LeetCode刷题笔记—买卖股票的最佳时机Ⅰ~Ⅲ

一次搞定所有的买卖股票问题！！

买卖股票的最佳时机Ⅰ

原题地址：买卖股票的最佳时机Ⅰ

题目描述：

给定一个数组 prices ，它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。

你只能选择 某一天 买入这只股票，并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。

返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润，返回 0 。

示例1：

输入：[7,1,5,3,6,4]
输出：5
解释：在第 2 天（股票价格 = 1）的时候买入，在第 5 天（股票价格 = 6）的时候卖出，最大利润 = 6-1 = 5 。
     注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格；同时，你不能在买入前卖出股票。

示例2：

输入：prices = [7,6,4,3,1]
输出：0
解释：在这种情况下, 没有交易完成, 所以最大利润为 0。

思路：

1.dp数组的构建

考虑使用动态规划来完成，首先进行dp数组的构建，即数组里需要存储的数字代表的含义，由于只有买入之后才能卖出，那么可以将数组的长度设置为1，然后在遍历数组的过程中只存储股票最小的价格。在每次遍历时，先判断当天价格是否小于dp数组中的值，若小于，则买入，然后继续循环；若大于，则计算卖出之后的利润是否大于历史利润的最大值，若大于，则保存当前利润，否则，继续循环；若等于，继续循环。

2.状态转移方程
$$dp[0]=min(dp[0],prices[i])$$

代码如下：

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
    	dp = [prices[0]]
    	max_Profit = 0
    	for i in range(len(prices)):
    		dp[0] = min(dp[0], prices[i])
    		max_Profit = max(max_Profit, prices[i]-dp[0])
    	return max_Profit

买卖股票的最佳时机Ⅱ

原题地址：买卖股票的最佳时机Ⅱ

题目描述：

给你一个整数数组 prices ，其中 prices[i] 表示某支股票第 i 天的价格。

在每一天，你可以决定是否购买和/或出售股票。你在任何时候 最多 只能持有 一股 股票。你也可以先出售，然后在 同一天 购买。

返回 你能获得的 最大 利润 。

示例1：

输入：prices = [7,1,5,3,6,4]
输出：7
解释：在第 2 天（股票价格 = 1）的时候买入，在第 3 天（股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4 。
     随后，在第 4 天（股票价格 = 3）的时候买入，在第 5 天（股票价格 = 6）的时候卖出, 这笔交易所能获得利润 = 6 - 3 = 3 。
     总利润为 4 + 3 = 7 。

示例2：

输入：prices = [1,2,3,4,5]
输出：4
解释：在第 1 天（股票价格 = 1）的时候买入，在第 5 天 （股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4 。
     总利润为 4 。

示例3：

输入：prices = [7,6,4,3,1]
输出：0
解释：在这种情况下, 交易无法获得正利润，所以不参与交易可以获得最大利润，最大利润为 0 。

思路：

相对于第一种情况而言，改变的只有交易次数，从限制1次变为无数次。在没有交易限制的情况下，只要有利可图，我们就出手。因此，考虑贪心算法解决上述问题。开始遍历数组，并取数组中的第一个元素作为最小值，在遍历过程中，如果当前列表中的元素比最小值小，最小值等于当前元素；若大于，则相当于卖出股票，计算获得利润并累加至总利润中；若等于，循环继续。

考虑如下情况，可以简化计算过程：

有三个数，大小分别为大，中，小

当排列顺序为大，中，小时，最大利润为0

当排列顺序为大，小，中时，最大利润为0

当排列顺序为小，中，大时，最大利润为中 - 小 + 大 - 中，即：
$$prices[1]-prices[0]+prices[2]-prices[1]$$

当排列顺序为小，大，中时，最大利润为大 - 小，即：
$$prices[1]-prices[0]$$

当排列顺序为中，大，小时，最大利润为大 - 中，即：
$$prices[1]-prices[0]$$

当排列顺序为中，小，大时，最大利润为大 - 小，即：
$$prices[2]-prices[1]$$

可将上述情况化简如下：

首先判断$$prices[i+1]-prices[i]$$是否大于0，若大于，$$总利润+prices[i+1]-prices[i]$$否则，继续循环列表

代码如下：

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

买卖股票的最佳时机Ⅲ

原题地址：买卖股票的最佳时机Ⅲ

给定一个数组，它的第 i 个元素是一支给定的股票在第 i 天的价格。

设计一个算法来计算你所能获取的最大利润。你最多可以完成 两笔 交易。

注意：你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。

示例1：

输入：prices = [3,3,5,0,0,3,1,4]
输出：6
解释：在第 4 天（股票价格 = 0）的时候买入，在第 6 天（股票价格 = 3）的时候卖出，这笔交易所能获得利润 = 3-0 = 3 。
     随后，在第 7 天（股票价格 = 1）的时候买入，在第 8 天 （股票价格 = 4）的时候卖出，这笔交易所能获得利润 = 4-1 = 3 。

示例2：

输入：prices = [1,2,3,4,5]
输出：4
解释：在第 1 天（股票价格 = 1）的时候买入，在第 5 天 （股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。   
     注意你不能在第 1 天和第 2 天接连购买股票，之后再将它们卖出。   
     因为这样属于同时参与了多笔交易，你必须在再次购买前出售掉之前的股票。

示例3：

输入：prices = [7,6,4,3,1] 
输出：0 
解释：在这个情况下, 没有交易完成, 所以最大利润为 0。

示例4：

输入：prices = [1]
输出：0

思路：

当开始限制交易次数后，动态规划便成为最优解决方案。相对于第一种情况来说，就需要采取更为复杂的dp数组。

首先，由示例4，我们需要考虑列表中只有1种元素或者没有元素的情况。

if len(prices) <= 1:
	return 0

1.dp数组的构建

首先根据买入和卖出两种操作方式，可以建立两个dp数组记录操作过程。设记录买入的情况为dp0列表，有记录卖出的情况为dp1列表。由此，列表的长度为交易的次数+1（从K=1开始循环，因为之后会用到K-1，K为交易次数）。dp数组的元素含义为截止到第K次交易时的总利润。

初始化：

对于dp0来说，刚开始并没有买入任何一支股票，因此0初始化即可

对于dp1来说，刚开始可以先买入第一天的股票，因此prices[0]初始化即可

2.状态转移方程

对于dp0列表，即买入的情况来说：

是否更新第K次买入的最大利润，取决于以下两种情况的最大值

(1)不更新，仍然维持原第K次买入的利润，即$$dp0[k]$$

(2)进行更新，利润变为原K-1次卖出再减去当天股票的价格，即$$dp1[k-1]-prices[i]$$

考虑到本题要求最大利润，即对上述两种情况进行最大值计算，即为dp0数组的状态转移方程：

$$dp0[k]=max(dp0[k],dp1[k-1]-prices[i])$$

对于dp1列表，即买入的情况来说：

是否更新第K次卖出的最大利润，取决于以下两种情况的最大值

(1)不更新，仍然维持原第K次卖出的利润，即$$dp1[k]$$

(2)进行更新，利润变为原K次买入再加上当天股票的价格，即$$dp0[k]+prices[i]$$

考虑到本题要求最大利润，即对上述两种情况进行最大值计算，即为dp1数组的状态转移方程：

$$dp1[k]=max(dp1[k],dp0[k]+prices[i])$$

当交易2次后结束循环，最后我们返回$$dp1[2]$$即可

代码如下：

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        if len(prices) < 2:
            return 0
        
        dp0 = [-prices[0]] * (2 + 1)
        dp1 = [0] * (2 + 1)

        for i in range(1, len(prices)):
            for j in range(1, 2+1):
                dp0[j] = max(dp0[j], dp1[j-1] - prices[i])
                dp1[j] = max(dp1[j], dp0[j] + prices[i])
        
        return max(dp1[2], 0)

完结撒花~~~~~~~~~~~