欢迎来到小林的博客!!
️博客主页:✈️林 子
️博客专栏:✈️ 小林的算法笔记
️社区 :✈️ 进步学堂
️欢迎关注:点赞收藏✍️留言
题目链接:703. 数据流中的第 K 大元素
题目描述:
设计一个找到数据流中第 k
大元素的类(class)。注意是排序后的第 k
大元素,不是第 k
个不同的元素。
请实现 KthLargest
类:
KthLargest(int k, int[] nums)
使用整数 k
和整数流 nums
初始化对象。int add(int val)
将 val
插入数据流 nums
后,返回当前数据流中第 k
大的元素。示例:
输入:
["KthLargest", "add", "add", "add", "add", "add"]
[[3, [4, 5, 8, 2]], [3], [5], [10], [9], [4]]
输出:
[null, 4, 5, 5, 8, 8]
解释:
KthLargest kthLargest = new KthLargest(3, [4, 5, 8, 2]);
kthLargest.add(3); // return 4
kthLargest.add(5); // return 5
kthLargest.add(10); // return 5
kthLargest.add(9); // return 8
kthLargest.add(4); // return 8
提示:
1 <= k <= 104
0 <= nums.length <= 104
-104 <= nums[i] <= 104
-104 <= val <= 104
add
方法 104
次k
大元素时,数组中至少有 k
个元素解题思路: 这一题是典型的topK问题,第K大我们可以建小堆。第K小我们可以建大堆。为什么要这样呢?因为建小堆的话,我们的堆顶就是最小的。我Top一个后,新的堆顶就是倒数第二小的。当我们的堆只有的元素只有K个的时候。那么堆顶的元素就是 nums.size - k小的。反过来就是第K大的。nums这里指的是整个数组。
假设整个数组的大小为 7 , k 为6。 那么当堆的大小为6时,堆顶的元素就是 nums.size - 1(nums.size - heap.size)。也就是第6大的数。所以,TOPK问题找第K大建小堆,找第K小建大堆,我们要反着来。虽然正着来也可以解决单纯的topK问题,但是这一题是有add操作的,如果正着来。那么前面pop掉最大的数据就丢失了。而最小的数据却没有关系,因为小堆存的是最大的K个数。堆顶是最大K个数中最小的一个。
所以这一题我们可以建一个小堆。然后把nums所有的数push进去,最后再把堆pop到K的大小。而每次add就push一次,再pop一次,即可维持堆的大小为K。
代码:
class KthLargest {
public:
priority_queue<int,vector<int>,greater<int>> _min_heap;
int _k;
KthLargest(int k, vector<int>& nums) {
_k = k ;
for(auto& n : nums)
_min_heap.push(n);
while(_min_heap.size() > k) _min_heap.pop();
}
int add(int val) {
_min_heap.push(val);
if(_min_heap.size() > _k) _min_heap.pop();
return _min_heap.top();
}
};
运行结果:
题目链接: 692. 前K个高频单词
题目描述:
给定一个单词列表 words
和一个整数 k
,返回前 k
个出现次数最多的单词。
返回的答案应该按单词出现频率由高到低排序。如果不同的单词有相同出现频率, 按字典顺序 排序。
示例 1:
输入: words = ["i", "love", "leetcode", "i", "love", "coding"], k = 2
输出: ["i", "love"]
解析: "i" 和 "love" 为出现次数最多的两个单词,均为2次。
注意,按字母顺序 "i" 在 "love" 之前。
示例 2:
输入: ["the", "day", "is", "sunny", "the", "the", "the", "sunny", "is", "is"], k = 4
输出: ["the", "is", "sunny", "day"]
解析: "the", "is", "sunny" 和 "day" 是出现次数最多的四个单词,
出现次数依次为 4, 3, 2 和 1 次。
注意:
1 <= words.length <= 500
1 <= words[i] <= 10
words[i]
由小写英文字母组成。k
的取值范围是 [1, **不同** words[i] 的数量]
**进阶:**尝试以 O(n log k)
时间复杂度和 O(n)
空间复杂度解决。
解题思路:
首先这一题有2个关键点,第一点是按频次比较。第二点是频次相同时,按字母序排序。所以这里我们要一个哈希表来统治所有字符串出现的次数。然后再把哈希表的这一对key,value值入堆,而堆的大小也和上题一样设置为K个。因为频次取前K个,所以我们对频次用小根堆排。但是频次相同的字符串又要按字母序排,所以对字母序排序我们又要用大堆。
比如第一个用例。我们用堆排好序是这样的。频次用小根堆排,而频次相同,我们则按大根堆对string排。
而因为我们的K为2,所以堆的大小只能是2。最后变成这样。
而此时我TOP得到的是字母序较大的值,所以我们在把堆的值填入返回的string数组时需要倒着填,因为小的要放在前面。
要实现这种排序,我们需要自己写一个cmp函数,作为priority_queue的第三个模板参数。
代码:
class Solution {
typedef pair<string,int> PSI;
//排序的仿函数
struct cmp
{
bool operator()(const PSI& a ,const PSI& b)
{
if(a.second == b.second)
{
//频次相同,用大根堆排
return a.first < b.first; //小的放下面
}
return a.second > b.second; //小根堆排,大的放下面
}
};
public:
vector<string> topKFrequent(vector<string>& words, int k) {
unordered_map<string,int> map;
//1.统计所有字符出现次数
for(auto& word : words) map[word]++;
//2.将哈希表所有元素入堆
priority_queue<PSI,vector<PSI>,cmp> heap;
for(auto& it : map) heap.push({it.first,it.second});
//堆的大小只能为k
while(heap.size() > k) heap.pop();
//将堆的元素逆序放到ret数组中
vector<string> ret(k);
for(int i = k - 1; i >= 0 ; i--)
{
//将堆顶字符串放在数组的尾部,逆序放
ret[i] = heap.top().first;
heap.pop();
}
return ret;
}
};
运行结果:
题目链接:[295. 数据流的中位数
题目描述:
中位数是有序整数列表中的中间值。如果列表的大小是偶数,则没有中间值,中位数是两个中间值的平均值。
arr = [2,3,4]
的中位数是 3
。arr = [2,3]
的中位数是 (2 + 3) / 2 = 2.5
。实现 MedianFinder 类:
MedianFinder()
初始化 MedianFinder
对象。void addNum(int num)
将数据流中的整数 num
添加到数据结构中。double findMedian()
返回到目前为止所有元素的中位数。与实际答案相差 10-5
以内的答案将被接受。示例 1:
输入
["MedianFinder", "addNum", "addNum", "findMedian", "addNum", "findMedian"]
[[], [1], [2], [], [3], []]
输出
[null, null, null, 1.5, null, 2.0]
解释
MedianFinder medianFinder = new MedianFinder();
medianFinder.addNum(1); // arr = [1]
medianFinder.addNum(2); // arr = [1, 2]
medianFinder.findMedian(); // 返回 1.5 ((1 + 2) / 2)
medianFinder.addNum(3); // arr[1, 2, 3]
medianFinder.findMedian(); // return 2.0
提示:
-105 <= num <= 105
findMedian
之前,数据结构中至少有一个元素5 * 104
次调用 addNum
和 findMedian
解题思路:
题目是找中位数,那么我们可以用2个堆。一个大堆,一个小端。大于中位数的值放小堆里面,小于等于中位数的值放大堆里面。我们只需要保证两个堆的大小相等,或者大堆的大小比小堆大1。每当一次add操作时,我们先判断两个堆大小是否相等。如果相等,则说明要往大堆push数据,那么我们先把num放进小堆,再取小堆的堆顶放入大堆,这样大堆的长度就+1了。如果不相等,说明大堆的大小比小堆大1,那么我们要往小堆push数据,所以我们先把num放进大堆,再取大堆的堆顶放入小堆。
代码:
class MedianFinder {
public:
priority_queue<int,vector<int>,greater<int>> _less_heap;//小堆
priority_queue<int,vector<int>,less<int>> _greater_heap;//大堆
MedianFinder() {
}
void addNum(int num) {
if(_greater_heap.size() == 0)
{
//第一次插入,直接入大堆
_greater_heap.push(num);
return;
}
//其他次插入,判断俩个堆的大小
if(_greater_heap.size() == _less_heap.size())
{
//两个堆的大小相等,则放进大堆,不过需要先把num放进小堆,取小堆的堆顶放入大堆
_less_heap.push(num);
int top = _less_heap.top();
_less_heap.pop();
_greater_heap.push(top);
}else
{
//两个堆大小不相等,则说明大堆多一个,把num放进大堆,取大堆的堆顶放入小堆,俩个堆的大小则平衡
_greater_heap.push(num);
int top = _greater_heap.top();
_greater_heap.pop();
_less_heap.push(top);
}
}
double findMedian() {
//如果俩个堆大小相等,返回堆顶和 /2 ,反之返回大堆堆顶
if(_less_heap.size() == _greater_heap.size())
return (_less_heap.top() + _greater_heap.top()) / 2.0;
return _greater_heap.top();
}
};
运行结果: