思路:先按efficiency进行降序排列,然后同时遍历排序后的speed和efficiency,在遍历过程中进行这几项操作:(1)将speed放入最小堆中,(2)保持堆的大小为k,(3)记录堆中speed之和,(4)寻找最大团队表现值。
献上代码:
import heapq
class Solution:
def maxPerformance(self, n: int, speed: List[int], efficiency: List[int], k: int) -> int:
lst = sorted([(s, e) for s, e in zip(speed, efficiency)], key=lambda x: x[1], reverse=True)
speed_total = 0
ans = 0
speed_heap = []
for s, e in lst:
heapq.heappush(speed_heap, s)
if len(speed_heap) > k:
speed_total -= heapq.heappop(speed_heap)
speed_total += s
ans = max(ans, e * speed_total)
return ans % (10 ** 9 + 7)
说明:
上面代码中speed_total用于记录k个最大speed之和,ans用于记录最大团队表现值,speed_heap存在堆元素。
由于堆中只保留k个元素,每多一个元素需要放入堆,就会弹出一个最小的元素,所以遍历完之后堆中剩下的k个元素就是最大的k个speed。由于遍历是按照efficiency从大到小进行的,所以堆中的speed始终满足其对应的efficiency大于当前的efficiency。
AC图: