最后一块石头的重量
题目解析
每一回合,从中选出两块** 最重的** 石头,然后将它们一起粉碎。假设石头的重量分别为 x 和 y,且 x <= y。那么粉碎的可能结果如下:
- 如果 x == y,那么两块石头都会被完全粉碎;
- 如果 x != y,那么重量为 x 的石头将会完全粉碎,而重量为 y 的石头新重量为 y-x。
最后,最多只会剩下一块石头。返回此石头的重量。如果没有石头剩下,就返回 0。
算法原理
解法:用堆模拟该过程
拿到数组后先创建一个大根堆,将数组中的数字全部丢入大根堆里,先后两次拿出堆顶元素,让其碰撞,将碰撞后的结果重新放入大根堆中,
代码实现
class Solution
{
public:
int lastStoneWeight(vector<int>& stones)
{
// 1. 创建⼀个⼤根堆(C++中默认大根堆)
priority_queue<int> heap;
// 2. 将所有元素丢进这个堆⾥⾯
for(auto x : stones) heap.push(x);
// 3. 模拟这个过程
while(heap.size() > 1)
{
int a = heap.top(); heap.pop();
int b = heap.top(); heap.pop();
if(a > b) heap.push(a - b);
}
return heap.size() ? heap.top() : 0;
}
};
数据流中第K大元素(TOP—k)
题目解析
排序后第K大的元素,包括相同的元素也统计进去。
算法原理
解法:堆
- 创建一个大小为k的堆(如果问第K大,用小根堆;问第K小,用大根堆)
- 循环:
- 元素依次进堆
- 判断堆的大小是否超过k
代码实现
class KthLargest
{
// 创建⼀个⼤⼩为 k 的⼩跟堆
priority_queue<int, vector<int>, greater<int>> heap;
int _k;
public:
KthLargest(int k, vector<int>& nums)
{
_k = k;
for(auto x : nums)
{
heap.push(x);
if(heap.size() > _k) heap.pop();
}
}
int add(int val)
{
heap.push(val);
if(heap.size() > _k) heap.pop();
return heap.top();
}
};
/**
* Your KthLargest object will be instantiated and called as such:
* KthLargest* obj = new KthLargest(k, nums);
* int param_1 = obj->add(val);
*/
前K个高频单词
题目解析
给定一个单词列表 words 和一个整数 k ,返回前 k_ _个出现次数最多的单词。
返回的答案应该按单词出现频率由高到低排序。如果不同的单词有相同出现频率, 按字典顺序 排序。
算法原理
TOP—K问题的拓展
解法:利用堆解决TOP-K问题
- 预处理一下原始的字符串数组:用一个哈希表,统计每个单词出现的次数。
- 创建一个大小为K的堆
- 频次(小根堆)
- 字典序(当频次相同时,(字典序是从低到高)大根堆)
- 循环:
- 元素依次进堆
- 一种方式是字符串进堆,创建一个string
- 另一种方式是定义一个pair<string,int>,将字符串和出线的次数绑定一起进堆。
- 判断:当堆的个数大于K就把堆顶元素删掉
- 元素依次进堆
- 提取结果
- 堆顶元素是前K个中出现次数最少的,所以说从堆顶拿出放入数组中后,还要逆序。(也可以拿出堆顶元素后倒着放)
- 堆顶元素是前K个中出现次数最少的,所以说从堆顶拿出放入数组中后,还要逆序。(也可以拿出堆顶元素后倒着放)
代码实现
class Solution
{
typedef pair<string, int> PSI;
struct cmp
{
bool operator()(const PSI& a, const PSI& b)
{
if(a.second == b.second) // 频次相同,字典序按照⼤根堆的⽅式排列
{
return a.first < b.first;
}
return a.second > b.second;
}
};
public:
vector<string> topKFrequent(vector<string>& words, int k)
{
// 1. 统计⼀下每⼀个单词的频次
unordered_map<string, int> hash;
for(auto& s : words) hash[s]++;
// 2. 创建⼀个⼤⼩为 k 的堆
priority_queue<PSI, vector<PSI>, cmp> heap;
// 3. TopK 的主逻辑
for(auto& psi : hash)
{
heap.push(psi);
if(heap.size() > k) heap.pop();
}
// 4. 提取结果
vector<string> ret(k);
for(int i = k - 1; i >= 0; i--)
{
ret[i] = heap.top().first; //只要pair里的string,所以用first
heap.pop();
}
return ret;
}
};
数据流的中位数
题目解析
返回当前数组中的中位数,数组中会一个个添加数字
算法原理
- 解法一:直接sort
- 先创建一个空数组,添加数字直接尾插到空数组中,接着无论来几个数,直接sort排序。即来一次数组,接受一次并排序。
- 解法二:插入排序的思想
- 每次进入一个数字,就让他变得有序。即每次添加一个数字,就从后往前扫描找到自己合适插入的位置。插入(add)操作所消耗的时间复杂度为O(n),插入完之后整个数组是有序的,查找(find)插入操作,中间元素个数/2就能找到,查找所消耗的时间复杂度为O(1)。
可以将解法三当做成概念记住
- 解法三:大小堆来维护数据流中的中位数
- 假设此时一堆数字已经按照从小到大的顺序排好序了,之前想找中间这个数字时,直接拿两端元素下标除以2即可。这里我们将前半部分(整个数组中的一半的前半部分)数字都放入大根堆里,将后半部分数字存到小根堆里面。
- 此时我们寻找中间值也很方便,因为左半部分数字都是较小的数字,较小的数字放入大根堆里面,那你的堆顶元素就是右边最大的值;同理,右边这一半都是较大的数字,把他们放入小根堆里面,较大的数字的堆顶元素就是最左边的数。此时我们只需根据整个数组中数字的个数就能求出中位数,如果个数是偶数个,那正好两边各方一半,如果是奇数个,我们人为规定左边多一个。此时的中位数就是左边大根堆堆顶元素。
- 细节问题:add函数。设左边的堆为x,右边的堆为y。当进来一个数后,要么进入大根堆,要么进入小根堆。此时m和n有两种情况,一种情况是m和n相等;另一种情况是m比n多一个,但此时num进入可能会破坏这个情况,所以我们需要动态维护这个堆的个数关系。
代码实现
class MedianFinder
{
priority_queue<int> left; // ⼤根堆
priority_queue<int, vector<int>, greater<int>> right; // ⼩根堆
public:
MedianFinder()
{}
void addNum(int num)
{
// 分类讨论即可
if(left.size() == right.size()) // 左右两个堆的元素个数相同
{
if(left.empty() || num <= left.top()) // 放 left ⾥⾯
{
left.push(num);
}
else
{
right.push(num);
left.push(right.top());
right.pop();
}
}
else
{
if(num <= left.top())
{
left.push(num);
right.push(left.top());
left.pop();
}
else
{
right.push(num);
}
}
}
double findMedian()
{
if(left.size() == right.size())
return (left.top() + right.top()) / 2.0;
else return left.top();
}
};
/**
* Your MedianFinder object will be instantiated and called as such:
* MedianFinder* obj = new MedianFinder();
* obj->addNum(num);
* double param_2 = obj->findMedian();
*/