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。
时间复杂度分析:n 为数组的长度。我们首先遍历原数组,并使用哈希表记录出现次数,每个元素需要 O(1) 的时间,共需O(n) 的时间。随后,我们遍历「出现次数数组」,由于堆的大小至多为k,因此每次堆操作需要O(logk) 的时间,共需O(nlogk) 的时间。二者之和为O(nlogk)。
空间复杂度分析:哈希表的大小为O(n),而堆的大小为O(k),共计为O(n)。