简要介绍一下单调队列和优先级队列的不同
- 元素顺序的处理:单调队列中,元素的顺序是单调的,也就是说,队列中的元素按照特定的单调性(递增或递减)排列。这种特性使得单调队列在处理一些问题时非常高效,例如寻找滑动窗口中的最大值或最小值。优先队列则根据元素的优先级进行排序,优先级高的元素先出队。优先队列并不保证元素的单调性。
- 入队和出队的操作:在单调队列中,元素可以从队尾入队,但出队操作只能在队首进行。这是因为单调队列需要保持其单调性,所以新加入的元素需要放在合适的位置以维持这种单调性。优先队列则允许元素从任意位置入队,出队操作则总是发生在优先级最高的元素上。
- 队列长度:单调队列的长度取决于输入数据的合法性,如果输入数据不满足单调性要求,那么队列长度就可能为0。而优先队列的长度则始终与输入数据的数量等同,因为所有输入数据都会被放入队列中,只是出队的顺序会根据优先级有所不同。
更详细的题解和思路:代码随想录 (programmercarl.com)
LeetCode T239 滑动窗口的最大值
题目链接:239. 滑动窗口最大值 - 力扣(LeetCode)
题目思路
这道题有点难度,我们如果使用暴力求解的话是跑不过的,暴力方式就是遍历全部的数组,再遍历每K个元素的滑动窗口,分别找出最大值放入返回数组,这里我们不使用这个方式.
我们使用单调队列而不是优先级队列
因为优先级队列只能将最大的元素选出来,而下一步操作
1.创建单调队列,定义add,peek,poll方法
poll方法:如果移除元素等于队列的出口元素,弹出该元素
add方法:如果队尾元素比传入元素小,删除该元素,保证前方元素都大于我要传入的元素,从而保证单调队列的单调性
peek方法:因为单调队列维护了队头的最大元素,peek用来返回队头元素
2.实现函数
首先创建单调队列,先将前k个元素传入单调队列,获取其最大值,对k到数组结束的元素进行以下处理,先poll前k个元素,加入新的元素,比较得到最大值,最后返回最大值数组即可.
代码实现
class MyQue{ Deque<Integer> que = new LinkedList<>(); void poll(int val) { if(!que.isEmpty() && val == que.peek()) { que.poll(); } } void add(int val) { while(!que.isEmpty() && val>que.getLast()) { que.removeLast(); } que.add(val); } int peek() { return que.peek(); } } class Solution { public int[] maxSlidingWindow(int[] nums, int k) { if(nums.length == 1) { return nums; } MyQue que = new MyQue(); int len = nums.length; int num = 0; int[] res = new int[len-k+1]; for(int i = 0;i<k;i++) { que.add(nums[i]); } res[num++] = que.peek(); for(int i = k;i<len;i++) { que.poll(nums[i-k]); que.add(nums[i]); res[num++] = que.peek(); } return res; } }
LeetCode T347 前K个高频元素
题目链接:347. 前 K 个高频元素 - 力扣(LeetCode)
题目思路
首先创建一个map,key用来放置元素,value用来存放出现频率,这题我们就用到了优先级队列了,因为我们想用低于快排的时间复杂度解决问题,我们就只能使用大顶堆或小顶堆的数据结构,维护一个k个元素的堆来解决问题,最后将前k个元素依次pop出来即可.(这里为了简化代码使用了lambda表达式)
代码实现
class Solution { //解法1:基于大顶堆实现 public int[] topKFrequent(int[] nums, int k) { 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大到小排,出现次数最多的在队头(相当于大顶堆) PriorityQueue<int[]> pq = new PriorityQueue<>((pair1, pair2)->pair2[1]-pair1[1]); for(Map.Entry<Integer,Integer> entry:map.entrySet()){//大顶堆需要对所有元素进行排序 pq.add(new int[]{entry.getKey(),entry.getValue()}); } int[] ans = new int[k]; for(int i=0;i<k;i++){//依次从队头弹出k个,就是出现频率前k高的元素 ans[i] = pq.poll()[0]; } return ans; } }
//解法2:基于小顶堆实现 public int[] topKFrequent2(int[] nums, int k) { 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;
简化版代码(避免一些api)
class Solution { public int[] topKFrequent(int[] nums, int k) { // 优先级队列,为了避免复杂 api 操作,pq 存储数组 // lambda 表达式设置优先级队列从大到小存储 o1 - o2 为从大到小,o2 - o1 反之 PriorityQueue<int[]> pq = new PriorityQueue<>((o1, o2) -> o1[1] - o2[1]); int[] res = new int[k]; // 答案数组为 k 个元素 Map<Integer, Integer> map = new HashMap<>(); // 记录元素出现次数 for(int num : nums) map.put(num, map.getOrDefault(num, 0) + 1); for(var x : map.entrySet()) { // entrySet 获取 k-v Set 集合 // 将 kv 转化成数组 int[] tmp = new int[2]; tmp[0] = x.getKey(); tmp[1] = x.getValue(); pq.offer(tmp); if(pq.size() > k) { pq.poll(); } } for(int i = 0; i < k; i ++) { res[i] = pq.poll()[0]; // 获取优先队列里的元素 } return res; } }