LeetCode——队列

小鱼0135

于 2024-01-07 13:04:25 发布

阅读量351

点赞数 7

分类专栏： LeetCode 文章标签： leetcode 算法职场和发展

本文链接：https://blog.csdn.net/qq_44689664/article/details/135438474

版权

LeetCode 专栏收录该内容

9 篇文章 0 订阅

订阅专栏

队列

主要是优先队列的例题，以及优先队列如何使用（堆的性质，队列的存取）

优先队列：

PriorityQueue<Integer> minHeap = new PriorityQueue<>();
minHeap.peek();  // 获取堆顶元素
minHeap.offer(num);  // 入堆
minHeap.poll();  // 弹出

本质：完全二叉树
1.数组中的第K个最大元素

// class Solution {
//     public int findKthLargest(int[] nums, int k) {
//         // 思路一：暴力解法，JDK默认使用快速排序
//         int len = nums.length;
//         Arrays.sort(nums);
//         return nums[len - k];
//     }
// }

// 优先队列
class Solution {
    public int findKthLargest(int[] nums, int k) {
        // 思路二：构造一个含有k个元素的小顶堆，先拿k个元素初始化堆，接着继续遍历，判断是否要将此元素再放入堆中，最后从堆顶也就是队头拿出来的元素就是第k大的元素
        int len = nums.length;
        // 定义含k个元素的小顶堆
        PriorityQueue<Integer> minHeap = new PriorityQueue<>(k);
        for (int i = 0; i < len; i++) {
            if (i < k) {
                minHeap.offer(nums[i]);  // 入堆
            } else {
                if(nums[i] > minHeap.peek()) {
                    minHeap.poll();
                    minHeap.offer(nums[i]);
                }
            }
        }
        return minHeap.peek();
    }
}

2.前 K 个高频元素

class Solution {
    public int[] topKFrequent(int[] nums, int k) {
        // 思路：定义一个HashMap，统计每个整数出现的频次；将频次作为入堆的依据
        HashMap<Integer, Integer> map = new HashMap<>();
        // 1. 统计每个数字出现的频次
        int len = nums.length;
        for (int i = 0; i < len; i++) {
            // map.get(nums[i]) ++;
            // map.getOrDefault()如果键存在就获取键对应的值，如果不存在就使用默认值0
            map.put(nums[i], map.getOrDefault(nums[i], 0) + 1);
        }
        // 2. 试着将map作为优先队列的元素
        // 存的时map的key，但是想要根据map的value值维护小顶堆！！！！
        PriorityQueue<Integer> minHeap = new PriorityQueue<>(new Comparator<Integer>(){
            public int compare(Integer a,Integer b){
                return map.get(a) - map.get(b);
            }
        });
        map.forEach((key, val) -> {
            if (minHeap.size() < k) {
                minHeap.offer(key);
                // System.out.println("初始化时插入的"+ key);
            } else {
                if(val > map.get(minHeap.peek())) {
                    minHeap.poll();
                    minHeap.offer(key);
                    System.out.println(key);
                }
            }

            System.out.println(key + "--->" + val);
        });
        // 3. 定义接收数组
        int[] res = new int[k];
        int index = 0;
        while (!minHeap.isEmpty()) {
            res[index] = minHeap.poll();
            index ++;
        }
        return res;
    }
}

3.数据流的中位数

class MedianFinder {
    // 定义一个小顶堆，一个大顶堆
    PriorityQueue<Integer> queMin;
    PriorityQueue<Integer> queMax;

    public MedianFinder() {
        // 重写Comparator方法，默认构造出来的是小顶堆，
        queMin = new PriorityQueue<Integer>((a, b) -> (b - a));
        queMax = new PriorityQueue<Integer>((a, b) -> (a - b));
    }
    
    public void addNum(int num) {
        if (queMin.isEmpty() || num <= queMin.peek()) {
            queMin.offer(num);
            if (queMax.size() + 1 < queMin.size()) {
                queMax.offer(queMin.poll());
            }
        } else {
            queMax.offer(num);
            if (queMax.size() > queMin.size()) {
                queMin.offer(queMax.poll());
            }
        }
    }
    
    public double findMedian() {
        if (queMin.size() > queMax.size()) {
            return queMin.peek();
        }
        return (queMin.peek() + queMax.peek()) / 2.0;
    }
}