Leetcode 239.滑动窗口最大值

1.题目描述

给你一个整数数组 nums，有一个大小为 k 的滑动窗口从数组的最左侧移动到数组的最右侧。你只可以看到在滑动窗口内的 k 个数字。滑动窗口每次只向右移动一位。

返回 滑动窗口中的最大值 。

输入：nums = [1,3,-1,-3,5,3,6,7], k = 3
输出：[3,3,5,5,6,7]
解释：
滑动窗口的位置 最大值

[1 3 -1] -3 5 3 6 7 3
1 [3 -1 -3] 5 3 6 7 3
1 3 [-1 -3 5] 3 6 7 5
1 3 -1 [-3 5 3] 6 7 5
1 3 -1 -3 [5 3 6] 7 6
1 3 -1 -3 5 [3 6 7] 7

输入：nums = [1], k = 1
输出：[1]

提示：

• 1 <= nums.length <= 105
• -104 <= nums[i] <= 104
• 1 <= k <= nums.length

2.思路分析

  对于每个滑动窗口，我们可以使用 $O(k)$ 的时间遍历其中的每一个元素，找出其中的最大值。对于长度为 $n$ 的数组 nums 而言，窗口的数量为 $n-k+1$，因此该算法的时间复杂度为 $O((n-k+1)k)=O(nk)$，会超出时间限制，因此我们需要进行一些优化。

2.1 优先队列

  对于「最大值」，可以想到一种非常合适的数据结构，那就是优先队列（堆），其中的大根堆可以帮助我们实时维护一系列元素中的最大值。

  初始时，我们将数组 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，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。 此时可以将其永久从优先队列中移除。

  我们不断地移除堆顶的元素，直到其出现在滑动窗口中。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，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。

2.2 单调队列

  如果当前的滑动窗口中有两个下标 $i$ 和 $j$，其中 $i$ 在 $j$ 的左侧（$i<j$），并且 $i$ 对应的元素不大于 $j$ 对应的元素($nums[i]\le nums[j]$), 当滑动窗口向右移动时，只要 $i$ 还在窗口中，那么 $j$一定也还在窗口中， 这是 $i$ 在 $j$ 的左侧所保证的。 由于 $nums[j]$ 的存在，$nums[i]$ 一定不会是滑动窗口中的最大值了，我们可以将 nums[i] 永久地移除。

  定义一个队列(存储所有还没有被移除的下标), 下标按照从小到大的顺序存储, 并且 它们在数组 nums中对应的值是严格单调递减的。 (单调队列:队首下标的元素是滑动窗口的最大值)当滑动窗口向右移动时，我们需要把一个新的元素放入队列中。为了保持队列的性质，我们会不断地将新的元素与队尾的元素相比较，如果前者大于等于后者，那么队尾的元素就可以被永久地移除，我们将其弹出队列。我们需要不断地进行此项操作，直到队列为空或者新的元素小于队尾的元素。 此时的最大值可能在滑动窗口左边界的左侧，并且随着窗口向右移动，它永远不可能出现在滑动窗口中了。因此我们还需要不断从队首弹出元素，直到队首元素在窗口中为止。 为了可以同时弹出队首和队尾的元素，我们需要使用双端队列。

3.代码实现

3.1 优先队列

class Solution:
    def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:
        n = len(nums)
        # 注意 Python 默认的优先队列是小根堆
        q = [(-nums[i], i) for i in range(k)]
        heapq.heapify(q)
		# 堆顶元素
        ans = [-q[0][0]]
        for i in range(k, n):
            # heapq.heappush(heap, item)将 item 的值加入 heap 中，保持堆的不变性。
            heapq.heappush(q, (-nums[i], i))
            while q[0][1] <= i - k:
                #heapq.heappop(heap) 弹出并返回 heap 的最小的元素，保持堆的不变性。
                heapq.heappop(q)
            ans.append(-q[0][0])
        
        return ans

复杂度分析

• 时间复杂度：O(nlogn)，其中 n 是数组 nums 的长度。在最坏情况下，数组 nums 中的元素单调递增，那么最终优先队列中包含了所有元素，没有元素被移除。由于将一个元素放入优先队列的时间复杂度为 O(logn)，因此总时间复杂度为 O(nlogn)。
• 空间复杂度O(n)，即为优先队列需要使用的空间。这里所有的空间复杂度分析都不考虑返回的答案需要的 O(n) 空间，只计算额外的空间使用。

3.2 单调队列

class Solution:
    def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:
        n = len(nums)
        if not nums or n < 2:
            return nums
        from collections import deque
        q = deque()
        for i in range(k):
            while q and nums[i] >= nums[q[-1]]:
                q.pop()
            q.append(i)

        ans = [nums[q[0]]]
        # 遍历数组
        for i in range(k, n):
            while q and nums[i] >= nums[q[-1]]:
                q.pop()
            q.append(i)
            # 如果队首的元素不在滑动窗口内,不断弹出队首元素直至队首元素在窗口内
            while q[0] <= i - k:
                q.popleft()
            ans.append(nums[q[0]])
        
        return ans

复杂度分析

• 时间复杂度：O(n)，其中 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：O(k)。与方法一不同的是，在方法二中我们使用的数据结构是双向的，因此「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)。