(day32)leecode热题——买卖股票的最佳时机

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。

提示：

• 1 <= prices.length <= 105
• 0 <= prices[i] <= 104

小垃圾的超时代码 

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        left = prices[0]
        lis = []
        if len(prices) == 1:
            return 0
        else:
            for i in range(1,len(prices)):
                if prices[i]<left:
                    left = prices[i]
                right = max(prices[i::])
                lis.append(right-left)
            return max(lis)

Leecode题解腐烂的橘子动态规划代码 

思路

动态规划一般分为一维、二维、多维（使用 状态压缩），对应形式为 dp(i)、dp(i)(j)、二进制dp(i)(j)。

1. 动态规划做题步骤

明确 dp(i) 应该表示什么（二维情况：dp(i)(j)）；
根据 dp(i) 和 dp(i−1) 的关系得出状态转移方程；
确定初始条件，如 dp(0)。
2. 本题思路

其实方法一的思路不是凭空想象的，而是由动态规划的思想演变而来。这里介绍一维动态规划思想。

dp[i] 表示前 i 天的最大利润，因为我们始终要使利润最大化，则：

dp[i]=max(dp[i−1],prices[i]−minprice)

 

 代码

class Solution:  # 定义一个名为 `Solution` 的类
    def maxProfit(self, prices: List[int]) -> int:  # 定义一个方法 `maxProfit`，接收一个整数列表 `prices` 并返回一个整数类型的最大利润
        n = len(prices)  # 获取 `prices` 列表的长度并赋值给 `n`
        if n == 0: return 0  # 如果 `prices` 为空（长度为0），则直接返回0，表示无利润
        dp = [0] * n  # 初始化一个长度为 `n` 的列表 `dp`，其元素均为0，用于存储每一天的最大利润
        minprice = prices[0]  # 初始化 `minprice` 为第一个价格，表示当前最小的买入价格

        for i in range(1, n):  # 从第二天开始遍历价格列表
            minprice = min(minprice, prices[i])  # 更新当前最小的买入价格为 `minprice` 和 `prices[i]` 中的较小值
            dp[i] = max(dp[i - 1], prices[i] - minprice)  # 计算第 `i` 天的最大利润，取前一天的最大利润与今天卖出所能获得的利润中的较大值

        return dp[-1]  # 返回 `dp` 列表的最后一个值，即整个期间的最大利润

整体分析

这段代码实现了一个简单的动态规划算法，旨在计算给定股票价格列表中的最大利润。假设你只能进行一次买入和一次卖出操作，代码通过以下步骤来计算最大利润：

1. 边界处理：如果输入的价格列表为空，直接返回0，因为没有交易机会，利润也为0。

2. 初始化：

   • dp 列表用于存储每一天的最大利润，其中 dp[i] 表示在第 i 天结束时的最大利润。
   • minprice 用于跟踪到目前为止的最小买入价格。

3. 动态规划过程：

   • 遍历 prices 列表，从第二天开始更新 minprice，表示当前的最低买入价。
   • 计算在第 i 天卖出时的利润（prices[i] - minprice）与前一天的最大利润 dp[i - 1] 之间的最大值，将其存储在 dp[i] 中。

4. 返回结果：最终返回 dp 列表的最后一个元素，即整个期间的最大利润。

这种动态规划方法的时间复杂度为 O(n)，空间复杂度为 O(n)。代码通过维护一个最小买入价格和最大利润，避免了暴力枚举所有买卖组合的高时间复杂度计算，因而能高效地解决问题。