内容简介:优先队列,对比队列而已,顾名思义,就是正常入,按优先级出。可以按小到大,也可以按大到小,或者自定义一个属性,按属性的特征进行出队列。Heap常见的有小顶堆和大顶堆。小顶堆图上演示的是用二叉堆实现的,优先级越小的越排在前面,父亲节点的值比左孩子和右孩子都要小,有兴趣的可以自己实现一个小顶堆。
优先队列,对比队列而已,顾名思义,就是正常入,按优先级出。可以按小到大,也可以按大到小,或者自定义一个属性,按属性的特征进行出队列。
2. 实现机制
2.1 Heap 堆
Heap常见的有小顶堆和大顶堆。
小顶堆图上演示的是用二叉堆实现的,优先级越小的越排在前面,父亲节点的值比左孩子和右孩子都要小,有兴趣的可以自己实现一个小顶堆。
同理大顶堆类似,父亲节点的值比左右孩子的值都要大。
堆的实现其实还有很多种,给大家分享一个链接,Google Heap就能查找的到。 en.wikipedia.org/wiki/Heap_(…
这个内容里面有一张图给大家分享一下
各种堆的实现方式和时间复杂度,有兴趣的可以深入了解一下,刚才上面图片演示的就是Binary实现方式。
2.2 Binary Search Tree二叉搜索树
二叉搜索树,也叫二叉查找树,后面章节会详细介绍。简单介绍一个特性:
- 若任意节点的左⼦树不空,则左⼦树上所有结点的值均⼩于它的 根结点的值;
- 若任意节点的右⼦树不空,则右⼦树上所有结点的值均⼤于它的 根结点的值;
- 任意节点的左、右⼦树也分别为⼆叉搜索树。
简单的说二叉搜索树的值有序的,左孩子的值<父亲节点<右孩子的值,按照树的中序遍历,则是一个按小到大的顺序。
3. 面试题
3.1 703. Kth Largest Element in a Stream 返回数据流中K大的元素
题目要求
Design a class to find the kth largest element in a stream. 设计一个找到数据流中第K大元素的类(class) 复制代码
Example:
int k = 3; int[] arr = [4,5,8,2]; KthLargest kthLargest = new KthLargest(3, arr); kthLargest.add(3); // returns 4 kthLargest.add(5); // returns 5 kthLargest.add(10); // returns 5 kthLargest.add(9); // returns 8 kthLargest.add(4); // returns 8 复制代码
解题思路
假设K=1的话,其实就是从数据流中的最大值,问题就比较简单了,即每次记录最大值即可,比如例子中的[4,5,8,2],那只要每次和记录的Max比较即可。 同理,如果是求第K个最大的元素,有2种解法:
- 第一种: 用一个array保留前K个最大的元素,并将其排序。即每次来一个元素,则与这个array中最小的值比较,如果元素的值比最小的值大,则将array中最小的元素pop掉,将当前元素插入array,并再次排序。 时间复杂度是 N * klogk,klogk是 排序 的时间复杂度(算最快的快排)。
- 第二种: 第一种的话还是有点慢,第二种则采用今天的主题优先队列来实现,每次维护一个小顶堆MinHeap即可。MinHeap的size是k,每次来元素与堆顶的元素比较,比堆顶元素小,则继续往下走,比堆顶元素大,则剔除堆顶元素,将当前元素插入MinHeap,并重新调整堆的顺序。时间复杂度,N * (1 or log2K),最差是每次都需要调整堆,调整堆的时间复杂度是Log2K。如果不需要调整,则是O(1)。
代码实现
代码实现以第二种方式。
import heapq class KthLargest(object): def __init__(self, k, nums): """ :type k: int :type nums: List[int] """ self.k = k self.min_heap = [] for i in nums: self.add(i) def add(self, val): """ :type val: int :rtype: int """ if len(self.min_heap) < self.k: heapq.heappush(self.min_heap, val) else: if val > self.min_heap[0]: heapq.heappop(self.min_heap) heapq.heappush(self.min_heap, val) return self.min_heap[0] 复制代码
这里用了 python 内置实现小顶堆的模块heapq,如果是别的语言,应该也有对应的内部实现堆的函数。heappush就是往堆里面插入元素,函数会再次调整好顺序,heappop就是讲堆顶元素pop。代码实现思路与上面文字描述一致。
3.2 239. Sliding Window Maximum 返回窗口的最大值
题目要求给定一个数组 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。 返回滑动窗口最大值。
Example:
Input: nums = [1,3,-1,-3,5,3,6,7], and k = 3 Output: [3,3,5,5,6,7] Explanation: Window position Max --------------- ----- [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 复制代码
解题思路此题也有两种解法。
- 第一种解法: 采用大顶端实现,维护一个size=k的MaxHeap,同时再维护一个Count的Map,记录每一个值得位置。比如开始[1,3,-1],则堆顶是3,返回最大值是3,如果再来一个-3,比3小,堆顶依然是3,但是最初的1需要从堆中去掉,将-3加入进来。所以需要维护这个堆,删除旧元素,加入新元素,同时结果就是堆顶。代码会待会给大家演示。时间复杂度是 NlogK 。
- 第二种: 第一种还是比较复杂的,还可以简化,题目的特点是每次需要维护的窗口是一定的,即size=k,那么可以使用上一篇讲的Queue实现,但是有点区别是这里需要使用双端队列deque,即两边都可以进和出。怎么实现了? 将k个元素依次加入到deque里,同时每次一个新元素进来的话进行队列的维护。 重点就在维护的逻辑,首先保证deque的长度不能大于k, 同时最左边的元素永远是最大的元素。 比如[1,3,-1],那么deque维护之后就变成[3, -1],因为1比3小,还比3老,那肯定不会是我们要找的元素,结果就是3。再加一个-3,deque就变成[3,-1,-3],因为-3比3小,所以加到最新的位置即可,结果还是3。再来一个5,首先将旧元素-3剔除,变成[-1,-3,5],如果比较这三个元素,发现-1,-3都比5小,则全部再次剔除变成[5],所以结果是5。 文字描述举例输出结果就是[3,3,5]
代码实现
- 第一种解法: MaxHeap实现
import collections import heapq class Solution(object): def maxSlidingWindow(self, nums, k): """ :type nums: List[int] :type k: int :rtype: List[int] """ count_map, max_heap, result = collections.Counter(), [], [] for i, num in enumerate(nums): heapq.heappush(max_heap, -num) count_map[num] += 1 # 记录每个元素的count while not count_map[-max_heap[0]]: # 清除堆顶的旧元素 heapq.heappop(max_heap) if i >= k - 1: result.append(-max_heap[0]) count_map[nums[i - k + 1]] -= 1 # 将位置在k之前的元素count变为0 return result 复制代码
大顶端还是使用heapq实现,CountMap使用python内部实现的Counter(),里面就是一个Map,key是num,value是count。需要说明的是,heapq默认是小顶堆,如果需要实现大顶端,需要小技巧,就是将num变负数,比如[1,2,3],默认情况下是堆顶是1,但是变负数-num,[-1,-2,-3],则就变成堆顶是-3,从而实现了MaxHeap。 还有一个注意的是,这里没有每次去不是堆顶的且count=0的旧元素,而是等它变成堆顶的情况,如果发现是少于size=k之前的元素,则清除。这样比较好实现一点,可能理解上稍微变难了点。
- 第二种解法: deque双端队列 (推荐解法)
class Solution(object): """ deque实现 """ def maxSlidingWindow(self, nums, k): """ :type nums: List[int] :type k: int :rtype: List[int] """ if not nums: return [] result, window = [], [] for i, num in enumerate(nums): if i >= k and window[0] <= i - k: window.pop(0) # 从队列最左边清除旧元素 while window and nums[window[-1]] <= num: window.pop() # 从队列右边清除比当前元素小的元素 window.append(i) if i >= k - 1: result.append(nums[window[0]]) return result 复制代码
第二种解法采用双端队列,循环枚举nums,window是记录nums元素的下标,而不是值,如果发现window最左边的元素下标超过i-k,则元素过时,需要从队列的最左边将元素剔除。如果发现window最右边的元素比当前元素小,则也全部剔除,当前元素肯定比这些元素小的要更新,将当前元素插入window即可,同时取window最左边的值为结果,因为最左边的值永远最大。
完整代码已上传github github.com/CrystalSkyZ…
更多算法文章请关注小专栏 xiaozhuanlan.com/leetcode_tc
更多精彩文章请关注公众号 天澄的技术笔记 (ChengTian_Tech)
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
区块链核心算法解析
【瑞士】Roger Wattenhofer(罗格.瓦唐霍费尔) / 陈晋川、薛云志、林强、祝庆 / 电子工业出版社 / 2017-8 / 59.00
《区块链核心算法解析》介绍了构建容错的分布式系统所需的基础技术,以及一系列允许容错的协议和算法,并且讨论一些实现了这些技术的实际系统。 《区块链核心算法解析》中的主要概念将独立成章。每一章都以一个小故事开始,从而引出该章节的内容。算法、协议和定义都将以形式化的方式描述,以便于读者理解如何实现。部分结论会在定理中予以证明,这样读者就可以明白为什么这些概念或算法是正确的,并且理解它们可以确保实现......一起来看看 《区块链核心算法解析》 这本书的介绍吧!