代码随想录算法训练营第49天 | 121. 买卖股票的最佳时机 122.买卖股票的最佳时机II

代码随想录系列文章目录

动态规划篇 —— 股票问题

---

---

121. 买卖股票的最佳时机

题目链接
首先暴力解，维护两个指针i, j 找到差值最大的 时间复杂度O(n2)
其次我们可以维护一个最小左值，记录一下最小的，所以只用一个遍历就行 复杂度O(n)

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        low = float("inf")
        result = 0
        for i in range(len(prices)):
            low = min(low, prices[i]) #取最左最小价格
            result = max(result, prices[i] - low) #直接取最大区间利润
        return result

dp
1.状态定义
每一天有两种状态，持有股票和不持有股票；所以 dp数组是二维的
dp[i][0]表示第i天持有股票的最多现金，dp[i][1]表示第i天不持有股票的最多现金

2.状态转移

如果第i天持有股票即dp[i][0]， 那么可以由两个状态推出来

第i-1天就持有股票，那么就保持现状，所得现金就是昨天持有股票的所得现金 即：dp[i - 1][0]
第i天买入股票，所得现金就是买入今天的股票后所得现金即：-prices[i]
那么dp[i][0]应该选所得现金最大的，所以dp[i][0] = max(dp[i - 1][0], -prices[i]);

如果第i天不持有股票即dp[i][1]， 也可以由两个状态推出来

第i-1天就不持有股票，那么就保持现状，所得现金就是昨天不持有股票的所得现金 即：dp[i - 1][1]
第i天卖出股票，所得现金就是按照今天股票佳价格卖出后所得现金即：prices[i] + dp[i - 1][0]
同样dp[i][1]取最大的，dp[i][1] = max(dp[i - 1][1], prices[i] + dp[i - 1][0]);

3.base case

我们需要初始化dp[0][0], 和dp[0][1]

那么dp[0][0]表示第0天持有股票，此时的持有股票就一定是买入股票了，因为不可能有前一天推出来，所以dp[0][0] -= prices[0];

dp[0][1]表示第0天不持有股票，不持有股票那么现金就是0，所以dp[0][1] = 0;

4.遍历顺序及解的所在

遍历顺序就是正序，解的所在呢？不持有股票所拥有的现金一定比持有股票拥有的现金多所以在dp[len-1][1]

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        dp = [[0] * 2 for _ in range(len(prices))]
        dp[0][0] = -prices[0]
        dp[0][1] = 0
        for i in range(1, len(prices)):
            dp[i][0] = max(dp[i-1][0], -prices[i]) #持有
            dp[i][1] = max(dp[i-1][1], dp[i-1][0] + prices[i]) #第i天不持有
        return dp[len(prices)-1][1]

举例推导dp数组
以示例1，输入：[7,1,5,3,6,4]为例，dp数组状态如下：

122.买卖股票的最佳时机II

题目链接
最基础的买卖股票只能买卖一次，这道题是任何时候只能最多持有一股，但是不限制买卖次数

贪心解法
会拆分利润，比如第1天买 第4天卖，其实可以拆成每一天买卖，我们只用收集每两天之间的正数差价就能找到最大值

def maxProfit(self, prices: List[int]) -> int:
        pre, cnt = prices[0], 0
        for i in range(1,len(prices)):
            if prices[i] - pre >= 0: cnt += prices[i] - pre
            pre = prices[i]
        return cnt

dp
本题和121. 买卖股票的最佳时机, 的唯一区别本题股票可以买卖多次了（注意只有一只股票，所以再次购买前要出售掉之前的股票）

刚刚做买卖股票的最佳时机的时候就在想，为什么dp[i][0] = max(dp[i-1][0], -prices[i])
因为 上道题中 只能买卖一次股票

在这道题中，递推公式的区别就在这，因为可以买卖多次股票，因此第i天持有股票所有的最大现金应该是dp[i][0] = max(dp[i-1][0], dp[i-1][1] - prices[i])

解释：

在121中因为股票全程只能买卖一次，所以如果买入股票，那么第i天持有股票即dp[i][0]一定就是 -prices[i]。

而本题，因为一只股票可以买卖多次，所以当第i天买入股票的时候，所持有的现金可能有之前买卖过的利润。

那么第i天持有股票即dp[i][0]，如果是第i天买入股票，所得现金就是昨天不持有股票的所得现金 减去 今天的股票价格 即：dp[i - 1][1] - prices[i]。

在来看看如果第i天不持有股票即dp[i][1]的情况， 依然可以由两个状态推出来

第i-1天就不持有股票，那么就保持现状，所得现金就是昨天不持有股票的所得现金 即：dp[i - 1][1]
第i天卖出股票，所得现金就是按照今天股票佳价格卖出后所得现金即：prices[i] + dp[i - 1][0]

def maxProfit(self, prices: List[int]) -> int:
        dp = [[0] * 2 for _ in range(len(prices))]
        dp[0][0] = -prices[0]
        dp[0][1] = 0
        for i in range(1, len(prices)):
            dp[i][0] = max(dp[i-1][0], dp[i-1][1] - prices[i])  #持有
            dp[i][1] = max(dp[i-1][1], dp[i-1][0] + prices[i])  #第i天不持有
        return dp[len(prices)-1][1]

买卖股票的第i天的两个状态是持有和不持有，不是买卖