代码算法训练营day13 | 239. 滑动窗口最大值、347.前 K 个高频元素

239. 滑动窗口最大值

题目链接
状态：暴力ok
文档：programmercarl.com

1、（暴力算法）思路：

一共有两层循环，外层循环（N）迭代变量，内层循环（K）每一个窗口，并计算这个窗口的最大值。时间复杂度O(N*K)。

代码：

class Solution {
public:
//暴力
    vector<int> maxSlidingWindow(vector<int>& nums, int k) {  
        //短路条件
        int size = nums.size();
        //存放结果的数组
        vector<int> result;
        if(size == 0) return result;

        for(int i=0;i<=size-k;i++)
        {
            //最大值
            int max = nums[i];
            for(int j=i;j<=i+k-1;j++)
            {
                //计算每个窗口内的最大值
                if(nums[j] > max) max = nums[j];
            }
            result.push_back(max);
        }
        return result;
    }
};

2、（单调队列）思路：

可以看到，每移动一次窗口，原理上都是把左边的元素pop出去，右边新加一个元素进来。
但是有时候并不需要去pop那个被窗口抛弃的元素，因为在某些元素push进来之前，我们会先对队列进行一个判断大小的操作：

• 如果要push进来的元素比队列入口处的元素大，那么就要把这些元素一 一pop掉，（因此之后可能就不用去pop那个被窗口抛弃的元素，因为已经被pop掉了）这样就保证了队列是一个单调递减的队列。
• 之后若要pop出口处的元素，那么下一个元素一定是下一个窗口的最大值。
• 并且，若pop的元素==队列出口的元素，那么说明pop的元素是这个窗口的最大值。

代码：

class Solution {
private:
    class MyQueue{
    public:
        //定义一个队列que，实现单调队列
        deque<int> que;
        // 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。
        // 如果不相等的话说明此时要pop的数比出口数小，在出口数push前该数就已经被pop了。
        // 同时pop之前判断队列当前是否为空。
        void pop(int value){
            if(!que.empty() && value == que.front())
                que.pop_front();
        }

        // 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。
        void push(int value){
            while(!que.empty() && value > que.back())
                que.pop_back(); // 把小的数都pop
            //小的数pop完再push新的大的数
            que.push_back(value);
        }
        
        // 返回窗口最大值
        int getWindowMax(){
            return que.front();
        }
    };
public:
    vector<int> maxSlidingWindow(vector<int>& nums, int k) {
        MyQueue que;
        vector<int> result;
        //先把前k个数放到que中
        for(int i=0;i<k;i++){
            que.push(nums[i]);  // 已经保证现在的队列是一个单调队列了
        }
        // 此时已经产生了一个窗口的最大值，记录下来
        result.push_back(que.getWindowMax()); 

        // 窗口移动时，左边的元素被移除，右边的元素会新加进来
        for(int j=k;j<nums.size();j++){
            // 左边的元素移除掉
            que.pop(nums[j-k]);
            // 右边的元素加进来
            que.push(nums[j]);
            // 形成了新的窗口，返回窗口的最大值
            result.push_back(que.getWindowMax()); 
        }
        return result;
    }
};

注意：
在push函数中，判断要加进来的value是否＞队列入口处的值时，因为这个比较次数是不确定的，所以不能用if判断，而要用while判断才行。

---

347.前 K 个高频元素

思路：

要做的事情一共有三个：

1. 要统计元素出现频率（这一类的问题可以使用map来进行统计。key:存放元素，value:元素出现的次数）
2. 对频率排序（这里我们可以使用一种 容器适配器就是优先级队列。）
3. 找出前K个高频元素

如果在对排序的时候不使用优先级队列，而是直接使用map呢？ ----- 在map中以value为基准，进行一个从大到小的排序，然后把满足条件的value所对应的key输出就可以了。
但是按照快排来看，对所有的元素都进行一个排序，时间复杂度是nlogn。
但其实并没有必要对所有的元素进行一个排序，只需要对前k个集合的元素进行排序即可。
如何去维护k个高频元素的有序集合呢？ ---- 大顶堆和小顶堆
大顶堆和小顶堆本质上是一个二叉树。

优先级队列是什么？

其实就是一个披着队列外衣的堆，因为优先级队列对外接口只是从队头取元素，从队尾添加元素，再无其他取元素的方式，看起来就是一个队列。
而且优先级队列内部元素是自动依照元素的权值排列。那么它是如何有序排列的呢？
缺省情况下priority_queue利用max-heap（大顶堆）完成对元素的排序，这个大顶堆是以vector为表现形式的complete binary tree（完全二叉树）。

堆是什么？

堆是一棵完全二叉树，树中每个结点的值都不小于（或不大于）其左右孩子的值。 如果父亲结点是大于等于左右孩子就是大顶堆，小于等于左右孩子就是小顶堆。
所以大家经常说的大顶堆（堆头是最大元素），小顶堆（堆头是最小元素），如果懒得自己实现的话，就直接用priority_queue（优先级队列）就可以了，底层实现都是一样的，从小到大排就是小顶堆，从大到小排就是大顶堆。

大顶堆：根节点最大，父亲比左右孩子要大。
小顶堆：根节点最小，父亲比左右孩子要小。

选哪个堆？

用堆去遍历map中的元素，因为我要输出前k个高频元素，所以堆的大小就设置成k，也就是说堆里面就维持k个元素。遍历完之后，这个堆就维护了我们想要求的前k个高频元素。

• 如果要使用大顶堆的话：堆里目前已经满足k个元素了，此时如果push进一个新的元素，那么就意味着有一个元素要被pop掉了。对于这种数据结构，要pop的时候都是从栈顶开始pop的。大顶堆的栈顶是最大的数，那就意味着把最大的数给pop掉了，这肯定是不合理的。
• 反之如果使用小顶堆的话，pop掉的栈顶元素是最小的值，这样一次次的就把最小的值弄出去，留下的就是大的值。所以此题选用小顶堆。

用小顶堆的时间复杂度：把map中的元素遍历一遍（n），然后对二叉树进行调整（push+pop，logk）。所以小顶堆的时间复杂度是nlogk。

代码：

class Solution {
public:
    //先构建一个小顶堆
    class mycomparison{
    public:
        //要对键值对（<key,value>）进行排序，还要控制对谁（value）排序
        bool operator()(const pair<int, int>& lhs, const pair<int, int>& rhs) {
            return lhs.second > rhs.second;
        }
    };

    vector<int> topKFrequent(vector<int>& nums, int k) {
        // 要统计元素出现频率
        unordered_map<int, int> map; // map[nums[i]],对应出现的次数
        for(int i = 0;i<nums.size();i++){
            map[nums[i]]++;
        }

        // 对频率排序
        // 定义一个小顶堆，大小为k
        priority_queue<pair<int, int>, vector<pair<int, int>>, mycomparison> pri_que;
        // 用固定大小为k的小顶堆，遍历所有频率的数值
        for (unordered_map<int, int>::iterator it = map.begin(); it != map.end(); it++) {
            pri_que.push(*it);
            if (pri_que.size() > 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
                pri_que.pop();
            }
        }

         // 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
         vector<int> result(k);
         for(int i = k-1;i>=0;i--){
            result[i] = pri_que.top().first;
            // 弹出栈顶元素 以便下一次继续输出top
            pri_que.pop();
         }

         return result;
    }
};