给定一个 n x n 矩阵,其中每行和每列元素均按升序排序,找到矩阵中第 k 小的元素。
请注意,它是排序后的第 k 小元素,而不是第 k 个不同的元素。
示例:
matrix = [
[ 1, 5, 9],
[10, 11, 13],
[12, 13, 15]
],
k = 8,
返回 13。
提示:
你可以假设 k 的值永远是有效的,1 ≤ k ≤ n2 。
最直接的做法是将这个二维数组另存为一维数组,并对该一维数组进行排序,最后返回这各一维数组中的第k个元素即为答案。
def kthSmallest(self, matrix: List[List[int]], k: int) -> int:
rec = sorted(sum(matrix, []))
return rec[k - 1]
时间复杂度:O(n2logn),对 n2 个数排序。
空间复杂度:O(n2),一维数组需要存储这 n2 个数。
由题目给出的性质可知,这个矩阵内的元素是从左上到右下递增的,由此可知整个二维数组中 matrix[0][0] 为最小值,matrix[n−1][n−1] 为最大值,现在我们将其分别记作 l 和 r。
可以发现一个性质:任取一个数 mid 满足 l ≤ mid ≤ r,那么矩阵中不大于 mid 的数,肯定全部分布在矩阵的左上角。
矩阵中大于 mid 的数就和不大于 mid 的数分别形成了两个板块,沿着一条锯齿线将这个矩形分开,其中左上角板块的大小即为矩阵中不大于 mid 的数的数量。
定义一种走法:
我们只要沿着这条锯齿线走一遍即可计算出这两个板块的大小,也自然就统计出了这个矩阵中不大于 mid 的数的个数了。
我们发现这样的走法时间复杂度为 O(n),即我们可以线性计算对于任意一个 mid,矩阵中有多少数不小于它。这满足了二分答案的性质。
不妨假设答案为 x,那么可以知道 l ≤ x ≤ r,这样就确定了二分答案的上下界。
每次对于「猜测」的答案 mid,计算矩阵中有多少数不大于 mid :
这样我们就可以计算出最终的结果 x 了。
def kthSmallest_binarySearch(self, matrix: List[List[int]], k: int) -> int:
def check(middle):
i, j, num = length - 1, 0, 0
while i >= 0 and j < length:
if matrix[i][j] <= middle:
num += i + 1
j += 1
else:
i -= 1
return num >= k
length, left, right = len(matrix), matrix[0][0], matrix[-1][-1]
while left < right:
mid = (left + right) // 2
if check(mid):
right = mid
else:
left = mid + 1
return left
时间复杂度:O(nlog(r−l)),二分查找进行次数为 O(log(r−l)),每次操作时间复杂度为 O(n)。
空间复杂度:O(1)。