最大栈
设计要求:
我们仔细思考一下 push 和 pop 方法,难点如下:
1、每次 pop 时,必须要知道频率最高的元素是什么。
2、如果频率最高的元素有多个,还得知道哪个是最近 push 进来的元素是哪个。
做法:
为了实现上述难点,我们要做到以下几点:
1、肯定要有一个变量 maxFreq 记录当前栈中最高的频率是多少。
2、我们得知道一个频率 freq 对应的元素有哪些,且这些元素要有时间顺序。
3、随着 pop 的调用,每个 val 对应的频率会变化,所以还得维持一个映射记录每个 val 对应的 freq。
综上,我们可以先实现 FreqStack 所需的数据结构:
class FreqStack {
// 记录 FreqStack 中元素的最大频率
int maxFreq = 0;
// 记录 FreqStack 中每个 val 对应的出现频率,后文就称为 VF 表
HashMap<Integer, Integer> valToFreq = new HashMap<>();
// 记录频率 freq 对应的 val 列表,后文就称为 FV 表
HashMap<Integer, Stack<Integer>> freqToVals = new HashMap<>();
// 在栈中加入一个元素 val
public void push(int val) {}
// 从栈中删除并返回出现频率最高的元素
// 如果频率最高的元素不止一个,
// 则返回最近添加的那个元素
public int pop() {}
}
push():
public void push(int val) {
// 修改 VF 表:val 对应的 freq 加一
int freq = valToFreq.getOrDefault(val, 0) + 1;
valToFreq.put(val, freq);
// 修改 FV 表:在 freq 对应的列表加上 val
freqToVals.putIfAbsent(freq, new Stack<>());
freqToVals.get(freq).push(val);
// 更新 maxFreq
maxFreq = Math.max(maxFreq, freq);
}
pop():
public int pop() {
// 修改 FV 表:pop 出一个 maxFreq 对应的元素 v
Stack<Integer> vals = freqToVals.get(maxFreq);
int v = vals.pop();
// 修改 VF 表:v 对应的 freq 减一
int freq = valToFreq.get(v) - 1;
valToFreq.put(v, freq);
// 更新 maxFreq
if (vals.isEmpty()) {
// 如果 maxFreq 对应的元素空了
maxFreq--;
}
return v;
}
求中位数
解法思路:
中位数是有序数组最中间的元素算出来的对吧,我们可以把「有序数组」抽象成一个倒三角形,宽度可以视为元素的大小,那么这个倒三角的中部就是计算中位数的元素对吧:
然后我把这个大的倒三角形从正中间切成两半,变成一个小倒三角和一个梯形,这个小倒三角形相当于一个从小到大的有序数组,这个梯形相当于一个从大到小的有序数组。
中位数就可以通过小倒三角和梯形顶部的元素算出来对吧?嗯,你联想到什么了没有?它们能不能用优先级队列表示?小倒三角不就是个大顶堆嘛,梯形不就是个小顶堆嘛,中位数可以通过它们的堆顶元素算出来。
梯形虽然是小顶堆,但其中的元素是较大的,我们称其为large,倒三角虽然是大顶堆,但是其中元素较小,我们称其为small。
当然,这两个堆需要算法逻辑正确维护,才能保证堆顶元素是可以算出正确的中位数,我们很容易看出来,两个堆中的元素之差不能超过 1。
因为我们要求中位数嘛,假设元素总数是n,如果n是偶数,我们希望两个堆的元素个数是一样的,这样把两个堆的堆顶元素拿出来求个平均数就是中位数;如果n是奇数,那么我们希望两个堆的元素个数分别是n/2 + 1和n/2,这样元素多的那个堆的堆顶元素就是中位数。
1.根据这个逻辑,我们可以直接写出findMedian函数的代码:
2.不仅要维护large和small的元素个数之差不超过 1,还要维护large堆的堆顶元素要大于等于small堆的堆顶元素,可以写出addNum()方法。
class MedianFinder {
private PriorityQueue<Integer> small;
private PriorityQueue<Integer> large;
/** initialize your data structure here. */
public MedianFinder() {
// 小顶堆
large = new PriorityQueue<>();
// 大顶堆
small = new PriorityQueue<>((a, b) -> {
return b - a;
});
}
// 维护了两个顶堆之间的差距为1
// 维护large堆的堆顶元素大于等于small堆的堆顶元素
public void addNum(int num) {
if(small.size() <= large.size()){
large.offer(num);
small.offer(large.poll());
}else{
small.offer(num);
large.offer(small.poll());
}
}
public double findMedian() {
// 如果元素不一样多,多的那个堆的堆顶元素就是中位数
if (large.size() < small.size()) {
return small.peek();
} else if (large.size() > small.size()) {
return large.peek();
}
// 如果元素一样多,两个堆堆顶元素的平均数是中位数
return (large.peek() + small.peek()) / 2.0;
}
}