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:
-
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。
-
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。
-
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。
- 遍历
-
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。