代码随想录算法训练营第十三天 | 239. 滑动窗口最大值、347.前 K 个高频元素、栈和队列总结
239. 滑动窗口最大值
自定义单调队列
思路:暴力方法,遍历一遍的过程中每次从窗口中再找到最大的数值,这样很明显是O(n × k)的算法。优化的想法为——一个队列先放进去窗口里的元素,然后随着窗口的移动,队列也一进一出;每次移动之后,队列返回其中的最大值。再分析一下,队列里的元素一定是要排序的,而且要最大值放在出队口,这样每次移动后查看队列出口就知道最大值是多少了。但如果把窗口里的元素都放进队列里,窗口移动的时候,队列需要弹出元素。那么已经排序之后的队列怎么能把窗口要移除的元素(这个元素不一定是最大值)弹出呢?
对于本题而言,队列没有必要维护窗口里的所有元素,只需要维护有可能成为窗口里最大值的元素就可以了,同时保证队列里的元素数值是由大到小的。 那么这个维护元素单调递减的队列就叫做单调队列,即单调递减或单调递增的队列。
设计单调队列的时候,pop 和 push 操作要保持如下规则:
- pop(value):如果窗口移除的元素 value 等于单调队列的出口元素,那么弹出出口处的元素,否则不进行任何操作;
- push(value):如果即将 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。(这一步保证队列单调递减)
保持如上规则,每次窗口移动的时候,只要调用 deque.front() 就可以返回当前窗口的最大值。
class Solution {
public int[] maxSlidingWindow(int[] nums, int k) {
// 剪枝
if (nums.length == 1) {
return nums;
}
// 记录返回数组的长度
int len = nums.length - k + 1;
int[] result = new int[len];
MyQueue deque = new MyQueue();
int order = 0; // 用于向返回数组添加元素
// 先向队列加入初始的 k 个值
for (int i = 0; i < k; i++) {
deque.add(nums[i]);
}
// 将初始的 k 个值中的最大值加入返回数组
result[order++] = deque.peek();
// 模拟窗口的向后移动
for (int i = k; i < nums.length; i++) {
// 移除滑动窗口最前方的元素,是否真的移除由 poll() 函数判断
deque.poll(nums[i - k]);
// 将当前元素加入队列
deque.add(nums[i]);
// 返回当前窗口中的最大值,即队列出口处的元素
result[order++] = deque.peek();
}
return result;
}
}
class MyQueue {
// 自定义数组实现单调队列
Deque<Integer> deque = new LinkedList<>();
// 弹出元素时,比较当前要弹出的数值是否等于队列出口的数值,
// 如果相等且队列不为空,则弹出
void poll(int val) {
if (!deque.isEmpty() && val == deque.peek()) {
deque.poll();
}
}
//添加元素时,如果要添加的元素大于队列入口处的元素,就将入口元素弹出
//以此保证队列元素单调递减
//比如此时队列元素为 3,1,而 2 将要入队,比 1 大,所以 1 弹出,此时队列为 3,2。
void add(int val) {
while (!deque.isEmpty() && val > deque.getLast()) {
deque.removeLast();
}
deque.add(val);
}
// 返回队列出口元素,即窗口内的最大值
int peek() {
return deque.peek();
}
}
时间复杂度:O(n)——容易认为队列在 push元素的过程中还有pop操作,不是纯粹的O(n)。其实观察一下单调队列的实现,nums 中的每个元素最多只会被 push 和 pop 各一次,没有任何多余操作,所以整体的复杂度还是 O(n)。
空间复杂度:O(k)——因为定义了一个辅助队列。
347.前 K 个高频元素
优先级队列(大、小顶堆)
思路:本题的解答主要包含以下三个内容:
- 统计各元素的出现频率;
- 对频率排序;
- 找出前 K 个高频元素;
对第 1 步可以使用 map 来进行统计;
对第 2 步可以使用一种容器适配器——优先级队列,即一个披着队列外衣的堆。因为优先级队列对外接口只有两个:从队头取元素和从队尾添加元素。再无其他取元素的方式,因此看起来就是一个队列。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。本题使用优先级队列来对部分频率进行排序。倘若使用快排,则要将 map 转换为数组,然后对整个数组进行排序。 而对于本题,其实只需要维护 k 个有序的序列就可以了,所以使用优先级队列是最优的。
此外,本题要用小顶堆,因为要统计最大前 k 个元素,只有小顶堆每次将最小的元素弹出,最后小顶堆里积累的才是前 k 个最大元素。
寻找前 k 个最大元素流程如图所示:(图中的频率只有三个,所以正好构成一个大小为3的小顶堆,如果频率更多一些,则用这个小顶堆进行扫描)
简化版代码:
class Solution {
public int[] topKFrequent(int[] nums, int k) {
// 优先级队列,为了避免复杂 api 操作,pq 存储数组
// lambda 表达式设置优先级队列从大到小存储,o1 - o2 为从大到小,o2 - o1 反之
PriorityQueue<int[]> pq = new PriorityQueue<>((o1, o2) -> o1[1] - o2[1]);
int[] res = new int[k]; // 结果集
// 记录元素出现次数
Map<Integer, Integer> map = new HashMap<>();
for(int num : nums) map.put(num, map.getOrDefault(num, 0) + 1);
for(var x : map.entrySet()) { // entrySet 获取 k-v Set 集合
// 将 kv 转化成数组
int[] tmp = new int[2];
tmp[0] = x.getKey();
tmp[1] = x.getValue();
pq.offer(tmp);
if(pq.size() > k) {
pq.poll();
}
}
// 因为小顶堆先弹出的是出现频率最小的,所以倒序输出到结果集
for(int i = k - 1; i >= 0; i--) {
res[i] = pq.poll()[0]; // 获取优先队列里的元素
}
return res;
}
}
时间复杂度:O(nlogk)。
空间复杂度:O(n)。
代码随想录提供的基于大顶堆和小顶堆的 Java 实现:
/*Comparator接口说明:
* 返回负数,形参中第一个参数排在前面;返回正数,形参中第二个参数排在前面
* 对于队列:排在前面意味着往队头靠
* 对于堆(使用PriorityQueue实现):从队头到队尾按从小到大排就是最小堆(小顶堆),
* 从队头到队尾按从大到小排就是最大堆(大顶堆)--->队头元素相当于堆的根节点
* */
class Solution {
//解法1:基于大顶堆实现
public int[] topKFrequent1(int[] nums, int k) {
Map<Integer,Integer> map = new HashMap<>();//key为数组元素值,val为对应出现次数
for(int num:nums){
map.put(num,map.getOrDefault(num,0)+1);
}
//在优先队列中存储二元组(num,cnt),cnt表示元素值num在数组中的出现次数
//出现次数按从队头到队尾的顺序是从大到小排,出现次数最多的在队头(相当于大顶堆)
PriorityQueue<int[]> pq = new PriorityQueue<>((pair1, pair2)->pair2[1]-pair1[1]);
for(Map.Entry<Integer,Integer> entry:map.entrySet()){//大顶堆需要对所有元素进行排序
pq.add(new int[]{entry.getKey(),entry.getValue()});
}
int[] ans = new int[k];
for(int i=0;i<k;i++){//依次从队头弹出k个,就是出现频率前k高的元素
ans[i] = pq.poll()[0];
}
return ans;
}
//解法2:基于小顶堆实现
public int[] topKFrequent2(int[] nums, int k) {
Map<Integer,Integer> map = new HashMap<>();//key为数组元素值,val为对应出现次数
for(int num:nums){
map.put(num,map.getOrDefault(num,0)+1);
}
//在优先队列中存储二元组(num,cnt),cnt表示元素值num在数组中的出现次数
//出现次数按从队头到队尾的顺序是从小到大排,出现次数最低的在队头(相当于小顶堆)
PriorityQueue<int[]> pq = new PriorityQueue<>((pair1,pair2)->pair1[1]-pair2[1]);
for(Map.Entry<Integer,Integer> entry:map.entrySet()){//小顶堆只需要维持k个元素有序
if(pq.size()<k){//小顶堆元素个数小于k个时直接加
pq.add(new int[]{entry.getKey(),entry.getValue()});
}else{
if(entry.getValue()>pq.peek()[1]){//当前元素出现次数大于小顶堆的根结点(这k个元素中出现次数最少的那个)
pq.poll();//弹出队头(小顶堆的根结点),即把堆里出现次数最少的那个删除,留下的就是出现次数多的了
pq.add(new int[]{entry.getKey(),entry.getValue()});
}
}
}
int[] ans = new int[k];
for(int i=k-1;i>=0;i--){//依次弹出小顶堆,先弹出的是堆的根,出现次数少,后面弹出的出现次数多
ans[i] = pq.poll()[0];
}
return ans;
}
}
栈和队列总结
栈和队列的总结:代码随想录—栈与队列总结篇