面试题63:二叉搜索树的第k个结点
给定一棵二叉搜索树,请找出其中的第k小的结点。例如, (5,3,7,2,4,6,8)中,按结点数值大小顺序第三小结点的值为4。
题目梳理
取中序遍历结果的第k个元素即为所求。
# Definition for a binary tree node.
# class TreeNode(object):
# def __init__(self, x):
# self.val = x
# self.left = None
# self.right = None
class Solution(object):
def kthSmallest(self, root, k):
"""
:type root: TreeNode
:type k: int
:rtype: int
"""
if not root or not k:
return
# 中序遍历结果即有序列表
inord = []
stack = []
node = root
while len(inord)<k and (stack or node):
while node:
stack.append(node)
node = node.left
node = stack.pop()
inord.append(node.val)
node = node.right
return inord[k-1]
面试题64:数据流中的中位数
如何得到一个数据流中的中位数?如果从数据流中读出奇数个数值,那么中位数就是所有数值排序之后位于中间的数值。如果从数据流中读出偶数个数值,那么中位数就是所有数值排序之后中间两个数的平均值。我们使用Insert()方法读取数据流,使用GetMedian()方法获取当前读取数据的中位数。
题目梳理
方法一:二分插入
添加数字的时候,插入到合适的位置。
class MedianFinder(object):
def __init__(self):
"""
initialize your data structure here.
"""
self.nums = []
def addNum(self, num):
"""
:type num: int
:rtype: None
"""
# 使用二分查找的方式,找到合适的插入点,使nums是一个有序列表
if self.nums == []:
self.nums.append(num)
else:
start = 0
end = len(self.nums)
while start <= end:
mid = (start+end)//2
if num <= self.nums[mid]:
if mid>0 and num>self.nums[mid-1] or mid == 0:
self.nums.insert(mid,num)
break
else:
end = mid-1
else:
if mid<len(self.nums)-1 and num<self.nums[mid+1] or mid == end-1:
self.nums.insert(mid+1,num)
break
else:
start = mid+1
def findMedian(self):
"""
:rtype: float
"""
if self.nums == []:
return
length = len(self.nums)
mid = length // 2
# 数组长度为奇数
if length & 0x1 == 1:
return self.nums[mid]
else:
return (self.nums[mid - 1] + self.nums[mid]) / float(2)
# Your MedianFinder object will be instantiated and called as such:
# obj = MedianFinder()
# obj.addNum(num)
# param_2 = obj.findMedian()
方法二:使用最大、最小堆
- 将流中的数据分为相同数量的两部分,也就是两个堆,一个堆中的数据全都小于另外一个堆,
- 小一点的堆里作为最大堆,大一点的堆作为最小堆,这样这两个堆顶元素就与所求的中位数相关。
- 当目前两堆总数为偶数的时候,把数字存入最大堆,然后重排最大堆,此时两堆数字总数为奇数
- 如果最大堆的堆顶数字大于最小堆堆顶数字,则把两个堆顶数字交换,重排两堆,
- 直接输出最大堆堆顶数字即为中位数;
- 如果当前两堆总数为奇数的时候,把数字存入最小堆,重排最小堆, 此时两堆数字总数为偶数
- 如果最大堆的堆顶数字大于最小堆堆顶数字,则把两个堆顶数字交换,重排两堆,
- 取两堆堆顶数字做平均即为中位数。
超出时间限制:
class MedianFinder(object):
def __init__(self):
"""
initialize your data structure here.
"""
self.left = []
self.right = []
self.count = 0
def max_heapify(self, nums, index):
# 针对第i个数字进行最大堆调整
left = 2*index+1
right = 2*index+2
# 找出三者中最大的元素索引
if left < len(nums) and nums[index] < nums[left]:
largest = left
else:
largest = index
if right < len(nums) and nums[largest] < nums[right]:
largest = right
# 如果需要调整,则交换数组数值
if index != largest:
nums[largest], nums[index] = nums[index], nums[largest]
# 递归调用本方法,进行堆最大化
self.max_heapify(nums, largest)
# 使以 i 为根的子树成为最小堆
def min_heapify(self, nums, index):
# 针对第i个数字进行最小堆调整
left = 2*index+1
right = 2*index+2
length = len(nums)
# 找出三者中最小的元素索引
if left < length and nums[index] > nums[left]:
smallest = left
else:
smallest = index
if right < length and nums[smallest] > nums[right]:
smallest = right
# 如果需要调整,则交换数组数值
if index != smallest:
nums[smallest], nums[index] = nums[index], nums[smallest]
# 递归调用本方法,进行堆最小化
self.min_heapify(nums, smallest)
def build_max_heap(self, nums):
size = len(nums)
# 输入异常情况
if nums is None or size<=0:
return
if size == 1:
return nums
for i in range(size-1, -1, -1):
self.max_heapify(nums, i)
def build_min_heap(self, nums):
size = len(nums)
# 输入异常情况
if nums is None or size<=0:
return
if size == 1:
return nums
for i in range(size-1, -1, -1):
self.min_heapify(nums, i)
def addNum(self, num):
"""
:type num: int
:rtype: None
"""
# 保证两个堆的数据量尽可能相同
# 数组长度为偶数
if self.count & 0x1 == 0:
self.left.append(num)
else:
self.right.append(num)
self.count += 1
def findMedian(self):
"""
:rtype: float
"""
# 定义数组长度
if self.count == 1:
return self.left[0]
# 最大最小堆调整
self.build_max_heap(self.left)
self.build_min_heap(self.right)
# 使left中保存的元素较小,按照最大堆的原理排序。堆顶大,底下的元素小。
if self.left[0] > self.right[0]:
self.left[0], self.right[0] = self.right[0], self.left[0]
# 交换堆顶元素之后,继续调整,
# 注意:此处只需要对堆顶元素开始的位置重新调整
self.max_heapify(self.left, 0)
self.min_heapify(self.right, 0)
# 数组长度为奇数
if self.count & 0x1 == 1:
return self.left[0]
else:
return (self.left[0]+self.right[0])/2.0
# Your MedianFinder object will be instantiated and called as such:
# obj = MedianFinder()
# obj.addNum(num)
# param_2 = obj.findMedian()
- 使用大小堆来解决问题,其中大堆保存右半段较大的数字,小堆保存左半段较小的数组。
- 这样整个数组就被中间分为两段了,由于堆的保存方式是由大到小,我们希望大堆里面的数据是从小到大,这样取第一个来计算中位数方便。
- 小技巧,就是存到大堆里的数先取反再存,这样由大到小存下来的顺序就是实际上我们想要的从小到大的顺序。
- 当大堆和小堆中的数字一样多时,我们取出大堆小堆的首元素求平均值,当小堆元素多时,取小堆首元素为中位数。
面试题65:滑动窗口的最大值
给定一个数组和滑动窗口的大小,找出所有滑动窗口里数值的最大值。例如,如果输入数组{2,3,4,2,6,2,5,1}及滑动窗口的大小3,那么一共存在6个滑动窗口,他们的最大值分别为{4,4,6,6,6,5}; 针对数组{2,3,4,2,6,2,5,1}的滑动窗口有以下6个: {[2,3,4],2,6,2,5,1}, {2,[3,4,2],6,2,5,1}, {2,3,[4,2,6],2,5,1}, {2,3,4,[2,6,2],5,1}, {2,3,4,2,[6,2,5],1}, {2,3,4,2,6,[2,5,1]}。
思路梳理
假设当前窗口起始位置为start,结束位置为end,我们要构造一个stack, 使得stack[0]为区间[start,end]的最大值。
- stack中保存的数据格式:(数字,索引值)
- 遍历数组的同时更新stack:
- 首先将栈顶的、比当前元素小的数字对儿弹出;
- 将当前元素压入栈顶;
- 索引是否在窗口之外,将窗口外的栈底元素弹出;
- 最后剩下的栈底元素即当前窗口的最大元素。
class Solution(object):
def maxSlidingWindow(self, nums, k):
"""
:type nums: List[int]
:type k: int
:rtype: List[int]
"""
# 使用栈保存当前窗口中的最大值
if not nums or not k:
return
stack = []
ret = []
for pos in range(len(nums)):
# 将栈顶较小元素弹出
while stack and stack[-1][0]<nums[pos]:
stack.pop()
stack.append((nums[pos], pos))
# 如果是在窗口外的元素
if pos >= k-1:
# 将窗口外的元素弹出,最后剩下的栈底元素即当前窗口的最大元素
while stack and stack[0][1] <= pos-k:
stack.pop(0)
ret.append(stack[0][0])
return ret