LeetCode 122. 买卖股票的最佳时机 II | Python

122. 买卖股票的最佳时机 II

---

题目来源：力扣（LeetCode）https://leetcode-cn.com/problems/best-time-to-buy-and-sell-stock-ii/

题目

---

给定一个数组，它的第 i 个元素是一支给定股票第 i 天的价格。

设计一个算法来计算你所能获取的最大利润。你可以尽可能地完成更多的交易（多次买卖一支股票）。

**注意：**你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。

示例 1:

输入: [7,1,5,3,6,4]
输出: 7
解释: 在第 2 天（股票价格 = 1）的时候买入，在第 3 天（股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
     随后，在第 4 天（股票价格 = 3）的时候买入，在第 5 天（股票价格 = 6）的时候卖出, 这笔交易所能获得利润 = 6-3 = 3 。

示例 2:

输入: [1,2,3,4,5]
输出: 4
解释: 在第 1 天（股票价格 = 1）的时候买入，在第 5 天 （股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
     注意你不能在第 1 天和第 2 天接连购买股票，之后再将它们卖出。
     因为这样属于同时参与了多笔交易，你必须在再次购买前出售掉之前的股票。

示例 3:

输入: [7,6,4,3,1]
输出: 0
解释: 在这种情况下, 没有交易完成, 所以最大利润为 0。

提示：

• 1 <= prices.length <= 3 * 10 ^ 4
• 0 <= prices[i] <= 10 ^ 4

实现结果

---

思路：动态规划、贪心算法

这道题是站内股票买卖系列的题目，有兴趣的话，可以尝试相似的题目。额外提一句，题目是事先已知一支股票一段时间的价格走势，并不涉及分析预测。当然更不存在投资建议（摊手）。

现在看本题，这道题给定的数组，其中第 $i$ 个元素表示给定股票第 $i$ 天的价格。

题目要求设计算法计算能够获取的最大利润，这里题目提示尽可能完成更多交易，允许多次买卖一支股票。但是需要注意不能够同时参与多笔交易。

这里看示例 1 的解释，说明下 多次买卖一支股票。假如昨天买入，今天抛售获得利润；此时后续可以继续买入，然后等待抛售获取利润。

而 不能够同时参与多笔交易，这里我们可以看示例 2：

# 示例 2
输入: [1,2,3,4,5]
输出： 4

这里我们可以看到，最后一天的价格最高。但是在这里，不能够在最后一天前都买入这支股票，在最后一天同时抛售，而是必须先将手中的股票抛售后才能继续买入。这就是题目中注意的部分中提到的 不能够同时参与多笔交易。

动态规划

因为 不能够同时参与多笔交易，那么当天交易完成后，手中持有股票只可能是 0 支或者 1 支。这里我们可以使用动态规划的思路来解决。

状态定义

这里，设 $dp[i][0]$ 表示第 $i$ 天交易完成手中不持有股票的最大金额数；

设 $dp[i][1]$ 表示第 $i$ 天交易完成后手中持有一支股票的最大金额数。

状态转移

$dp[i][0]$ 表示第 $i$ 天交易完成手中不持有股票的最大金额数，出现这样的情况可能是：

• 第 $i-1$ 天不持有股票，第 $i$ 天无交易；
• 第 $i-1$ 天持有股票，但是第 $i$ 天将其卖出，获取利润。

那么 $dp[i][0]$ 的转移方程如下：
$$dp[i][0]=max(dp[i-1][0],dp[i-1][1]+prices[i])$$

而 $dp[i][1]$ 表示第 $i$ 天交易完成后手中持有一支股票的最大金额数，同样可能出现的情况如下：

• 第 $i-1$ 天持有股票，第 $i$ 天无交易；
• 第 $i-1$ 天不持有股票，第 $i$ 天买入。

此时 $dp[i][1]$ 的转移方程如下：
$$dp[i][1]=max(dp[i-1][1],dp[i-1][0]-prices[i])$$

状态初始化

第一天中，我们只能不交易（也就是不持有）或者以当天的价格进行买入股票（持有一支股票）。

所以 $dp[0][0]=0，dp[0][1]=-prices[0]$。

现在我们就可以从前往后进行计算，而在题目给定数组限制的时间内，要获得最大利润应该要求的是 $dp[size-1][0]$。

我们知道买入股票需要先垫付金额（买入股票的价格），那么持有股票的 $dp[size-1][1]$ 一定是要小于 $dp[size-1][0]$。所以要获得最大利润，应该求 $dp[size-1][0]$。

具体的代码实现如下。

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        size = len(prices)
        # dp 数组
        dp = [[0, 0] for _ in range(size)]
        # 初始化
        dp[0][0] = 0
        dp[0][1] = -prices[0]
		
        for i in range(1, size):
            # 状态转移
            dp[i][0] = max(dp[i-1][0], dp[i-1][1]+prices[i])
            dp[i][1] = max(dp[i-1][1], dp[i-1][0]-prices[i])
        
        return dp[size-1][0]

动态规划（优化）

在前面的方法中，我们可以发现当天的状态值只与前一天的状态值有关。那么这里可以进行优化，用两个变量来存储前一天的状态值，用以计算后面一天状态值。然后去维护更新这两个变量。

具体的代码实现如下。

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        size = len(prices)
		# 只用了两个变量记录前一天的状态值
        dp0 = 0
        dp1 = -prices[0]

        for i in range(1, size):
            # 这里维护更新两个变量
            # 其中 dp1 需要用到前一天 dp0 的值，但 dp0 会先变化，这里 tmp 先进行暂存
            tmp = dp0
            dp0 = max(dp0, dp1+prices[i])
            dp1 = max(dp1, tmp-prices[i])

        return dp0

贪心算法

这里首先先要说明的是，使用贪心算法计算最大利润，其中 计算的过程并不是真正交易的过程。

假设存在数组情况如下：

[a, b, c, d]
其中 a < b < c < d

现在我们要求 $d-a$ 的值，这里其实等同于：
$$d-a=(b-a)+(c-b)+(d-c)$$
也就是说第一天以 $a$ 的价格买入，在最后一天以 $d$ 的价格卖出，其实等同于存在利润的情况下多次交易得到的利润总和。

所以我们用贪心算法，在存在利润的情况多次进行计算，并不是题目中实际在低点买入，区间存在最大利润时卖出（也就是前面提前说明的部分）。但是这并不妨碍我们获得最终的结果。

这里具体的代码实现如下。

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        size = len(prices)

        ans = 0
        for i in range(1, size):
            # 这里仅在存在利润的情况进行计算累加利润
            # 也就是前后两天股票价格差大于 0 的情况
            ans += max(0, prices[i]-prices[i-1])
        
        return ans

欢迎关注

---

公众号 【书所集录】

---

如有错误，烦请指出，欢迎指点交流。