239 滑动窗口最大值
自己写
思路：此题分为两种情况，
- k == length：直接求最大数
- k < length ：用for循环继续遍历判断对第 k + 1个以及之后元素取最大值
但此方法时间复杂度O(n * k2)较大，对大量数据Timeout
public int[] maxSlidingWindow(int[] nums, int k) {
int[] result = new int[nums.length - k + 1];
// 长度等于k的
if (nums.length == k) {
int max = nums[0];
for (int i = 1; i < nums.length; i++) {
max = Math.max(max, nums[i]);
}
result[0] = max;
}
// 长度大于k的
else {
Queue<Integer> queue = new LinkedList<>();
// k个元素先进队列
for (int i = 0; i < k; i++) {
queue.add(nums[i]);
int max = -Integer.MAX_VALUE - 1;
for (Integer num : queue) {
max = Math.max(max, num);
}
result[0] = max;
}
// 判断大小,并将max插入到result数组
for (int i = k; i <= nums.length - 1; i++) {
// 出队进队
queue.poll();
queue.add(nums[i]);
// 选最大的
int max = -Integer.MAX_VALUE - 1;
for (Integer num : queue) {
max = Math.max(max, num);
}
result[i - k + 1] = max;
}
}
return result;
}
看答案：
对队列进行优化
- 出队：遍历数组s后面的元素，只有出队元素是最大值时才出队
- 进队：在出口处把小于进队元素的出队，再进队
- 获取最大值（也是获取出队口第一个值）：由于实现了单调数组，因此第一个数则为最大值
优点：去掉了不必维护的数，节省了时间复杂度 O(n)
class MyQueue{
Deque<Integer> deque = new LinkedList<>();
/**
* 出队
* @param val
*/
void poll(int val){
// 判空以及判断弹出值是否为最大值,相等则弹出
if (!deque.isEmpty() && val == deque.peek()){
deque.poll();
}
}
/**
* 入队
* @param val
*/
void add(int val){
// 判空且如果入口处元素比入队元素小则弹出 - 保证队列元素单调递减(小的元素不需要维护)
// 注意:此时不是严格的队列,是一个在出口和入口都能插入删除的特殊队列
while (!deque.isEmpty() && val > deque.getLast()){
deque.removeLast();
}
// 移除完后加入
deque.add(val);
}
/**
* 获取最大元素
* @return
*/
int getMaxValue(){
// 实际上就是取队列第一个元素
return deque.peek();
}
}
class Solution {
public int[] maxSlidingWindow(int[] nums, int k) {
// 方法2 :自定义数组
if (nums.length == 1){
return nums;
}
// 初始化值以及队列
int[] result = new int[nums.length - k + 1];
int count = 0;
MyQueue myQueue = new MyQueue();
for (int i = 0; i < k; i++) {
myQueue.add(nums[i]);
}
result[count++] = myQueue.getMaxValue();
for (int i = k; i < nums.length; i++) {
// 出队 - 数组最后元素
myQueue.poll(nums[i - k]);
// 入队 - 数组第k + 1个元素
myQueue.add(nums[i]);
// 获取最大值
result[count++] = myQueue.getMaxValue();
}
return result;
}
347 前 K 个高频元素
自己写：
思路：将nums每个元素放入HashMap，然后对map里的value降序排序,并将key取出来,取前k个元素放在res数组
局限性：缺点:sorted()方法本身受限**,只能进行全部排序**.而大小顶堆可以只维护前面k个元素(具体不太清楚,二刷要回头看)
public int[] topKFrequent(int[] nums, int k) {
HashMap<Integer, Integer> hm = new HashMap<>();
// 将nums每个元素放入HashMap
for (int num : nums) {
hm.put(num, hm.getOrDefault(num,0) + 1);
}
int[] res = new int[k];
int count = 0;
// 对map里的value降序排序,并将key取出来,取前k个元素放在res数组
// 缺点:sorted本身方法受限,只能进行全部排序.大小顶堆可以只维护前面k个元素(具体不太清楚,二刷要回头看)
int[] ints = hm.entrySet().stream().sorted(new Comparator<Map.Entry<Integer, Integer>>() {
@Override
public int compare(Map.Entry<Integer, Integer> o1, Map.Entry<Integer, Integer> o2) {
System.out.println("o1.getValue():" + o1.getValue());
System.out.println("o2.getValue():" + o2.getValue());
return o2.getValue() - o1.getValue();
}
}).mapToInt(x -> x.getKey()).toArray();
for (int i = 0; i < k; i++) {
res[i] = ints[i];
}
return res;
}
看答案：
使用了小顶堆，优化性能 - 排序不需要全部排序 只需要排序前k个元素
二刷理解
// 方法2: 优化性能 - 排序不需要全部排序 只需要排序前k个元素
Map<Integer,Integer> map = new HashMap<>();//key为数组元素值,val为对应出现次数
for(int num:nums){
map.put(num,map.getOrDefault(num,0)+1);
}
//在优先队列中存储二元组(num,cnt),cnt表示元素值num在数组中的出现次数
//出现次数按从队头到队尾的顺序是从小到大排,出现次数最低的在队头(相当于小顶堆)
PriorityQueue<int[]> pq = new PriorityQueue<>((pair1,pair2)->pair1[1]-pair2[1]);
for(Map.Entry<Integer,Integer> entry:map.entrySet()){//小顶堆只需要维持k个元素有序
if(pq.size()<k){//小顶堆元素个数小于k个时直接加
pq.add(new int[]{entry.getKey(),entry.getValue()});
}else{
if(entry.getValue()>pq.peek()[1]){//当前元素出现次数大于小顶堆的根结点(这k个元素中出现次数最少的那个)
pq.poll();//弹出队头(小顶堆的根结点),即把堆里出现次数最少的那个删除,留下的就是出现次数多的了
pq.add(new int[]{entry.getKey(),entry.getValue()});
}
}
}
int[] ans = new int[k];
for(int i=k-1;i>=0;i--){//依次弹出小顶堆,先弹出的是堆的根,出现次数少,后面弹出的出现次数多
ans[i] = pq.poll()[0];
}
return ans;
栈与队列总结
栈与队列的理论基础
可以出一道面试题：栈里面的元素在内存中是连续分布的么？ 这个问题有两个陷阱：
- 陷阱1：栈是容器适配器，底层容器使用不同的容器，导致栈内数据在内存中是不是连续分布。
- 陷阱2：缺省情况下，默认底层容器是deque，那么deque的在内存中的数据分布是什么样的呢？ 答案是：不连续的，下文也会提到deque。
在 用栈与队列：栈实现队列 和 栈与队列：队列实现栈 中，值得一提的是，用栈与队列：队列实现栈 中，其实只用一个队列就够了。 一个队列在模拟栈弹出元素的时候只要将队列头部的元素（除了最后一个元素外） 重新添加到队列尾部，此时在去弹出元素就是栈的顺序了。
栈经典题目
括号匹配问题
在栈与队列：系统中处处都是栈的应用中我们讲解了括号匹配问题。
括号匹配是使用栈解决的经典问题。
先来分析一下 这里有三种不匹配的情况，
- 第一种情况，字符串里左方向的括号多余了 ，所以不匹配。
- 第二种情况，括号没有多余，但是 括号的类型没有匹配上。
- 第三种情况，字符串里右方向的括号多余了，所以不匹配。
这里还有一些技巧，在匹配左括号的时候，右括号先入栈，就只需要比较当前元素和栈顶相不相等就可以了，比左括号先入栈代码实现要简单的多了！
字符串去重问题
在1047. 删除字符串中的所有相邻重复项中讲解了字符串去重问题，特别像对对碰游戏，入栈时元素相同 -> 删除 思路就是可以把字符串顺序放到一个栈中，然后如果相同的话 栈就弹出，这样最后栈里剩下的元素都是相邻不相同的元素了
逆波兰表达式问题
在150. 逆波兰表达式求值中讲解了求逆波兰表达式。本题中每一个子表达式要得出一个结果，然后拿这个结果再进行运算，要注意的是减法和除法两个数位置问题。和1047. 删除字符串中的所有相邻重复项非常相似
队列经典题目
滑动窗口最大值问题（单调队列）
在239. 滑动窗口最大值中讲解了一种数据结构：单调队列。（与暴力解法对比，优化了维护问题，比push进的元素还要小的元素出栈）
主要思想是队列没有必要维护窗口里的所有元素，只需要维护有可能成为窗口里最大值的元素就可以了，同时保证队列里的元素数值是由大到小的。 那么这个维护元素单调递减的队列就叫做单调队列，即单调递减或单调递增的队列。 然而没有现成的数据结构，需要自己构造
设计单调队列的时候，pop，和push操作要保持如下规则：
- pop(value)：当出队元素（value == max）为最大值时，才出队。
- push(value)：将入口处比value小的元素出队，再进队
保持如上规则，每次窗口移动的时候，只要问que.front()就可以返回当前窗口的最大值。
单调队列不是一成不变的，而是不同场景不同写法，总之要保证队列里单调递减或递增的原则，所以叫做单调队列。 不要以为本地中的单调队列实现就是固定的写法。 我们用deque作为单调队列的底层数据结构，deque是可以两边扩展的，而且deque里元素并不是严格的连续分布的。
求前 K 个高频元素（优先级队列）
在347.前 K 个高频元素中讲解了求前 K 个高频元素。通过求前 K 个高频元素，引出另一种队列就是优先级队列。
什么是优先级队列呢？
其实就是一个披着队列外衣的堆，因为优先级队列对外接口只是从队头取元素，从队尾添加元素，再无其他取元素的方式，看起来就是一个队列。 而且优先级队列内部元素是自动依照元素的权值排列。那么它是如何有序排列的呢？ 利用max-heap（大顶堆）完成对元素的排序（具体看链接）
此部分需要二刷理解，大顶堆小顶堆
什么是堆呢？ 堆是一棵完全二叉树，树中每个结点的值都不小于（或不大于）其左右孩子的值。 如果父亲结点是大于等于左右孩子就是大顶堆，小于等于左右孩子就是小顶堆。 所以大家经常说的大顶堆（堆头是最大元素），小顶堆（堆头是最小元素），如果懒得自己实现的话，就直接用PriorityQueue（优先级队列）就可以了，底层实现都是一样的，从小到大排就是小顶堆，从大到小排就是大顶堆。 本题就要使用优先级队列来对部分频率进行排序。 注意这里是对部分数据进行排序而不需要对所有数据排序！ 所以排序的过程的时间复杂度是O(\log k)，整个算法的时间复杂度是O(n\log k)。
总结
在栈与队列系列中，我们强调栈与队列的基础，也是很多同学容易忽视的点。 使用抽象程度越高的语言，越容易忽视其底层实现。 我们用栈实现队列，用队列实现栈来掌握的栈与队列的基本操作。 接着，通过括号匹配问题、字符串去重问题、逆波兰表达式问题来系统讲解了栈在系统中的应用以及使用技巧。 通过求滑动窗口最大值，以及前K个高频元素介绍了两种队列：单调队列和优先级队列，这是特殊场景解决问题的利器，是一定要掌握的。
学习资料：
