滑动窗口最大值
-
题目:Leetcode239
-
思路:
-
为什么不能使用大顶堆:这个窗口是移动的,而大顶堆每次只能弹出最大值,我们无法移除其他数值,这样就造成大顶堆维护的不是滑动窗口里面的数值了,所以不能用大顶堆。
-
需要自定义一个可以维护元素单调递减的队列,叫做单调队列,即单调递减或单调递增的队列。队列没有必要维护窗口里的所有元素,只需要维护有可能成为窗口里最大值的元素就可以了,同时保证队列里的元素数值是由大到小的。
-
设计单调队列的时候,pop,和push操作要保持如下规则:
- pop(value):如果窗口移除的元素value等于单调队列的出口元素,那么队列弹出元素,否则不用任何操作
- push(value):如果push的元素value大于入口元素的数值,那么就将队列入口的元素弹出,直到push元素的数值小于等于队列入口元素的数值为止
-
保持如上规则,每次窗口移动的时候,只要问que.front()就可以返回当前窗口的最大值。
-
- 时间复杂度: O(n)
- 空间复杂度: O(k)
class Solution {
public:
//自定义单调队列以及规则(单调递减)
class myQueue {
public:
deque<int> que;
//当预备弹出的值与队头元素相等,也就是与最大值相等时,弹出该值
void pop(int val) {
if(!que.empty() && val == que.front()) {
que.pop_front();
}
}
//将准备进入滑动窗口的值val,与队列入口(队尾)元素相比较,若val更大,则弹出队尾元素,再依次向前比较,直到不再大于队尾元素时,将val入队
//保证了单调队列中元素为递减趋势
void push(int val) {
while(!que.empty() && val > que.back()) {
que.pop_back();
}
que.push_back(val);
}
//获取滑动窗口中最大值,只需获取单调队列中的队头元素
int front() {
return que.front();
}
};
vector<int> maxSlidingWindow(vector<int>& nums, int k) {
myQueue que;
vector<int> res;//存放结果
//将前k个元素先入单调队列
for(int i = 0; i < k; i++) {
que.push(nums[i]);
}
res.push_back(que.front());//存放前k个元素中最大的元素
//移动滑动窗口,逐一找到结果
for(int i = k; i < nums.size(); i++) {
que.pop(nums[i - k]);//弹出滑动窗口最前面的元素
que.push(nums[i]);//移动滑动窗口,加入后面一个元素
res.push_back(que.front());//存储当前滑动窗口中的最大值
}
return res;
}
};
前K个高频元素
- 题目:Leetcode347
- 思路:
- 本题需要完成统计元素出现频率、对频率排序、找出前K个高频元素。统计频率可以使用map,对频率进行排序,可以使用一种容器适配器也就是优先级队列。
- 什么是优先级队列?
- 一个披着队列外衣的堆,因为优先级队列对外接口只是从队头取元素,从队尾添加元素,再无其他取元素的方式,看起来就是一个队列,优先级队列内部元素是自动依照元素的权值排列。
- 为什么不用快排?
- 使用快排要将map转换为vector的结构,然后对整个数组进行排序, 而这种场景下,我们其实只需要维护k个有序的序列就可以了,所以使用优先级队列是最优的。
- 为什么使用小顶堆?
- 一个大小为k的大顶堆,在每次移动更新大顶堆的时候,会把最大的元素弹出去,无法保留频率最高的k个元素。
- 所以我们要用小顶堆,因为要统计最大前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。
- 时间复杂度: O(nlogk)
- 空间复杂度: O(n)
class Solution {
public:
//小顶堆
class myComparison {
public:
bool operator()(const pair<int, int>& l, const pair<int, int>& r) {
return l.second > r.second;
}
};
vector<int> topKFrequent(vector<int>& nums, int k) {
unordered_map<int, int> umap;
//统计元素出现的频率
for(int i = 0 ; i < nums.size(); i++) {
umap[nums[i]]++;
}
//定义优先级队列,使用小顶堆,只维护k个元素
priority_queue<pair<int, int>, vector<pair<int, int>>, myComparison> pque;
//用固定大小为k的小顶堆,扫面所有频率的数值
for(unordered_map<int, int>::iterator it = umap.begin(); it != umap.end(); it++) {
pque.push(*it);
if(pque.size() > k) pque.pop();//若堆大小超过k,则弹出堆顶元素,也就是最小元素,保证堆大小始终为k
}
//存储结果
vector<int> res;
for(int i = 0; i < k; i++) {
res.push_back(pque.top().first);
pque.pop();
}
return res;
}
};