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 ) O(k) 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 n n 的数组 nums 而言,窗口的数量为 n − k + 1 n-k+1 n−k+1,因此该算法的时间复杂度为 O ( ( n − k + 1 ) k ) = O ( n k ) O((n-k+1)k)=O(nk) 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 i i 和 j j j,其中 i i i 在 j j j 的左侧( i < j i < j i<j),并且 i i i 对应的元素不大于 j j j 对应的元素( n u m s [ i ] ≤ n u m s [ j ] nums[i]≤nums[j] nums[i]≤nums[j]), 当滑动窗口向右移动时,只要 i i i 还在窗口中,那么 j j j一定也还在窗口中, 这是 i i i 在 j j j 的左侧所保证的。 由于 n u m s [ j ] nums[j] nums[j] 的存在, n u m s [ i ] nums[i] 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)。