栈与队列：leetcode 239.滑动窗口最大值、347.前K个高频元素

最新推荐文章于 2024-08-15 05:02:54 发布

clementines_

最新推荐文章于 2024-08-15 05:02:54 发布

阅读量113

点赞数

文章标签： leetcode 算法数据结构 Powered by 金山文档

本文链接：https://blog.csdn.net/qq_52097561/article/details/128767393

版权

leetcode 239.滑动窗口最大值

leetcode 347.前K个高频元素

代码随想录算法公开课

leetcode 239.滑动窗口最大值

代码实现

class Solution {
private:
    class MyQueue{
    public:
        deque<int> que;
        void pop(int value){
            if(!que.empty() && que.front() == value)
                que.pop_front();
        }
        void push(int value){
            while(!que.empty() && que.back() < value)
                que.pop_back();
            que.push_back(value);
        }
        int max(){
            return que.front();
        }
    };

public:
    vector<int> maxSlidingWindow(vector<int>& nums, int k) {
        MyQueue que;
        vector<int> result;
        for(int i = 0; i < k; i++){
            que.push(nums[i]);
        }
        result.push_back(que.max());
        for(int i = k; i < nums.size(); i++){
            que.pop(nums[i-k]);
            que.push(nums[i]);
            result.push_back(que.max());
        }
        return result;
    }
};

时间复杂度O(n)

空间复杂度O(k)

细节处理

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。

如果使用大顶堆（优先级队列）来存放这个窗口里的k个数字，这样就可以知道最大的最大值是多少了，但是问题是这个窗口是移动的，而大顶堆每次只能弹出最大值，我们无法移除其他数值，这样就造成大顶堆维护的不是滑动窗口里面的数值了。所以不能用大顶堆。

此时我们需要一个队列，这个队列呢，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，队列告诉我们里面的最大值是什么。但是C++中没有现成的数据结构，所以需要我们自己去实现。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。这里实现的单调队列不是对窗口里面的数进行排序，如果是排序的话，那和优先级队列就没有区别了。

在滑动窗口中找最大值，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。拿[ 1, 3, 2, 1, 1, 2 ]举例，假设滑动窗口的大小为3，其初始位置为[ 1, 3, 2 ]，由于此时的最大值是3，所以这里面的1就没有必要维护了，之后的最大值可以不会取到1，而2还有必要维护，因为后面有[ 2, 1, 1 ]的滑动窗口，此时2成为最大值。所以对于单调队列，我们需要使用双向队列deque，因为需要同时对队列的出口和入口进行操作。我们将原整数数组中的元素从左到右push进去，保持单调队列中的元素从出口到入口单调递减，每加入一个元素就将其与前面所有元素做比较，将其前方小于它的元素全部pop出deque。每需要弹出一个元素就只需考虑其与队列出口处元素是否相等即可。这样我们就维护了一个单调队列。

时间复杂度分析：n是数组nums的长度。每一个下标恰好被放入队列一次，并且最多被弹出队列一次，因此时间复杂度为O(n)。

空间复杂度分析：「不断从队首弹出元素」保证了队列中最多不会有超过k+1个元素，因此队列使用的空间为O(k)。

leetcode 347.前K个高频元素

代码实现

class Solution {
public:
    class mycomparsion{
    public:
        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) {
        unordered_map<int, int> map;
        for(int i = 0; i < nums.size(); i++){
            map[nums[i]]++;
        }
        priority_queue<pair<int, int>, vector<pair<int, int>>, mycomparsion> pri_que;
        for(unordered_map<int, int>::iterator it = map.begin(); it != map.end(); it++){
            pri_que.push(*it);
            if(pri_que.size() > k){
                pri_que.pop();
            }
        }
        vector<int> result(k);
        for(int i = k - 1; i >= 0; i--){
            result[i] = pri_que.top().first;
            pri_que.pop();
        }
        return result;
    }
};

时间复杂度O(nlogk)

空间复杂度O(n)

细节处理

这道题目主要涉及到如下三块内容：要统计元素出现频率；对频率排序；找出前K个高频元素。

首先统计元素出现的频率，这一类的问题可以使用map来进行统计，其键值对为<元素，其出现的次数>。

然后是对频率进行排序，这里我们可以使用一种容器适配器就是优先级队列。优先级队列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）。

什么是堆呢？

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。

本题我们就要使用优先级队列来对部分频率进行排序。

为什么不用快排呢，使用快排要将map转换为vector的结构，然后对整个数组进行排序，而这种场景下，我们其实只需要维护k个有序的序列就可以了，所以使用优先级队列是最优的。快排的时间复杂度是O(nlogn)，而优先级队列的时间复杂度为O(nlogk)，在k值较小时对性能的优化十分明显。

那么这里是使用小顶堆还是大顶堆呢？因为我们要维护的是前k个最大的数列，如果使用大顶堆，在每次移动更新大顶堆的时候，每次弹出都把最大的元素弹出去了，就无法保留下来前K个高频元素。所以我们要用小顶堆，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。

我们在写快排的cmp函数的时候，return left>right 就是从大到小，return left<right 就是从小到大。但是这里左大于右就会建立小顶堆，反之就会建立大顶堆，优先级队列的定义正好反过来了，可能和优先级队列的源码实现有关，可能是底层实现上优先队列队首指向后面，队尾指向最前面的缘故。