239. 滑动窗口最大值347.前 K 个高频元素
239. 滑动窗口最大值
给定一个数组 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。
进阶:
你能在线性时间复杂度内解决此题吗?
提示:
- 1 <= nums.length <= 10^5
- -10^4 <= nums[i] <= 10^4
- 1 <= k <= nums.length
思路
思路:队列
相信看到这一题的第一眼,大多数人的思路是。遍历数组,找到滑动窗口的最大值并比较。那么我们分析下这种情况的时间复杂度
滑动窗口的大小为k,从滑动窗口找到最大元素的时间复杂度为o(k).滑动窗口的个数为n-k+1。那么总时间复杂度为o(k*(n-k+1)) = o(nk-k2+k) = o(nk).
这种思路很简单,很容易想到,但是这里不使用该思路.原因1.思路简单,容易想到2.据说会超出时间复杂度3,最重要的这里是要联系队列的使用方式4
不管哪种思路,都需要遍历一遍数组,那么时间复杂度至少是o(N),这是毋庸置疑的,那么如何算法时间复杂度的提升,就在于求滑动窗口的最大值。
接下来介绍单调队列思路,
我们把队列当作窗口,窗口的移动会带来元素的变化,那么等同于队列的元素add,poll。
因为没有原生的方法可以以o(1)的时间复杂度获取队列中最大的元素。如果想以o(1)的时间复杂度获取队列中最大的元素,那就让每一个出队的元素就是窗口最大的元素,时间复杂度就是o(1)
但是一旦元素入队以后,顺序无法改变,所以需要自定义一个队列结构,并自定义poll和add方法。这个队列称为单调队列,当然单调队列的定义方式不是一成不变的,而是根据题目来定义的
add(value):如果窗口移除的元素value等于单调队列的出口元素,那么队列弹出元素,否则不用任何操作
poll(value):如果push的元素value大于入口元素的数值,那么就将队列入口的元素弹出,直到push元素的数值小于等于队列入口元素的数值为止
举例:数组元素 窗口大小为2
代码如下
// 时间复杂度: O(n)
// 空间复杂度: O(k)
public static int[] maxSlidingWindow(int[] nums, int k) {
MyQueueMaxSlidingWindow myQueue = new MyQueueMaxSlidingWindow();
int[] result = new int[nums.length - k + 1];
for (int i = 0; i < k; i++) {
myQueue.add(nums[i]);
}
int t = 1;
result[0] = myQueue.getMaxValue();
for (int i = k; i < nums.length; i++) {
myQueue.add(nums[i]);
myQueue.poll(nums[i-k]);
result[t++] = myQueue.getMaxValue();
}
return result;
}
347.前 K 个高频元素
给定一个非空的整数数组,返回其中出现频率前 k 高的元素。
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:
- 你可以假设给定的 k 总是合理的,且 1 ≤ k ≤ 数组中不相同的元素的个数。
- 你的算法的时间复杂度必须优于 O ( n log n ) O(n \log n) O(nlogn) , n 是数组的大小。
- 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。
- 你可以按任意顺序返回答案。
思路
思路:优先级队列
此题分为三个部分1.统计数字出现频率2.对频率排序3.获取出现频率前k的元素
根据题干信息,可以使用map哈希结构存储数字的出现频率。key为数字值,value为数字出现频率
遍历数组,将值存入Map中
接下来对Map排序。由于题目要求,最好时间复杂度在 O(n log n) ,其中 n 是数组大小。那么像快速排序等对【整个数组】排序的时间复杂度最少也要在n(logn)
所以另辟蹊径。采用堆排序。那么这个时候有人问了,那堆排序也是n(logn)时间复杂度啊。没错,但是我们定义堆的大小是K,那么时间复杂度就是n(logk)
那么要定义大顶堆还是小顶堆呢?
因为定义的堆大小是小于数组元素的,所以会对堆的元素频繁pop和push。如果用大顶堆,那么每次加入一个新的元素,就会把堆顶的元素,也就是最大的元素弹出。最后遍历完成后,堆中只有数组的小元素。
所以要使用小顶堆.
定义小顶堆可以使用优先级队列
java 优先队列默认是小顶堆,小的先出队。
PriorityQueue<Integer> pq = new PriorityQueue<>();
改成大的先出队:
PriorityQueue<Integer> pq = new PriorityQueue<>((a, b)->(b-a));
代码如下
// 时间复杂度o(nlogk)
// 空间复杂度o(n)
public static int[] topKFrequent(int[] nums, int k) {
Map<Integer, Integer> map = new HashMap<>();
for (int i = 0; i < nums.length; i++) {
if (!map.containsKey(nums[i])) {
map.put(nums[i], 1);
} else {
Integer value = map.get(nums[i]);
map.put(nums[i], ++value);
}
}
PriorityQueue<int[]> queue = new PriorityQueue<>((t1,t2) -> t1[1]-t2[1]);
for (Map.Entry<Integer, Integer> entry : map.entrySet()) {
queue.add(new int[]{entry.getKey(), entry.getValue()});
if (queue.size() > k) {
queue.poll();
}
}
int[] result = new int[k];
for (int i = k - 1; i >= 0; i--) {
int[] a = queue.poll();
result[i] = a[0];
}
return result;