【每日算法】从「枚举」到「排序 + 前缀和 + 二分 + 滑动窗口」|Python 主题月

简介: 【每日算法】从「枚举」到「排序 + 前缀和 + 二分 + 滑动窗口」|Python 主题月

网络异常,图片无法展示
|


题目描述



这是 LeetCode 上的 1838. 最高频元素的频数 ,难度为 中等


Tag : 「枚举」、「哈希表」、「排序」、「前缀和」、「二分」、「滑动窗口」、「双指针」


元素的频数是该元素在一个数组中出现的次数。


给你一个整数数组 numsnums 和一个整数 kk


在一步操作中,你可以选择 numsnums 的一个下标,并将该下标对应元素的值增加 11


执行最多 kk 次操作后,返回数组中最高频元素的最大可能频数


示例 1:


输入:nums = [1,2,4], k = 5
输出:3
解释:对第一个元素执行 3 次递增操作,对第二个元素执 2 次递增操作,此时 nums = [4,4,4] 。
4 是数组中最高频元素,频数是 3 。
复制代码


示例 2:


输入:nums = [1,4,8,13], k = 5
输出:2
解释:存在多种最优解决方案:
- 对第一个元素执行 3 次递增操作,此时 nums = [4,4,8,13] 。4 是数组中最高频元素,频数是 2 。
- 对第二个元素执行 4 次递增操作,此时 nums = [1,8,8,13] 。8 是数组中最高频元素,频数是 2 。
- 对第三个元素执行 5 次递增操作,此时 nums = [1,4,13,13] 。13 是数组中最高频元素,频数是 2 。
复制代码


示例 3:


输入:nums = [3,9,6], k = 2
输出:1
复制代码


提示:


  • 1 <= nums.length <= 10^5105
  • 1 <= nums[i] <= 10^5105
  • 1 <= k <= 10^5105


枚举



一个朴素的做法是,先对原数组 numsnums 进行排序,然后枚举最终「频数对应值」是哪个。


利用每次操作只能对数进行加一,我们可以从「频数对应值」开始往回检查,从而得出在操作次数不超过 kk 的前提下,以某个值作为「频数对应值」最多能够凑成多少个。


算法整体复杂度为 O(n^2)O(n2),Java 2021/07/19 可过。


Java 代码:


class Solution {
    public int maxFrequency(int[] nums, int k) {
        int n = nums.length;
        Map<Integer, Integer> map = new HashMap<>();
        for (int i : nums) map.put(i, map.getOrDefault(i, 0) + 1);
        List<Integer> list = new ArrayList<>(map.keySet());
        Collections.sort(list);
        int ans = 1;
        for (int i = 0; i < list.size(); i++) {
            int x = list.get(i), cnt = map.get(x);
            if (i > 0) {
                int p = k;
                for (int j = i - 1; j >= 0; j--) {
                    int y = list.get(j);
                    int diff = x - y;
                    if (p >= diff) {
                        int add = p / diff;
                        int min = Math.min(map.get(y), add);
                        p -= min * diff;
                        cnt += min;
                    } else {
                        break;
                    }
                }
            }
            ans = Math.max(ans, cnt);
        }
        return ans;
    }
}
复制代码


Python 3 代码:


class Solution:
    def maxFrequency(self, nums: List[int], k: int) -> int:
        n = len(nums)
        hashmap = defaultdict(int)
        for i in nums:
            hashmap[i] += 1
        ans = 1
        lt = sorted(hashmap.keys())
        for i in range(len(lt)):
            x = lt[i]
            cnt = hashmap[lt[i]]
            if i > 0:
                p = k
                for j in range(i - 1, -1, -1):
                    y = lt[j]
                    diff = x - y
                    if p >= diff:
                        add = p // diff
                        m = min(hashmap[y], add)
                        p -= m * diff
                        cnt += m
                    else:
                        break
            ans = max(ans, cnt)
        return ans
复制代码


  • 时间复杂度:得到去重后的频数后选集合复杂度为 O(n)O(n);最坏情况下去重后仍有 nn 个频数,且判断 kk 次操作内某个频数最多凑成多少复杂度为 O(n)O(n)。整体复杂度为 O(n^2)O(n2)
  • 空间复杂度:O(n)O(n)


排序 + 前缀和 + 二分 + 滑动窗口



先对原数组 numsnums 进行从小到大排序,如果存在真实最优解 lenlen,意味着至少存在一个大小为 lenlen 的区间 [l, r][l,r],使得在操作次数不超过 kk 的前提下,区间 [l, r][l,r] 的任意值 nums[i]nums[i] 的值调整为 nums[r]nums[r]


这引导我们利用「数组有序」&「前缀和」快速判断「某个区间 [l, r][l,r] 是否可以在 kk 次操作内将所有值变为 nums[r]nums[r]」:


具体的,我们可以二分答案 lenlen 作为窗口长度,利用前缀和我们可以在 O(1)O(1) 复杂度内计算任意区间的和,同时由于每次操作只能对数进行加一,即窗口内的所有数最终变为 nums[r]nums[r] ,最终目标区间和为 nums[r] * lennums[r]len,通过比较目标区间和和真实区间和的差值,我们可以知道 kk 次操作是否能将当前区间变为 nums[r]nums[r]


上述判断某个值 lenlen 是否可行的 check 操作复杂度为 O(n)O(n),因此算法复杂度为 O(n\log{n})O(nlogn)


Java 代码:


class Solution {
    int[] nums, sum;
    int n, k;
    public int maxFrequency(int[] _nums, int _k) {
        nums = _nums;
        k = _k;
        n = nums.length;
        Arrays.sort(nums);
        sum = new int[n + 1];
        for (int i = 1; i <= n; i++) sum[i] = sum[i - 1] + nums[i - 1];
        int l = 0, r = n;
        while (l < r) {
            int mid = l + r + 1 >> 1;
            if (check(mid)) l = mid;
            else r = mid - 1;
        }
        return r;
    }
    boolean check(int len) {
        for (int l = 0; l + len - 1 < n; l++) {
            int r = l + len - 1;
            int cur = sum[r + 1] - sum[l];
            int t = nums[r] * len;
            if (t - cur <= k) return true;
        }
        return false;
    }
}
复制代码


Python 3 代码:


class Solution:
    def maxFrequency(self, nums: List[int], k: int) -> int:
        def check(length):
            for i in range(n+1-length):
                j = i + length - 1
                cur = presum[j + 1] - presum[i]
                t = nums[j] * length
                if t - cur <= k:
                    return True
            return False
        n = len(nums)
        nums.sort()
        presum = [0] + list(accumulate(nums))
        l, r = 0, n
        while l < r:
            mid = l + r + 1 >> 1
            if check(mid):
                l = mid
            else:
                r = mid - 1
        return r
复制代码


  • 时间复杂度:排序的复杂度为 O(n\log{n})O(nlogn);计算前缀和数组复杂度为 O(n)O(n)check 函数的复杂度为 O(n)O(n),因此二分复杂度为 O(n\log{n})O(nlogn)。整体复杂度为 O(n\log{n})O(nlogn)
  • 空间复杂度:O(n)O(n)


最后



这是我们「刷穿 LeetCode」系列文章的第 No.1838 篇,系列开始于 2021/01/01,截止于起始日 LeetCode 上共有 1916 道题目,部分是有锁题,我们将先把所有不带锁的题目刷完。


在这个系列文章里面,除了讲解解题思路以外,还会尽可能给出最为简洁的代码。如果涉及通解还会相应的代码模板。


为了方便各位同学能够电脑上进行调试和提交代码,我建立了相关的仓库:github.com/SharingSour…


在仓库地址里,你可以看到系列文章的题解链接、系列文章的相应代码、LeetCode 原题链接和其他优选题解。

相关文章
|
5天前
|
JavaScript 前端开发 算法
JavaScript 中通过Array.sort() 实现多字段排序、排序稳定性、随机排序洗牌算法、优化排序性能,JS中排序算法的使用详解(附实际应用代码)
Array.sort() 是一个功能强大的方法,通过自定义的比较函数,可以处理各种复杂的排序逻辑。无论是简单的数字排序,还是多字段、嵌套对象、分组排序等高级应用,Array.sort() 都能胜任。同时,通过性能优化技巧(如映射排序)和结合其他数组方法(如 reduce),Array.sort() 可以用来实现高效的数据处理逻辑。 只有锻炼思维才能可持续地解决问题,只有思维才是真正值得学习和分享的核心要素。如果这篇博客能给您带来一点帮助,麻烦您点个赞支持一下,还可以收藏起来以备不时之需,有疑问和错误欢迎在评论区指出~
|
5天前
|
JavaScript 算法 前端开发
JS数组操作方法全景图,全网最全构建完整知识网络!js数组操作方法全集(实现筛选转换、随机排序洗牌算法、复杂数据处理统计等情景详解,附大量源码和易错点解析)
这些方法提供了对数组的全面操作,包括搜索、遍历、转换和聚合等。通过分为原地操作方法、非原地操作方法和其他方法便于您理解和记忆,并熟悉他们各自的使用方法与使用范围。详细的案例与进阶使用,方便您理解数组操作的底层原理。链式调用的几个案例,让您玩转数组操作。 只有锻炼思维才能可持续地解决问题,只有思维才是真正值得学习和分享的核心要素。如果这篇博客能给您带来一点帮助,麻烦您点个赞支持一下,还可以收藏起来以备不时之需,有疑问和错误欢迎在评论区指出~
|
2月前
|
数据挖掘 数据处理 开发者
Python3 自定义排序详解:方法与示例
Python的排序功能强大且灵活,主要通过`sorted()`函数和列表的`sort()`方法实现。两者均支持`key`参数自定义排序规则。本文详细介绍了基础排序、按字符串长度或元组元素排序、降序排序、多条件排序及使用`lambda`表达式和`functools.cmp_to_key`进行复杂排序。通过示例展示了如何对简单数据类型、字典、类对象及复杂数据结构(如列车信息)进行排序。掌握这些技巧可以显著提升数据处理能力,为编程提供更强大的支持。
55 10
|
3月前
|
算法
|
3月前
|
算法
|
4月前
|
搜索推荐 算法 C语言
【排序算法】八大排序(下)(c语言实现)(附源码)
本文继续学习并实现了八大排序算法中的后四种:堆排序、快速排序、归并排序和计数排序。详细介绍了每种排序算法的原理、步骤和代码实现,并通过测试数据展示了它们的性能表现。堆排序利用堆的特性进行排序,快速排序通过递归和多种划分方法实现高效排序,归并排序通过分治法将问题分解后再合并,计数排序则通过统计每个元素的出现次数实现非比较排序。最后,文章还对比了这些排序算法在处理一百万个整形数据时的运行时间,帮助读者了解不同算法的优劣。
219 7
|
4月前
|
搜索推荐 算法 C语言
【排序算法】八大排序(上)(c语言实现)(附源码)
本文介绍了四种常见的排序算法:冒泡排序、选择排序、插入排序和希尔排序。通过具体的代码实现和测试数据,详细解释了每种算法的工作原理和性能特点。冒泡排序通过不断交换相邻元素来排序,选择排序通过选择最小元素进行交换,插入排序通过逐步插入元素到已排序部分,而希尔排序则是插入排序的改进版,通过预排序使数据更接近有序,从而提高效率。文章最后总结了这四种算法的空间和时间复杂度,以及它们的稳定性。
172 8
|
4月前
|
搜索推荐 Python
快速排序的 Python 实践:从原理到优化,打造你的排序利器!
本文介绍了 Python 中的快速排序算法,从基本原理、实现代码到优化方法进行了详细探讨。快速排序采用分治策略,通过选择基准元素将数组分为两部分,递归排序。文章还对比了快速排序与冒泡排序的性能,展示了优化前后快速排序的差异。通过这些分析,帮助读者理解快速排序的优势及优化的重要性,从而在实际应用中选择合适的排序算法和优化策略,提升程序性能。
103 1
|
5月前
|
算法 搜索推荐 Java
数据结构与算法学习十三:基数排序,以空间换时间的稳定式排序,速度很快。
基数排序是一种稳定的排序算法,通过将数字按位数切割并分配到不同的桶中,以空间换时间的方式实现快速排序,但占用内存较大,不适合含有负数的数组。
70 0
数据结构与算法学习十三:基数排序,以空间换时间的稳定式排序,速度很快。
|
5月前
|
算法
❤️算法笔记❤️-(每日一刷-83、删除排序链表中的重复项)
❤️算法笔记❤️-(每日一刷-83、删除排序链表中的重复项)
56 0

热门文章

最新文章