一、滑动窗口最大值
1.1 题目
给你一个整数数组 nums
,有一个大小为 k
的滑动窗口从数组的最左侧移动到数组的最右侧。你只可以看到在滑动窗口内的 k
个数字。滑动窗口每次只向右移动一位。
返回 滑动窗口中的最大值 。
示例 1:
输入:nums = [1,3,-1,-3,5,3,6,7], k = 3 输出:[3,3,5,5,6,7] 解释: 滑动窗口的位置 最大值 --------------- ----- [1 3 -1] -3 5 3 6 7 3 1 [3 -1 -3] 5 3 6 7 3 1 3 [-1 -3 5] 3 6 7 5 1 3 -1 [-3 5 3] 6 7 5 1 3 -1 -3 [5 3 6] 7 6 1 3 -1 -3 5 [3 6 7] 7
示例 2:
输入:nums = [1], k = 1 输出:[1]
提示:
1 <= nums.length <= 10^5
-10^4 <= nums[i] <= 10^4
1 <= k <= nums.length
1.2 题目链接
1.3 解题思路和过程想法
(1)解题思路:
基于普通的利用队列滑动窗口来筛选最大值的整体时间复杂度为 O(k * n),答案会提示超时;进而做出修改:创建一个只维系可能是最大值元素的单调队列,使目前滑动窗口的最大值只出现在队列的出口处。
pop( ) :要弹出的数值==等于队列最前的数值(即为最大值),则弹出队列最前的数值。
push( ):当传入的数值 > 队列入口处的数值,则弹出入口处比传入的值更小的值(只维护可能的最大值),最后将当前数字入队。
(2)过程想法:
最初想的是用两次遍历,外层遍历整个数组,内层再用一层遍历得出当前窗口的最大值,但是提示超时。后续改用卡哥提出的单调队列:只保留可能的最大值于出口处,比其小的数只可能存在于前者后面。只是在暴力解法的基础上,为降低获取最大值的时间复杂度,修改了存储滑动窗口的队列以及对入队和出队操作进行了剪枝。(刚开始有点不理解,花了点时间思考)
1.4 代码
# 使用列表来筛选元素的时间复杂度----O(n),只能考虑使用 deque
from collections import deque
class myQueue:
# 单调队列,只维护可能是最大值的元素,队列最前端的数值最大:
def __init__(self):
self.queue = deque()
def pop(self,value):
# 要弹出的数值==等于队列最前的数值(即为最大值),则弹出队列最前的数值
if self.queue and value == self.queue[0]:
self.queue.popleft()
def push(self,value):
# 当传入的数值 > 队列入口处的数值,则弹出入口处比传入的值更小的值(只维护可能的最大值),最后将当前数字入队
while self.queue and value > self.queue[-1]:
self.queue.pop()
self.queue.append(value)
def front(self):
return self.queue[0]
class Solution:
def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:
# 基于普通的利用队列滑动窗口来筛选最大值的整体时间复杂度为 O(k * n),答案会提示超时
# 做出修改:创建一个只维系可能是最大值元素的单调队列,使目前滑动窗口的最大值只出现在队列的出口处
length = len(nums)
que = myQueue()
res = []
# 将前 k 个元素入队,并获取当前滑动窗口的最大值
for i in range(k):
que.push(nums[i])
res.append(que.front())
for i in range(k,length):
# 出队原滑动窗口内元素
que.pop(nums[i-k])
# 入队新滑动窗口内元素
que.push(nums[i])
# 获取当前滑动窗口的最大值
res.append(que.front())
return res
二、前 K 个高频元素
2.1 题目
给你一个整数数组 nums
和一个整数 k
,请你返回其中出现频率前 k
高的元素。你可以按 任意顺序 返回答案。
示例 1:
输入: nums = [1,1,1,2,2,3], k = 2 输出: [1,2]
示例 2:
输入: nums = [1], k = 1 输出: [1]
提示:
1 <= nums.length <= 10^5
k
的取值范围是[1, 数组中不相同的元素的个数]
- 题目数据保证答案唯一,换句话说,数组中前
k
个高频元素的集合是唯一的
进阶:你所设计算法的时间复杂度 必须 优于 O(n log n)
,其中 n
是数组大小。
2.2 题目链接
2.3 解题思路和过程想法
解题思路:
通过遍历全部元素,利用字典构建哈希结构记录词与词频的关系;通过遍历哈希表,利用小根堆来筛选出最大的 k 个值(选小根堆的原因:小根堆每次弹出的都是堆顶的最小元素,最终会剩下最大的 k 个值),但从小根堆的堆顶弹出的都是最小元素,所以最终逆序输出小根堆中的元素。
过程想法:
暴力解法是容易想到的,但是时间会超出限制;之前学过但没用过小根堆,所以之前没有思路。解锁新技能~
2.4 代码
import heapq
class Solution:
def topKFrequent(self, nums: List[int], k: int) -> List[int]:
# 借助小根堆来筛选出最大的 k 个值(小根堆每次弹出的都是堆顶的最小元素)
# 利用字典存储词与词频的对应关系
hashTable = dict()
length = len(nums)
# 存储小根堆的结构
last_k = []
# 存储最后结果
res = [0] * k
# 建立词与词频的关系
for i in range(length):
hashTable[nums[i]] = hashTable.get(nums[i],0) + 1
# 建立小根堆,并只保留 k 个元素
for key,value in hashTable.items():
heapq.heappush(last_k,(value,key))
if len(last_k) >k:
heapq.heappop(last_k)
# 因为弹出的值是最小值,为符合题目要求,倒序输出小根堆的元素
for i in range(k-1,-1,-1):
res[i] = heapq.heappop(last_k)[1]
return res