代码随想录训练营D13-栈与队列篇 p3 | 239. 滑动窗口最大值、 347.前 K 个高频元素、总结
为甚无day12,because day12 is weekend day.
(一) 239. 滑动窗口最大值
(一刷至少需要理解思路)
之前讲的都是栈的应用,这次该是队列的应用了。
本题算比较有难度的,需要自己去构造单调队列,建议先看视频来理解。
1. 思路
1.1 直观思路
暴力解题,数组划到每个窗口时,把每个窗口内也都遍历一遍。时间复杂度:O(mxk),m是数组的长度,k是窗口的长度。
1.2 代码随想录思路
这是使用单调队列的经典题目。
自己维护一个单调队列。这个队列,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。
所以这个队列需要有以下3个方法
void pop(int value) {}
void push(int value) {}
int peek() {
return que.peek();
}
但是没有这样的数据结构,需要我们自己实现。
一个问题:已经排序之后的队列 怎么能把窗口要移除的元素(这个元素可不一定是最大值)弹出呢。
答:其实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。(即元素入队时,若前面元素都没有当前元素大,则将前面元素都弹出,让目前最大的数在队头)
单调队列是指:维护元素单调递减的队列。但并不是说对队列中的元素排序,排序的话就是优先级队列了。
举例说明:对于窗口里的元素{2, 3, 5, 1 ,4},单调队列里只维护{5, 4} 就够了(前面比5小的都出队了),保持单调队列里单调递减,此时队列出口元素就是窗口里最大元素。
所以,若能维护这样一个队列,那front()方法很简单。关键是pop、push。
pop()//由于在入队时,会将当前最大值前面 比它小的都出队,所以如果窗口要移除的元素比当前最大值小(也就是比队头元素小),那么不用操作,因为该元素早就被pop了。若窗口要移除元素就是队头元素,那么队头pop
push()//当前元素比队尾元素大不? 比队尾大就移除队尾元素,直到当前元素比队尾元素小。要保持整体的从大到小排列的顺序,不符合顺序就移除。
2. 代码
class MyQueue{
Deque<Integer> deque = new ArrayDeque<>();
//提供三个方法
//参数是窗口要移除元素。
//如果窗口要移除的元素比当前最大值小(也就是比队头元素小),那么不用操作(因为该元素早就被pop了)
// 若窗口要移除元素==队头元素,那么队头pop
void poll(int value) {
if(!deque.isEmpty() && value == peek() ){
deque.poll();
}
}
//当前元素比队尾元素大不?
//比队尾大就移除队尾元素,直到当前元素比队尾元素小。整体队列要从大到小排列
void add(int value) {
while(!deque.isEmpty() && value > deque.getLast()){
deque.removeLast();
}
deque.add(value);
}
int peek() {
return deque.peek();
}
}
class Solution {
public int[] maxSlidingWindow(int[] nums, int k) {
int[] result = new int[nums.length - k + 1];
MyQueue myQueue = new MyQueue();
for(int i = 0; i < k; ++i){
myQueue.add(nums[i]);
}
int num = 0;//记录结果数组的长度
result[num++] = myQueue.peek();
for(int j = k; j < nums.length; ++j){//j:窗口右侧边边的下标
myQueue.add(nums[j]);
myQueue.poll(nums[j - k]);
result[num++] = myQueue.peek();
}
return result;
}
}
(二) 347.前 K 个高频元素
(一刷至少需要理解思路)
大/小顶堆的应用, 在C++中就是优先级队列
本题是 大数据中取前k值 的经典思路,了解想法之后,不算难。
1. 思路
直观思路:
使用map,key存数值,value存储数值出现的次数。最终对map中的value按从大到小排序,取出前k个key并返回。
那么有必要对所有数据都进行排序吗?无。我们只需维护一个前k个元素的有序列即可。
此时,考虑用大顶堆、小顶堆这样的数据结构。
这里使用小顶堆,只需维护一个大小为k的小顶堆。因为小顶堆是最小的元素在根节点,并且父结点比孩子结点都大。而且小顶堆在更新元素时,是插入一个元素,同时弹出堆顶的元素。
2. 代码
class Solution {
public int[] topKFrequent(int[] nums, int k) {
//将数组元素读入map,key是元素数值,value是出现频率
Map<Integer, Integer> map = new HashMap<>();
for(int n : nums){
map.put(n, map.getOrDefault(n, 0) + 1);
}
//使用优先队列(小顶堆) 维护大小为k的序列
//在优先队列中存储二元组(num,cnt)num:元素值;cnt:出现次数
//按出现次数进行优先级排序
PriorityQueue<int[]> pq = new PriorityQueue<>((arr1, arr2) -> (arr1[1] - arr2[1]));
//遍历map中的键值对
for(Map.Entry<Integer, Integer> entry : map.entrySet()){
//小顶堆元素个数<k时,直接添加
if(pq.size() < k){
pq.add(new int[]{entry.getKey(), entry.getValue()});
}else {
//如果待添加元素比小顶堆 堆顶 的元素出现频率还小,那就不用添加了;
//待添加元素频率 > 堆顶元素出现频率,堆顶元素弹出,再将当前元素key-value加入堆中
if(entry.getValue() > pq.peek()[1]){
pq.poll();
pq.add(new int[]{entry.getKey(), entry.getValue()});
}
}
}
//将堆顶元素遍历到数组中,题中说可以按任意顺序返回
int[] result = new int[k];
while(!pq.isEmpty()){
result[--k] = pq.poll()[0];
}
return result;
}
}
3. 实现过程中的问题
3.1 优先队列
java中的PriorityQueue默认情况下是小顶堆。
大顶堆写法:
1)匿名内部类
A=new PriorityQueue<>(new Comparator<Integer>() {
@Override
public int compare(Integer o1, Integer o2) {
// TODO 自动生成的方法存根
return o2-o1;
}
});
2)lambda表达式
B=new PriorityQueue<>((x,y) -> (y-x));
(三)总结
栈与队列做一个总结吧,加油
https://programmercarl.com/%E6%A0%88%E4%B8%8E%E9%98%9F%E5%88%97%E6%80%BB%E7%BB%93.html
1.栈的经典应用:消消乐
在匹配左右括号时的小技巧,可以在输入左括号时,直接存入右括号。这样到时候与栈顶元素相消时,可以直接用==消掉,而不必再想如何给’(‘与’)'配对。
2.队列:单调队列 与优先队列
2.1 单调队列。是自己实现的一种数据结构,维护的是当前队头是最大的元素,整个队列是从大到小的。但这种顺序不是由排序得到的,而是在入队的时候,把不符合这种顺序的数字提前从队尾处弹出了。
2.2优先队列。底层实现是大顶堆、小顶堆。一般要前k个,后k个之类的题目要想到。优先队列是通过排序实现的。