率最高的优先级队列,那么先来看看什么是优先级队列:
优先级队列虽然也叫队列,但是和普通的队列还是有差别的。普通队列出队顺序只取决于入队顺序,而优先级队列的出队顺序总是按照元素自身的优先级。换句话说,优先级队列是一个自动排序的队列。元素自身的优先级可以根据入队时间,也可以根据其他因素来确定,因此非常灵活。
优先级队列的内部实现有很多种,例如有序数组、无序数组和堆等。但是无论哪种实现,优先级队列必须实现以下两种方法:insert和delete。insert方法是将带优先级的元素插入优先级队列中;delete方法是从优先级队列中取出最高优先级(或最低优先级)的元素并在队列中删除该元素(类似队列的出队)
即,优先级队列入队时,每个元素带有某种优先级信息,出队时,删除优先级最高的元素。普通队列可以看作以入队时间为优先级的优先级队列(入队越早,优先级越高)。
有序数组和无序数组可以看作优先级队列的一种,其优先级是元素的值。堆也是一种优先级队列。
什么是堆?
堆(heap)是计算机科学中一类特殊的数据结构的统称。堆通常是一个可以被看做一棵树的数组对象。堆总是满足下列性质:
(1)堆中某个结点的值总是不大于或不小于其父结点的值;
(2)堆总是一棵完全二叉树。
将根结点最大的堆叫做最大堆,根结点最小的堆叫做最小堆。
堆的插入和删除元素的时间复杂度都是O(log(n)),因为涉及到元素的上浮和下沉操作,对于一个完全二叉树来说,若一共有n个元素,该树的高度就是log(n)。
说回题目:
首先我们明确,要使用大顶堆还是小顶堆?
要用小顶堆。因为要统计最大的前k个元素,只有小顶堆每次将最小的元素弹出,最后小顶堆里积累的才是前k个最大元素。当然,我们最后输出结果的时候,要逆序输出。
由于堆中插入元素和删除元素的时间复杂度都是O(log(n)),这里维护的是k个元素的堆,所以一次操作的时间复杂度是O(log(k)),由于要遍历所有元素,因此完整的时间复杂度是O(nlog(k))。算上计算频率的时间复杂度,总复杂度是O(n)+O(nlogk),仍为O(nlogk)。
具体实现上,统计完元素频率后,不断将频率压入堆中,当堆中的元素数量大于k了,就弹出堆顶元素。这样到最后留下的就是k个最大的元素。
import heapq
class Solution:
def topKFrequent(self, nums: List[int], k: int) -> List[int]:
map_ = {}
for i in range(len(nums)): #字典记录出现次数
map_[nums[i]] = map_.get(nums[i],0) + 1
small_que = []
for key,value in map_.items():
heapq.heappush(small_que,(value,key))
if len(small_que)>k:
heapq.heappop(small_que)
result = [0]*k
for i in range(k):
result[i] = heapq.heappop(small_que)[1]
return result[::-1]