150. 逆波兰表达式求值
思路,从左往右遍历,遇到+-*/,就弹出两个元素,并把运算结果压入栈中,其他的压入栈。
需要注意的是:1. 先出栈的是右操作数,后出栈的是左操作数
2.String类型转int类型的时候用Integer.parseInt();
class Solution {
public int evalRPN(String[] tokens) {
Stack<Integer> stack = new Stack<>();
for (String token : tokens) {
switch (token) {
case "+":
int addRight = stack.pop();
int addLeft = stack.pop();
stack.push(addLeft + addRight);
break;
case "-":
int subRight = stack.pop();
int subLeft = stack.pop();
stack.push(subLeft - subRight);
break;
case "*":
int mulRight = stack.pop();
int mulLeft = stack.pop();
stack.push(mulLeft * mulRight);
break;
case "/":
int divRight = stack.pop();
int divLeft = stack.pop();
stack.push(divLeft / divRight);
break;
default:
stack.push(Integer.parseInt(token));
break;
}
}
return stack.pop();
}
}
239. 滑动窗口最大值
我们自己写一个队列的数据结构,新加入一个元素就push,然后把滑动窗口内不需要的元素pop掉,还有一个函数能够获取到滑动窗口内的最大值。注意在队列中维护的是窗口内的元素,而窗口内的元素其实只需要维护一个递减序列。
Deque是双端队列,可以用它实现Queue或者Stack。Deque deque = new LinkedList()
class MyQueue {
Deque<Integer> deque = new LinkedList<>();
//弹出元素时,比较当前要弹出的数值是否等于队列出口的数值,如果相等则弹出
//同时判断队列当前是否为空
void poll(int val) {
if (!deque.isEmpty() && val == deque.peek()) {
deque.poll();
}
}
//添加元素时,如果要添加的元素大于入口处的元素,就将入口元素弹出
//保证队列元素单调递减
//比如此时队列元素3,1,2将要入队,比1大,所以1弹出,此时队列:3,2
void add(int val) {
while (!deque.isEmpty() && val > deque.getLast()) {
deque.removeLast();
}
deque.add(val);
}
//队列队顶元素始终为最大值
int peek() {
return deque.peek();
}
}
class Solution {
public int[] maxSlidingWindow(int[] nums, int k) {
if (nums.length == 1) {
return nums;
}
int len = nums.length - k + 1;
//存放结果元素的数组
int[] res = new int[len];
int num = 0;
//自定义队列
MyQueue myQueue = new MyQueue();
//先将前k的元素放入队列
for (int i = 0; i < k; i++) {
myQueue.add(nums[i]);
}
res[num++] = myQueue.peek();
for (int i = k; i < nums.length; i++) {
//滑动窗口移除最前面的元素,移除是判断该元素是否放入队列
myQueue.poll(nums[i - k]);
//滑动窗口加入最后面的元素
myQueue.add(nums[i]);
//记录对应的最大值
res[num++] = myQueue.peek();
}
return res;
}
}
347. 前 K 个高频元素
hashmap
容易想到的一个思路就是用hashmap,key放的是元素,value放的是出现频次。然后用value做排序,返回前k个key。怎么用hashmap的value排序还是需要注意的。
class Solution {
public int[] topKFrequent(int[] nums, int k) {
HashMap<Integer,Integer> hashmap = new HashMap<>();
for(int i:nums){
hashmap.put(i,hashmap.getOrDefault(i,0)+1);
}
List<Map.Entry<Integer, Integer>> entryList = new ArrayList<>(hashmap.entrySet());
entryList.sort((a, b) -> b.getValue() - a.getValue());
int[] result = new int[k];
for (int i = 0; i < k; i++) {
result[i] = entryList.get(i).getKey();
}
return result;
}
}
大顶堆
同样的还是用hashmap存储元素和出现的次数,新建一个优先级队列(大顶堆),以此取出前k个
public int[] topKFrequent1(int[] nums, int k) {
Map<Integer,Integer> map = new HashMap<>(); //key为数组元素值,val为对应出现次数
for (int num : nums) {
map.put(num, map.getOrDefault(num,0) + 1);
}
//在优先队列中存储二元组(num, cnt),cnt表示元素值num在数组中的出现次数
//出现次数按从队头到队尾的顺序是从大到小排,出现次数最多的在队头(相当于大顶堆)
PriorityQueue<int[]> pq = new PriorityQueue<>((pair1, pair2) -> pair2[1] - pair1[1]);
for (Map.Entry<Integer, Integer> entry : map.entrySet()) {//大顶堆需要对所有元素进行排序
pq.add(new int[]{entry.getKey(), entry.getValue()});
}
int[] ans = new int[k];
for (int i = 0; i < k; i++) { //依次从队头弹出k个,就是出现频率前k高的元素
ans[i] = pq.poll()[0];
}
return ans;
}
小顶堆
小顶堆只需要维护k个大小,如果没满就加入,满了就pop,这个时候移除了出现次数最小的,这样循环剩下的就是k个高频元素,但是这样的优先级队列里是倒序的,注意最后需要转,新建一个res数组,倒着往进放
public int[] topKFrequent2(int[] nums, int k) {
Map<Integer,Integer> map = new HashMap<>(); //key为数组元素值,val为对应出现次数
for (int num : nums) {
map.put(num, map.getOrDefault(num, 0) + 1);
}
//在优先队列中存储二元组(num, cnt),cnt表示元素值num在数组中的出现次数
//出现次数按从队头到队尾的顺序是从小到大排,出现次数最低的在队头(相当于小顶堆)
PriorityQueue<int[]> pq = new PriorityQueue<>((pair1, pair2) -> pair1[1] - pair2[1]);
for (Map.Entry<Integer, Integer> entry : map.entrySet()) { //小顶堆只需要维持k个元素有序
if (pq.size() < k) { //小顶堆元素个数小于k个时直接加
pq.add(new int[]{entry.getKey(), entry.getValue()});
} else {
if (entry.getValue() > pq.peek()[1]) { //当前元素出现次数大于小顶堆的根结点(这k个元素中出现次数最少的那个)
pq.poll(); //弹出队头(小顶堆的根结点),即把堆里出现次数最少的那个删除,留下的就是出现次数多的了
pq.add(new int[]{entry.getKey(), entry.getValue()});
}
}
}
int[] ans = new int[k];
for (int i = k - 1; i >= 0; i--) { //依次弹出小顶堆,先弹出的是堆的根,出现次数少,后面弹出的出现次数多
ans[i] = pq.poll()[0];
}
return ans;
}