【力扣hot100】刷题笔记Day22

前言

• 局势紧迫起来了呀，同学们都开始找实习了，赶紧刷完hot100开找了

215. 数组中的第K个最大元素 - 力扣（LeetCode）

• 最小堆：O(nlogk)

  • class Solution:
        def findKthLargest(self, nums: List[int], k: int) -> int:
            minheap = []  # 优先队列（最小堆），push和pop为O(logk)
            for num in nums:
                heapq.heappush(minheap, num)  # 放入k个数，此时堆顶为最小值
                if len(minheap) > k:          # 超过k个数就pop掉最小值
                    heapq.heappop(minheap)    # 剩下的就是前k大数
            return minheap[0]   # 堆顶就是第k大数
    

•  快速排序：O(n)

  • # 快排模板
    def quick_sort(arr):
        if len(arr) <= 1:   # 递归结束
            return arr
        else:
            pivot = arr[0]  # 选择基准值
            less = [x for x in arr[1:] if x <= pivot]     # 小的放左边
            greater = [x for x in arr[1:] if x > pivot]   # 大的放右边
            return quick_sort(less) + [pivot] + quick_sort(greater)  # 重新组合
     
     
    class Solution:
        def findKthLargest(self, nums: List[int], k: int) -> int:
            def quick_sort(nums, k):
                pivot = random.choice(nums)  # 随机选择基准数防止退化成O(n2)
                big, equal, small = [], [], []  # 大于、等于、小于 pivot 的元素
                for num in nums:
                    if num > pivot:
                        big.append(num)
                    elif num < pivot:
                        small.append(num)
                    else:
                        equal.append(num)
                # 第k大元素在big里
                if k <= len(big):   
                    return quick_sort(big, k)  # 递归进big里找
                # 第k大元素在small里
                elif k > len(nums) - len(small):  
                    return quick_sort(small, k - len(nums) + len(small))  # 递归进small里找
                # 第k大元素在equal里，直接返回pivot
                return pivot
            
            return quick_sort(nums, k) 
    

 347. 前 K 个高频元素 - 力扣（LeetCode）

• 参考郁郁雨学姐的题解

• 计数器：O(nlogn)

  • # 补充Counter用法，用于统计可哈希对象（比如列表、元组等）中每个元素的出现次数
    import collections
    nums = [1, 2, 3, 1, 2, 1]
    count = collections.Counter(nums)
    # 访问元素的计数
    print(count[1])  # 输出元素 1 出现的次数
    # 返回出现频率最高的元素及其出现次数
    most_common_elements = count.most_common(2)  # 频率最高的前两个元素及其次数
    print(most_common_elements)
    # 更新 Counter 对象
    count.update([1, 2, 3])  # 更新计数器以包括新元素
    # 删除元素或重置元素计数
    del count[1]  # 删除元素 1 的计数
    count.clear()  # 清空计数器
     
    class Solution:
        def topKFrequent(self, nums: List[int], k: int) -> List[int]:
            count = collections.Counter(nums)
            return [item[0] for item in count.most_common(k)]
    

•  最小堆：O(nlogk)

  • class Solution:
        def topKFrequent(self, nums: List[int], k: int) -> List[int]:
            mp = {}  # 统计频率
            for num in nums:
                mp[num] = mp.get(num, 0) + 1
            minheap = []
            for num, freq in mp.items():
                heapq.heappush(minheap, (freq, num))  # 按照频率排序
                if len(minheap) > k:          # 大于k就弹出最小值
                    heapq.heappop(minheap)  # 最后剩下频率前k
            return [item[1] for item in minheap]  # 返回频率前k的num
    

• 快速排序：O(n)

  • 快速排序算法还是不太熟，找了个讲Python排序的视频学学

  • class Solution:
        def topKFrequent(self, nums: List[int], k: int) -> List[int]:
            mp = {}  # 统计频率
            for num in nums:
                mp[num] = mp.get(num, 0) + 1
            # mp = collections.Counter(nums)
            num_cnt = list(mp.items())
            topKs = self.findTopK(num_cnt, k, 0, len(num_cnt)-1)
            return [item[0] for item in topKs]
        
        def findTopK(self, num, k, l, r):
            if l >= r: return num[:k]      # 递归到0/1个元素，说明已完成前k排序
            pivot = random.randint(l ,r)   # 随机选择基准值下标
            num[pivot], num[l] = num[l], num[pivot]  # 把基准数换到最左边
            pivot = l  # 更新基准值下标
            swap_i = pivot + 1  # 用于交换较小值
            for i in range(l + 1, r + 1):
                if num[i][1] > num[pivot][1]:  # 把大于基准数的放左边（和快排相反）
                    num[i], num[swap_i] = num[swap_i], num[i]
                    swap_i += 1
            num[swap_i-1], num[pivot] = num[pivot], num[swap_i-1]  # 把基准值放中间
            pivot = swap_i - 1  # 此时基准值在中间
            if k == pivot:   # 左边正好是前k大数
                return num[:k]
            elif k > pivot:  # 左边不足前k大数，去右边找
                return self.findTopK(num, k, pivot + 1, r)
            else:             # 左边超过前k大数，去左边找
                return self.findTopK(num, k, l, pivot - 1)
    

 295. 数据流的中位数 - 力扣（LeetCode）

• 最小堆 + 最大堆

  • 参考K神题解

  • from heapq import *
    class MedianFinder:
        def __init__(self):
            self.A = []   # 小顶堆，保存较大的一半
            self.B = []   # 大顶堆，保存较小的一半
     
        def addNum(self, num: int) -> None:
            if len(self.A) != len(self.B):  # m > n，奇数，补充B
                heappush(self.A, num)
                heappush(self.B, -heappop(self.A))  # 淘汰下的最小值放到B里
            else:                           # m = n，偶数，补充A
                heappush(self.B, -num)      
                heappush(self.A, -heappop(self.B))  # 淘汰下的最大值放到A里
     
        def findMedian(self) -> float:
            if len(self.A) != len(self.B):  # m > n，奇数
                return self.A[0]
            else:                           # m = n，偶数
                return (self.A[0] - self.B[0]) / 2.0
    

后言

• 学快排学了好久，脑子要炸掉了，另外想注册Claude发现接不了码注册不了了，可恶，浪费我学习时间，呸！