数组中出现次数超过一半的数字(简单难度)

简介: 数组中出现次数超过一半的数字(简单难度)

题目概述(简单难度)

数组中有一个数字出现的次数超过数组长度的一半,请找出这个数字。

你可以假设数组是非空的,并且给定的数组总是存在多数元素。

示例 1:

输入: [1, 2, 3, 2, 2, 2, 5, 4, 2]
输出: 2

附上leetcode链接:

点击此处进入链接


思路与代码

思路展现

思路1(排序法)

排序法的思想其实非常简单,一个数组中出现次数最多的数字经过排序后,这个数组最中间的数字一定是这个出现次数最多的数字.

其实很容易证明,假设排序之后数组的中间值不是最多的元素,那么这个最多的元素要么是在数组前半部分,要么是在数组的后半部分,无论在哪,他的长度都不可能超过数组长度的一半。


代码示例

  public int majorityElement(int[] nums) {
        Arrays.sort(nums);
        return nums[nums.length / 2];
    }

时间复杂度:O(nlogn)。将数组排序的时间复杂度为 O(nlogn)。


空间复杂度:O(logn)。如果使用语言自带的排序算法,需要使用 O(logn) 的栈空间。如果自己编写堆排序,则只需要使用 O(1)的额外空间。


思路2(摩尔投票法,最优解)

也是这道题目最经典的解法:使用摩尔投票法,摩尔投票法的思路是这样的:


假如我们有个职位,需要从 A,B 两位候选人中选出
先抽出一张票,投的是 A,我们在黑板上写着当前胜利者:A,票数:1
再抽出一张票,投的是 A,我们在黑板上写着当前胜利者:A,票数:2
再抽出一张票,投的是 B,用一张 B 抵消一张 A 的选票,我们在黑板上写着当前胜利者:A,票数:1
再抽出一张票,投的是 B,用一张 B 抵消一张 A 的选票,我们在黑板上写着当前胜利者:无,票数:0
再抽出一张票,投的是 A,我们在黑板上写着当前胜利者:A,票数:1
抽取完毕,恭喜 A 获胜,赢得该职位。

经过以上实例分析,我们可以得出 3个要点:


1:不同候选人的选票之间,可以一一抵消。

2:若当前胜利者存在多张选票时,不同的候选人的票,只能抵消一张当前胜利者的票。

3:若当前双方的选票被抵消为零,下一次抽出的候选人,将作为暂时的胜利者领先。


下面给出一位大佬的动画演示地址:非常清晰明了:

戳我戳我


代码示例

class Solution {
    public int majorityElement(int[] nums) {
        int major = nums[0];
        int count = 1;
        for (int i = 1; i < nums.length; i++) {
            if (count == 0) {
                //前面都消完了,在重新赋值
                count++;
                major = nums[i];
            } else if (major == nums[i]) {
                //自己人,count就加1
                count++;
            } else {
                //不是自己人就同归于尽,消掉一个
                count--;
            }
        }
        return major;
    }
}

时间复杂度:O(n) 摩尔投票法只对数组进行了一次遍历。


空间复杂度:O(1) 摩尔投票法只需要常数级别的额外空间。


总结

这道题目的常规算法有很多,举例如下:

1:哈希表(常用)

2:排序(常用)

3:位运算

4:摩尔投票法(最优解)

最经典的摩尔投票法希望大家能好好学习下,后续会将哈希的解法进行更新.


相关文章
|
12天前
|
数据采集 人工智能 安全
|
7天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
344 164
|
6天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
345 155
|
7天前
|
编解码 人工智能 自然语言处理
⚽阿里云百炼通义万相 2.6 视频生成玩法手册
通义万相Wan 2.6是全球首个支持角色扮演的AI视频生成模型,可基于参考视频形象与音色生成多角色合拍、多镜头叙事的15秒长视频,实现声画同步、智能分镜,适用于影视创作、营销展示等场景。
569 4
|
15天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
1013 7