150. 逆波兰表达式求值
- 适合用栈操作运算:遇到数字则入栈;遇到算符则取出栈顶两个数字进行计算,并将结果压入栈中
std::stoi, std::stol, std::stoll的区别和用法
int stoi ( const std::string& str,
std::size_t* pos = nullptr, int base = 10 );
long stol ( const std::string& str,
std::size_t* pos = nullptr, int base = 10 );
long long stoll( const std::string& str,
std::size_t* pos = nullptr, int base = 10 );
参数
str | - | 要转换的字符串 |
pos | - | 存储已处理字符数的整数的地址 |
base | - | 数的底 |
返回值
对应 str 内容的整数值。
异常
- 无法进行转换时会抛出 std::invalid_argument。
- 转换值会落在结果类型的范围外,或底层函数(即 std::strtol 或 std::strtoll)将 errno 设置为 ERANGE 时会抛出 std::out_of_range。
本人AC版
class Solution {
public:
int evalRPN(vector<string>& tokens) {
stack<long long> stk;
for (int i = 0; i < tokens.size(); i++) {
try {
auto num = stoll(tokens[i]);
if (num >= -200 && num <= 200) {
stk.push(num);
continue;
}
} catch (...) {
// (...)能捕获到任何类型的异常
if (!stk.empty() && tokens[i] == "+") {
long long temp1 = stk.top();
stk.pop();
long long temp2 = stk.top();
stk.pop();
stk.push(temp2 + temp1);
} else if (!stk.empty() && tokens[i] == "-") {
long long temp1 = stk.top();
stk.pop();
long long temp2 = stk.top();
stk.pop();
stk.push(temp2 - temp1);
} else if (!stk.empty() && tokens[i] == "*") {
long long temp1 = stk.top();
stk.pop();
long long temp2 = stk.top();
stk.pop();
stk.push(temp2 * temp1);
} else if (!stk.empty() && tokens[i] == "/") {
long long temp1 = stk.top();
stk.pop();
long long temp2 = stk.top();
stk.pop();
stk.push(temp2 / temp1);
}
}
}
int res = stk.top();
return res;
}
};
注:自己第一次写的时候不太清楚stoll的用法,没有处理异常,导致迟迟没有AC。因为stoll调用的时候如果参数不是数字会抛出异常,所有要将这个异常try catch掉。(非常感谢当时解答的大佬鱼哥)
优雅简洁版
public:
int evalRPN(vector<string>& tokens) {
// 力扣修改了后台测试数据,需要用longlong
stack<long long> st;
for (int i = 0; i < tokens.size(); i++) {
if (tokens[i] == "+" || tokens[i] == "-" || tokens[i] == "*" || tokens[i] == "/") {
long long num1 = st.top();
st.pop();
long long num2 = st.top();
st.pop();
if (tokens[i] == "+") st.push(num2 + num1);
if (tokens[i] == "-") st.push(num2 - num1);
if (tokens[i] == "*") st.push(num2 * num1);
if (tokens[i] == "/") st.push(num2 / num1);
} else {
st.push(stoll(tokens[i]));
}
}
int result = st.top();
st.pop(); // 把栈里最后一个元素弹出(其实不弹出也没事)
return result;
}
};
239. 滑动窗口最大值
单调队列
思路:自定义一个单调队列,que.pop(滑动窗口中移除元素的数值),que.push(滑动窗口添加元素的数值),然后que.front()就返回我们要的最大值。在队列中,如果有更大的元素进队列,则前面的元素全部出队。
pop:如果窗口移除的元素value等于单调队列的出口元素,那么队列弹出元素,否则不用任何操作
push:如果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
class Solution {
private:
class MyQueue { //单调队列(从大到小)
public:
deque<int> que; // 使用deque来实现单调队列
// 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。
//因为当前的队列出口元素是当前窗口的最大值,如果要弹出的值与当前队列出口元素相等,必须弹出,因为要遍历到下一个窗口时最大值是会更新的
// 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();
}
que.push_back(value);
}
// 查询当前队列里的最大值 直接返回队列前端也就是front就可以了。
int front() {
return que.front();
}
};
public:
vector<int> maxSlidingWindow(vector<int>& nums, int k) {
MyQueue que;
vector<int> result;
for (int i = 0; i < k; i++) { // 先将前k的元素放进队列
que.push(nums[i]);
}
result.push_back(que.front()); // result 记录前k的元素的最大值
for (int i = k; i < nums.size(); i++) {
que.pop(nums[i - k]); // 滑动窗口移除最前面元素,该操作不会每次都执行,因为在push的过程中有时会直接把较小值pop掉
que.push(nums[i]); // 滑动窗口前加入最后面的元素
result.push_back(que.front()); // 记录对应的最大值
}
return result;
}
};
multiset作为单调队列
多重集合(multiset
) 用以有序地存储元素的容器。允许存在相等的元素。
在遍历原数组的时候,只需要把窗口的头元素加入到multiset中,然后把窗口的尾元素删除即可。因为multiset是有序的,并且提供了*rbegin(),可以直接获取窗口最大值。
class Solution {
public:
vector<int> maxSlidingWindow(vector<int>& nums, int k) {
multiset<int> st;
vector<int> ans;
for (int i = 0; i < nums.size(); i++) {
if (i >= k) st.erase(st.find(nums[i - k]));
st.insert(nums[i]);
if (i >= k - 1) ans.push_back(*st.rbegin());
}
return ans;
}
};
优先队列+下标
将数组 nums 的前 k 个元素放入优先队列中。每当我们向右移动窗口时,我们就可以把一个新的元素放入优先队列中,此时堆顶的元素就是堆中所有元素的最大值。然而这个最大值可能并不在滑动窗口中,在这种情况下,这个值在数组 nums 中的位置出现在滑动窗口左边界的左侧。
我们不断地移除堆顶的元素,直到其确实出现在滑动窗口中。此时,堆顶元素就是滑动窗口中的最大值。为了方便判断堆顶元素与滑动窗口的位置关系,我们可以在优先队列中存储二元组 (num,index),表示元素 num 在数组中的下标为 index。
class Solution {
public:
vector<int> maxSlidingWindow(vector<int>& nums, int k) {
int n = nums.size();
priority_queue<pair<int, int>> q;
for (int i = 0; i < k; ++i) {
//emplace 原地构造一个元素并插入队列
q.emplace(nums[i], i);
}
vector<int> ans = {q.top().first};
for (int i = k; i < n; ++i) {
q.emplace(nums[i], i);
//如果堆顶元素不在滑动窗口内,则不断地pop,直至在窗口内,此时才是当前窗口的最大值
while (q.top().second <= i - k) {
q.pop();
}
ans.push_back(q.top().first);
}
return ans;
}
};
347. 前 K 个高频元素
std::priority_queue的定义
template<
class T,
class Container = std::vector<T>,
class Compare = std::less<typename Container::value_type>
> class priority_queue;
模板形参
T | - | 存储元素的类型。T 与 Container::value_type 不是同一类型时非良构。 |
Container | - | 用于存储元素的底层容器类型。容器必须满足序列容器 (SequenceContainer) 的要求,并且它的迭代器必须满足老式随机访问迭代器 (LegacyRandomAccessIterator) 的要求。另外,它必须提供拥有通常语义的下列函数:
标准容器 std::vector(包括 std::vector<bool>)和 std::deque 满足这些要求。 |
Compare | - | 提供严格弱序的比较 (Compare) 类型。 注意比较 (Compare) 形参的定义,使得它的第一实参在弱序中 先于 它的第二实参时返回 true。但因为优先级队列首先输出最大元素,所以“先来”的元素实际上会在最后输出。即队列头含有按照比较 (Compare) 所施加弱序的“最后”元素。 |
priority_queue 默认使用的仿函数是 less,所以默认建成的堆是大堆;如果我们想要建小堆,则需要指定仿函数为 greater
仿函数是一个类,但是该类必须重载函数调用运算符 ( ),即 operator()(参数);由于这样的类的对象可以像函数一样去使用,所以我们将其称为仿函数/函数对象(下面的小顶堆写法会涉及到)
哈希表+大顶堆
map集合中存放<key, value>,key存放数组中的元素,value存放元素出现的次数。然后将键值对存放到优先队列中,输出前k个队头元素。
class Solution {
public:
vector<int> topKFrequent(vector<int>& nums, int k) {
unordered_map<int, int> mp;
priority_queue<pair<int, int>> pq;
vector<int> res;
for(int num : nums) {
mp[num]++;
}
for(auto it = mp.begin(); it != mp.end(); it++) {
//此时次数在前,元素在后
pq.push(pair<int, int>(it->second, it->first));
}
while(k--) {
//因为之前次数和元素的顺序交换了,而最后结果为元素,所有是second
res.push_back(pq.top().second);
pq.pop();
}
return res;
}
};
小顶堆
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。
class Solution {
public:
// 小顶堆
class mycomparison {
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) {
// 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,扫面所有频率的数值
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;
pri_que.pop();
}
return result;
}
};
两种写法的区别
大顶堆需要把全部元素入堆,调整的时间复杂度就是O(logn),但如果是建立小顶堆的话,树高始终为K(只有当前元素大于堆顶才要入堆),调整的时间复杂度为O(logK)