力扣Day13（2.15）| 第五章 栈和队列 （239. 滑动窗口最大值（hard） 347.前 K 个高频元素 ）

题一：239. 滑动窗口最大值（hard）

链接

题目链接：
视频链接：
文章链接：

视频总结

关键点

编程思路

Me：暴力思路

1. 用左右指针表示滑动窗口
2. 遍历起点为右指针
3. 内层for循环获得最大数字，导出数组，复杂度约恩*k
4. 若用栈队列，好像没有思路
   思考：暴力法有思路就不写了，就算想练代码能力，也可以通过其他的题目

卡尔：

1. 用队列里的pop和push来理解窗口滑动的过程，然后定义获得最大队列数。
2. cpp里优先级队列就是大顶锥小顶锥（单调递增或者单调递减），大顶锥为加入后排序，但是排序后位置就变动了，不利于输出
3. 故需要我们自己来实现单调队列（维护队列里的单调递增和单调递减）

力扣实战

思路一：

 class Solution:
    def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:
        from collections import deque


class MyQueue: #单调队列（从大到小
    def __init__(self):
        self.queue = deque() #这里需要使用deque实现单调队列，直接使用list会超时
    
    #每次弹出的时候，比较当前要弹出的数值是否等于队列出口元素的数值，如果相等则弹出。
    #同时pop之前判断队列当前是否为空。
    def pop(self, value):
        if self.queue and value == self.queue[0]:
            self.queue.popleft()#list.pop()时间复杂度为O(n),这里需要使用collections.deque()
            
    #如果push的数值大于入口元素的数值，那么就将队列后端的数值弹出，直到push的数值小于等于队列入口元素的数值为止。
    #这样就保持了队列里的数值是单调从大到小的了。
    def push(self, value):
        while self.queue and value > self.queue[-1]:    # 把所有小于value的数全部踢出去
            self.queue.pop()
        self.queue.append(value)
        
    #查询当前队列里的最大值 直接返回队列前端也就是front就可以了。
    def front(self):
        return self.queue[0]
    
class Solution:
    def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:
        que = MyQueue()
        result = []
        for i in range(k): #先将前k的元素放进队列
            que.push(nums[i])
        result.append(que.front()) #result 记录前k的元素的最大值
        for i in range(k, len(nums)):
            que.pop(nums[i - k]) #滑动窗口移除最前面元素
            que.push(nums[i]) #滑动窗口前加入最后面的元素
            result.append(que.front()) #记录对应的最大值
        return result
        
# 反思1：

题二： 347.前 K 个高频元素

链接

题目链接：
视频链接：
文章链接：

视频总结

关键点

1. 重点学习堆数据结构的定义，和heapq的各个功能，拓展至堆排序；

编程思路

Me：

1. 字典储存出现的频率
2. 对频率排序 #！！！注意，此处直接排序，从value可能找不到key的信息，所以需要对（k，v）这样一个部分排序？
3. 返回前两个

卡尔：

1. 不需要对全部数排序，只需维护前两个
2. 大小顶堆擅长在很大的数据集里求前k个高频或者低频的结果的操作，大小顶堆的底层是二叉树，大顶堆的头部元素比孩子的都大
3. 若是对hash.value()进行排序，那么最快的复杂度是nlogn
4. 若只维护前k大的数，在push一个元素之后，需要pop一个元素，而堆里的pop操作默认是对堆顶，而大顶堆中，堆顶是根节点的元素，所以用大顶堆不行，因为直接就 pop了，只可以使用小顶堆，对比于快排nlogn的复杂度，小顶堆遍历一遍元素第一维是n，每一次遍历时需要加入和删除元素，堆由二叉树建立，插入的复杂度是logk，所以最终的复杂度是nlogk，若在规模n很大的数据，可以少很多时间
5. cpp里的优先级队列（由堆组成）可以模拟堆，

力扣实战

思路一：

#空间复杂度：O(n)
import heapq
class Solution:
    def topKFrequent(self, nums: List[int], k: int) -> List[int]:
        #要统计元素出现频率
        map_ = {} #nums[i]:对应出现的次数
        for i in range(len(nums)):
            map_[nums[i]] = map_.get(nums[i], 0) + 1
        
        #对频率排序
        #定义一个小顶堆，大小为k
        pri_que = [] #小顶堆
        
        #用固定大小为k的小顶堆，扫描所有频率的数值
        for key, freq in map_.items():
            heapq.heappush(pri_que, (freq, key))    #说明若是传入一个元组，则按照元组的第一个元素来建立堆，push操作是先放入完美二叉树的末尾，然后再把这个元素和父亲一一比较，找到他自己的位置，复杂度为logn
            if len(pri_que) > k: #如果堆的大小大于了K，则队列弹出，保证堆的大小一直为k
                heapq.heappop(pri_que)
        
        #找出前K个高频元素，因为小顶堆先弹出的是最小的，所以倒序来输出到数组
        result = [0] * k
        for i in range(k-1, -1, -1):
            result[i] = heapq.heappop(pri_que)[1]   #删除也是logn，首位互换，去尾，然后调头
        return result 
        
# 反思1：