【力扣算法14】之 15. 三数之和 python

简介: 【力扣算法14】之 15. 三数之和 python

问题描述

给你一个整数数组 nums ,判断是否存在三元组 [nums[i], nums[j], nums[k]] 满足 i != j、i != k 且 j != k ,同时还满足 nums[i] + nums[j] + nums[k] == 0 。请

你返回所有和为 0 且不重复的三元组。

**注意:**答案中不可以包含重复的三元组。

示例1

输入:nums = [-1,0,1,2,-1,-4]

输出:[[-1,-1,2],[-1,0,1]]

解释:

nums[0] + nums[1] + nums[2] = (-1) + 0 + 1 = 0 。

nums[1] + nums[2] + nums[4] = 0 + 1 + (-1) = 0 。

nums[0] + nums[3] + nums[4] = (-1) + 2 + (-1) = 0 。

不同的三元组是 [-1,0,1] 和 [-1,-1,2] 。

注意,输出的顺序和三元组的顺序并不重要。

示例2

输入:nums = [0,1,1]

输出:[]

解释:唯一可能的三元组和不为 0 。

示例 3

输入:nums = [0,0,0]

输出:[[0,0,0]]

解释:唯一可能的三元组和为 0 。

提示

  • 3 <= nums.length <= 3000
  • -105 <= nums[i] <= 105

思路分析

  1. 首先对数组进行排序,将数组从小到大排序,以便后续操作。
  2. 初始化一个空列表 res,用于存储符合条件的三元组结果。
  3. 开始遍历数组,以每个元素 nums[i] 作为基准。
  4. 在每次遍历中,使用两个指针 left 和 right 分别指向当前元素 nums[i] 的下一个元素和数组的最后一个元素。
  5. 在 left < right 的条件下,进行循环:
  • 计算三个数的和 total = nums[i] + nums[left] + nums[right]。
  • 如果 total 等于 0,说明找到了满足条件的三元组,将其加入结果列表 res 中。
  • 进一步避免重复计算:如果左指针所指的元素与下一个元素相等,则将左指针右移一位,直到不相等为止;同理,如果右指针所指的元素与前一个元素相等,则将右指针左移一位,直到不相等为止。
  • 将左指针右移一位,将右指针左移一位。
  • 如果 total 小于 0,说明三个数之和偏小,将左指针右移一位。
  • 如果 total 大于 0,说明三个数之和偏大,将右指针左移一位。
  1. 返回结果列表 res。

代码分析

  • 将数组进行排序,以方便后续的操作。
  • 初始化一个空列表 res ,用于存储结果。
  • 开始遍历数组,以每个元素 nums[i] 作为基准。
  • 如果当前元素与前一个元素相等,则跳过,以避免重复计算。
  • 初始化指针 left = i + 1 和 right = n - 1,其中 n 是数组的长度。
  • 在 left < right 的条件下,进行循环:
  • 计算三个数的和 total = nums[i] + nums[left] + nums[right]。
  • 如果 total 等于 0,说明找到了满足条件的三元组,将其加入结果列表 res 中。
  • 进一步避免重复计算:如果左指针所指的元素与下一个元素相等,则将左指针右移一位,直到不相等为止;
  • 同理,如果右指针所指的元素与前一个元素相等,则将右指针左移一位,直到不相等为止。
  • 将左指针右移一位,将右指针左移一位。
  • 如果 total 小于 0,说明三个数之和偏小,将左指针右移一位。
  • 如果 total 大于 0,说明三个数之和偏大,将右指针左移一位。
  • 返回结果列表 res。


完整代码


class Solution(object):
    def threeSum(self, nums):
        # 对数组进行排序
        nums.sort()
        n = len(nums)
        res = []
        # 遍历数组,以每个元素 nums[i] 作为基准
        for i in range(n):
            # 如果当前元素与前一个元素相等,则跳过,以避免重复计算
            if i > 0 and nums[i] == nums[i-1]:
                continue
            # 初始化指针 left 和 right
            left = i + 1
            right = n - 1
            # 在 left < right 的条件下,进行循环
            while left < right:
                # 计算三个数的和 total
                total = nums[i] + nums[left] + nums[right]
                # 如果总和等于 0,说明找到了满足条件的三元组
                if total == 0:
                    # 将三元组加入结果列表 res
                    res.append([nums[i], nums[left], nums[right]])
                    # 进一步避免重复计算:将左指针右移一位,直到不与下一个元素相等
                    while left < right and nums[left] == nums[left+1]:
                        left += 1
                    # 进一步避免重复计算:将右指针左移一位,直到不与前一个元素相等
                    while left < right and nums[right] == nums[right-1]:
                        right -= 1
                    # 将左指针右移一位,将右指针左移一位
                    left += 1
                    right -= 1
                # 如果总和小于 0,将左指针右移一位
                elif total < 0:
                    left += 1
                # 如果总和大于 0,将右指针左移一位
                else:
                    right -= 1
        # 返回结果列表 res
        return res

详细分析


  • nums.sort():对输入的数组 nums 进行原地排序,使其按照升序排列。
  • n = len(nums):获取数组 nums 的长度,即元素个数。
  • res = []:创建一个空列表 res,用于存储符合条件的三元组结果。
  • for i in range(n)::遍历数组 nums,以每个元素 nums[i] 作为基准。
  • if i > 0 and nums[i] == nums[i-1]: continue:如果当前元素与前一个元素相等,则跳过循环,以避免重复计算。
  • left = i + 1:初始化指针 left,指向当前元素的下一个位置。
  • right = n - 1:初始化指针 right,指向数组的最后一个元素。
  • while left < right::在 left < right 的条件下,进行循环。
  • total = nums[i] + nums[left] + nums[right]:计算三个数的和 total
  • if total == 0::如果总和等于 0,说明找到了满足条件的三元组。
  • 将三元组 [nums[i], nums[left], nums[right]] 加入结果列表 res
  • 进一步避免重复计算:将左指针右移一位,直到不与下一个元素相等。
  • 进一步避免重复计算:将右指针左移一位,直到不与前一个元素相等。
  • 将左指针右移一位,将右指针左移一位。
  • elif total < 0::如果总和小于 0,将左指针右移一位。
  • else::如果总和大于 0,将右指针左移一位。
  • return res:返回结果列表 res


运行效果截图


调用示例

solution = Solution()
nums = [-1,0,1,2,-1,-4]
nums1 = [0,1,1]
print(solution.threeSum(nums))
print(solution.threeSum(nums1))

运行结果

完结

相关文章
|
11天前
|
机器学习/深度学习 人工智能 算法
猫狗宠物识别系统Python+TensorFlow+人工智能+深度学习+卷积网络算法
宠物识别系统使用Python和TensorFlow搭建卷积神经网络,基于37种常见猫狗数据集训练高精度模型,并保存为h5格式。通过Django框架搭建Web平台,用户上传宠物图片即可识别其名称,提供便捷的宠物识别服务。
142 55
|
26天前
|
搜索推荐 Python
利用Python内置函数实现的冒泡排序算法
在上述代码中,`bubble_sort` 函数接受一个列表 `arr` 作为输入。通过两层循环,外层循环控制排序的轮数,内层循环用于比较相邻的元素并进行交换。如果前一个元素大于后一个元素,就将它们交换位置。
126 67
|
26天前
|
存储 搜索推荐 Python
用 Python 实现快速排序算法。
快速排序的平均时间复杂度为$O(nlogn)$,空间复杂度为$O(logn)$。它在大多数情况下表现良好,但在某些特殊情况下可能会退化为最坏情况,时间复杂度为$O(n^2)$。你可以根据实际需求对代码进行调整和修改,或者尝试使用其他优化策略来提高快速排序的性能
118 61
|
20天前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
110 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
|
3天前
|
存储 运维 监控
探索局域网电脑监控软件:Python算法与数据结构的巧妙结合
在数字化时代,局域网电脑监控软件成为企业管理和IT运维的重要工具,确保数据安全和网络稳定。本文探讨其背后的关键技术——Python中的算法与数据结构,如字典用于高效存储设备信息,以及数据收集、异常检测和聚合算法提升监控效率。通过Python代码示例,展示了如何实现基本监控功能,帮助读者理解其工作原理并激发技术兴趣。
41 20
|
1天前
|
存储 算法 Python
文件管理系统中基于 Python 语言的二叉树查找算法探秘
在数字化时代,文件管理系统至关重要。本文探讨了二叉树查找算法在文件管理中的应用,并通过Python代码展示了其实现过程。二叉树是一种非线性数据结构,每个节点最多有两个子节点。通过文件名的字典序构建和查找二叉树,能高效地管理和检索文件。相较于顺序查找,二叉树查找每次比较可排除一半子树,极大提升了查找效率,尤其适用于海量文件管理。Python代码示例包括定义节点类、插入和查找函数,展示了如何快速定位目标文件。二叉树查找算法为文件管理系统的优化提供了有效途径。
33 5
|
21小时前
|
算法 容器
【算法】——双指针算法合集(力扣)
移动零,复写零,快乐数,盛最多水的容器,有效三角形的个数,和为s的两个数(查找总价格为目标值的两个商品 ),三数之和,四数之和
|
1天前
|
存储 缓存 算法
探索企业文件管理软件:Python中的哈希表算法应用
企业文件管理软件依赖哈希表实现高效的数据管理和安全保障。哈希表通过键值映射,提供平均O(1)时间复杂度的快速访问,适用于海量文件处理。在Python中,字典类型基于哈希表实现,可用于管理文件元数据、缓存机制、版本控制及快速搜索等功能,极大提升工作效率和数据安全性。
19 0
|
1天前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
103 80
|
20天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。