def maximalRectangle( matrix):
"""
Disscussion Method
算法:单调栈
思路:
本题的思路是将原问题转化为类似于84题的形式然后求解。非常巧妙!
关键一步就是将问题转化,可以将矩形分解为长乘宽,或者说底乘高,那么可以遍历矩阵的行,以每一行的1的位置做底,
这一行上第i个位置这一列中'1'的个数做高,就可以构建出一个直方图,便在当前这一行中构建出了第84题的形式,用
单调栈求解即可。那么对整个matrix的所有row遍历构建直方图计算矩形面积,就可以求解出整个矩形中的最大'1'矩形面积。
要理解?这种分解一行一行,自上向下累计直方图的方式,是一定能遍历完所有矩阵中的矩形的。
假设把矩阵沿着某一行分开,然后把分开的行作为底面,将自底面往上的矩阵看成一个直方图(histogram)。
直方图的中每个项的高度就是从底面行开始往上1的数量。根据Largest Rectangle in Histogram就可以求出
当前行作为矩阵下边缘的一个最大矩阵。接下来如果对每一行都做一次Largest Rectangle in Histogram,
从其中选出最大的矩阵,那么它就是整个矩阵中面积最大的子矩阵。
如何计算某一行为底面时直方图的高度呢?如果重新计算,那么每次需要的计算数量就是当前行数乘以列数。
然而会发现一些动态规划的踪迹,如果知道上一行直方图的高度,就只需要看新加进来的行(底面)上对应的列
元素是不是0,如果是,则高度是0,否则则是上一行直方图的高度加1。利用历史信息,就可以在线行时间内
完成对高度的更新。由于Largest Rectangle in Histogram的算法复杂度是O(n)。所以完成对一行为底边的
矩阵求解复杂度是O(n+n)=O(n)。接下来对每一行都做一次,那么算法总时间复杂度是O(m*n)。
"""
if matrix == [] or matrix[0] == []:
return 0
ans = 0
height = [0] * (len(matrix[0]) + 1)
for row in matrix:
for i in range(len(row)):
height[i] = height[i] + 1 if row[i] == '1' else 0
stack = [-1]
for i in range(len(height)):
while height[i] < height[stack[-1]]:
index = stack.pop()
h = height[index]
w = i - stack[-1] - 1
ans = max(ans, h * w)
stack.append(i)
return ans