【LeetCode热题100总结】239. 滑动窗口最大值

题目描述

给你一个整数数组 nums,有一个大小为 k 的滑动窗口从数组的最左侧移动到数组的最右侧。你只可以看到在滑动窗口内的 k 个数字。滑动窗口每次只向右移动一位。

返回 滑动窗口中的最大值 。

示例 1:
输入:nums = [1,3,-1,-3,5,3,6,7], k = 3
输出:[3,3,5,5,6,7]
解释:
滑动窗口的位置 最大值


[1 3 -1] -3 5 3 6 7 3
1 [3 -1 -3] 5 3 6 7 3
1 3 [-1 -3 5] 3 6 7 5
1 3 -1 [-3 5 3] 6 7 5
1 3 -1 -3 [5 3 6] 7 6
1 3 -1 -3 5 [3 6 7] 7

示例 2:
输入:nums = [1], k = 1
输出:[1]

提示:

1 <= nums.length <= 10^5
-104 <= nums[i] <= 10^4
1 <= k <= nums.length

以下参考力扣官方题解:
链接:https://leetcode.cn/problems/sliding-window-maximum/solutions/543426/hua-dong-chuang-kou-zui-da-zhi-by-leetco-ki6m/

相关标签

队列、滑动窗口、单调队列、堆(优先队列)

解题思路

对于每个滑动窗口,可以使用 O ( k ) O(k) O(k)的时间遍历每个元素,找到最大值。对于长度为 n 的数组 nums,窗口的数量为 n-k+1,因此算法的时间复杂度为 O ( ( n − k + 1 ) k ) = O ( n k ) O((n-k+1)k)=O(nk) O((nk+1)k)=O(nk),会超出时间限制,需要进行一些优化。可以想到,对于两个相邻(只差一个位置)的滑动窗口,共用着 k-1 个元素,只有一个元素是变化的,可以根据这个特点进行优化。

解法1:优先队列

对于最大值,可以想到一种非常合适的数据结构,优先队列(堆),其中的大根堆可以帮助我们实时维护一系列元素中的最大值。

初始时,将数组的前k个元素放入优先队列中。每当向右移动窗口时,可以把一个新的元素放入优先队列中,此时堆顶的元素就是堆中所有元素的最大值。然而这个最大值可能不在滑动窗口中,而是出现在滑动窗口左边界的左侧。因此当我们继续向右移动窗口时这个值就永远不可能出现在滑动窗口中了,我们可以将其从优先队列中删除。

我们不断地移除堆顶元素,直到其确实出现在滑动窗口中。此时,堆顶元素就是滑动窗口中的最大值。为了方便判断堆顶元素和滑动窗口的位置关系,我们可以在有限队列中存储二元组 ( n u m , i n d e x ) (num, index) num,index,表示元素 num 在数组中的下标为 index

code

class Solution:def maxSlidingWindow(self, nums:List[int], k:int) -> List[int]:n = len(nums)# python 默认的优先队列是小根堆q = [(-nums[i], i) for i in range(k)]heapq.heapify(q)	ans = [-q[0][0]]for i in range(k, n):heapq.heappush(q, (-nums[i], i))while q[0][1] <= i-k:heapq.heappop(q)ans.append(-q[0][0])return ans

Python的heapq库是用于实现堆(优先队列)算法的库。它提供了一些函数来操作堆结构,如push、pop、heapify等。

heapq.heapify(q):将列表heap原地转换为一个堆。
heapq.heappush(heap, item:将元素item推入堆heap上。
heapq.heappop(q):从堆heap中弹出并返回最小的元素。

复杂度分析:

  • 时间复杂度: O ( n l o g n ) O(nlogn) O(nlogn),其中n数数组 nums 的长度。在最坏情况下数组的元素单调递增,那么最终优先队列中包含了所有元素,没有元素被移除。由于将一个元素放入优先队列的时间复杂度为 O ( n ) O(n) O(n),因此总时间复杂度为 O ( n l o g n ) O(nlogn) O(nlogn)
  • 空间复杂度: O ( n ) O(n) O(n),即优先队列需要使用的空间。这里所有的空间复杂度分析都不考虑返回的答案需要的空间,只计算额外的空间使用。

解法2:单调队列

由于我们需要求出的是滑动窗口的最大值,如果当前的滑动窗口中有两个下标i 和j,其中i 在 j的坐标,并且i 对应的元素不大于 j 对应的元素。那么当滑动窗口向右移动时,只要i 还在窗口中,那么j 一定也还在窗口中。因此i对应的元素一定不会是窗口中的最大值了,可以将其永久移除。

因此可以使用一个队列存储所有还没有被移除的下标,在队列中这些下标按照从小到大的顺序被存储,并且在数组nums中对应的值是严格单调递减的。

当窗口向右移动时,为了保持队列的性质,会不断将新的元素和队尾的元素相比较,如果前者大于等于后者,那么队尾的元素就可以被永久移除,弹出队列。不断进行此操作,知道队列为空或新元素小于队尾元素。

由于队列中下标对应的元素是严格单减的,因此队首下标对应的元素就是滑动窗口中的最大值。此时最大值可能在窗口左边界的左侧,因此还需要不断从队首弹出元素,直到队首元素在窗口中。

为了科研同时弹出队首和队尾的元素,需要使用双端队列。满足这种单调性的双端队列一般称为单调队列

class Solution:def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:n = len(nums)q = collections.deque()for i in range(k):while q and nums[i] >= nums[q[-1]]:q.pop()q.append(i)ans = [nums[q[0]]]for i in range(k, n):while q and nums[i] >= nums[q[-1]]:q.pop()q.append(i)while q[0] <= i - k:q.popleft()ans.append(nums[q[0]])return ans

复杂度分析

  • 时间复杂度: O ( n ) O(n) O(n)。每个下标恰好被放入队列一次,并且最多被弹出队列一次。
  • 空间复杂度:这里使用的数据结构是双向的,因此不断从队首弹出元素保证了队列中最多不会有超过 k+1 个元素,因此队列使用的空间为 O ( k ) O(k) O(k)

解法3: 分块 + 预处理

可以将数组nums从左到右按照k个一组进行分组,最后一组中元素的数量可能会不足k个。如果希望求出nums[i]nums[i+k-1]的最大值就会有两种情况:

  • 如果 i 是 k 的倍数,那么 nums[i] 到 nums[i+k-1] 恰好是一个分组。只要预处理出每个分组中的最大值即可;
  • 如果 i 不是 k 的备注,那么会跨越两个分组,占有第一个分组的后缀以及第二个分组的前缀。假设 j 是 k 的倍数,并且 i < j <= j+k-1,那么 nums[i]~nums[j-1]就是第一个分组的后缀,nums[j] 到 nums[i+k-1] 就是第二个分组的前缀。如果预处理出每个分组中的前缀最大值和后缀最大值,也可以在 O(1) 的时间得到答案。

prefixMax [ I ] \textit{prefixMax}[I] prefixMax[I]表示下标 i 对应的分组中,以 i 结尾的前缀最大值; suffixMax [ i ] \textit{suffixMax}[i] suffixMax[i] 表示下标 i 对应的分组中,以 i 开始的后缀最大值。它们分别满足如下的递推式

prefixMax [ i ] = { nums [ i ] , i 是  k 的倍数 max ⁡ { prefixMax [ i − 1 ] , nums [ i ] } , i 不是  k 的倍数 \textit{prefixMax}[i]=\begin{cases} \textit{nums}[i], & \quad i ~是~ k ~的倍数 \\ \max\{ \textit{prefixMax}[i-1], \textit{nums}[i] \}, & \quad i ~不是~ k ~的倍数 \end{cases} prefixMax[i]={nums[i],max{prefixMax[i1],nums[i]},i  k 的倍数i 不是 k 的倍数

以及

suffixMax [ i ] = { nums [ i ] , i + 1 是  k 的倍数 max ⁡ { suffixMax [ i + 1 ] , nums [ i ] } , i + 1 不是  k 的倍数 \textit{suffixMax}[i]=\begin{cases} \textit{nums}[i], & \quad i+1 ~是~ k ~的倍数 \\ \max\{ \textit{suffixMax}[i+1], \textit{nums}[i] \}, & \quad i+1 ~不是~ k ~的倍数 \end{cases} suffixMax[i]={nums[i],max{suffixMax[i+1],nums[i]},i+1  k 的倍数i+1 不是 k 的倍数

需要注意在递推 suffixMax [ i ] \textit{suffixMax}[i] suffixMax[i] 时需要考虑到边界条件 suffixMax [ n − 1 ] = nums [ n − 1 ] \textit{suffixMax}[n-1]=\textit{nums}[n-1] suffixMax[n1]=nums[n1],而在递推 prefixMax [ I ] \textit{prefixMax}[I] prefixMax[I] 时的边界条件 prefixMax [ 0 ] = nums [ 0 ] \textit{prefixMax}[0]=\textit{nums}[0] prefixMax[0]=nums[0] 恰好包含在递推式的第一种情况中,因此无需特殊考虑。

在预处理完成之后,对于 nums [ I ] \textit{nums}[I] nums[I] nums [ i + k − 1 ] \textit{nums}[i+k-1] nums[i+k1] 的所有元素,如果 i 不是 k 的倍数,那么窗口中的最大值为 suffixMax [ I ] \textit{suffixMax}[I] suffixMax[I] prefixMax [ i + k − 1 ] \textit{prefixMax}[i+k-1] prefixMax[i+k1] 中的较大值;如果 i 是 k 的倍数,那么此时窗口恰好对应一整个分组, suffixMax [ I ] \textit{suffixMax}[I] suffixMax[I] prefixMax [ i + k − 1 ] \textit{prefixMax}[i+k-1] prefixMax[i+k1] 都等于分组中的最大值,因此无论窗口属于哪一种情况,

suffixMax [ i ] , prefixMax [ i + k − 1 ] } \textit{suffixMax}[i], \textit{prefixMax}[i+k-1] \big\} suffixMax[i],prefixMax[i+k1]}即为答案。

此方法和稀疏表(Sparse Table)很类似。

class Solution:def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:n = len(nums)prefixMax, suffixMax = [0] * n, [0] * nfor i in range(n):if i % k == 0:prefixMax[i] = nums[i]else:prefixMax[i] = max(prefixMax[i - 1], nums[i])for i in range(n - 1, -1, -1):if i == n - 1 or (i + 1) % k == 0:suffixMax[i] = nums[i]else:suffixMax[i] = max(suffixMax[i + 1], nums[i])ans = [max(suffixMax[i], prefixMax[i + k - 1]) for i in range(n - k + 1)]return ans

复杂度分析

  • 时间复杂度:O(n);
  • 空间复杂度:存储prefixMax和suffixMax需要的空间。

评论区一个很好的示例:
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/21113.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Vue3-Ref Reactive toRef toRefs对比学习、标签ref与组件ref

响应式数据&#xff1a; Ref 作用&#xff1a;定义响应式变量。 语法&#xff1a;let xxx ref(初始值)(里面可以是任何规定内类型、数组等)。 返回值&#xff1a;一个RefImpl的实例对象&#xff0c;简称ref对象或ref&#xff0c;ref对象的value属性是响应式的。 注意点&am…

python安装pystan教程

简介 PyStan是Stan编程语言的Python接口&#xff0c;Stan是一种用于统计建模和数据分析的概率编程语言。PyStan使用户能够在Python环境中定义、编译和采样Stan模型。 安装步骤 首先&#xff0c;需要先安装 Cython pip install Cython -i https://mirrors.aliyun.com/pypi/sim…

三十三篇: 解锁决策之门:专家系统深度探索与未来展望

解锁决策之门&#xff1a;专家系统深度探索与未来展望 在今天这个日益复杂的世界中&#xff0c;我们对决策的速度和质量提出了更高的要求。在众多解决方案中&#xff0c;专家系统作为人工智能的一大分支&#xff0c;扮演着不可或缺的角色。它不仅是技术创新的产物&#xff0c;…

React常见的一些坑

文章目录 两个基础知识1. react的更新问题, react更新会重新执行react函数组件方法本身,并且子组件也会一起更新2. useCallback和useMemo滥用useCallback和useMemo要解决什么3. react的state有个经典的闭包,导致拿不到最新数据的问题.常见于useEffect, useMemo, useCallback4. …

【激光雕刻机上位机的成品软件】核心功能 - 参考wecreat

Software | WeCreat MakeIt! https://wecreat.com/pages/software 体验软件如上&#xff0c;自行下载体验。 价格5W&#xff0c;本人为 wecreat 创立之初上位机软件开发的核心员工&#xff0c;详细内容私信我。 由于该公司快3个月未给我竞业补偿了&#xff0c;对我不仁那我…

Anaconda创建python环境默认C盘,如何修改路径

文章目录 前言解决方案1.找到Anaconda的根目录2. 找到根目录文件夹&#xff0c;右键-属性-安全 测试-重新创建新的python环境 前言 使用 Anaconda创建python环境&#xff0c;默认在C盘。 如何修改到别的路径呢&#xff1f; base环境 是安装 Anaconda是安装的默认环境&#x…

设计模式——结构型模式——责任链模式

责任链模式简介 责任链模式&#xff0c;又名职责链模式&#xff0c;为了避免请求发送者与多个请求处理者耦合在一起&#xff0c;将所有请求处理者通过前一对象记住其下一个对象的引用而成一条链&#xff1b;当有请求发生时&#xff0c;可将请求沿着这条链传递&#xff0c;传递过…

python dlib 面部特征点检测

运行环境macos m2芯片 Python 3.11.7&#xff0c;python3.9都能通过&#xff0c;windows系统应该也是一样的效果 import dlib import cv2 import matplotlib.pyplot as plt# Load the image image_path path_to_your_image.jpg # Replace with the path to your image image…

QT 信号和槽 一对多关联示例,一个信号,多个槽函数响应,一个信号源如何绑定多个槽函数

在窗体里放置一个单行文本编辑控件&#xff08;QLineEdit&#xff09;、一个标签控件&#xff08;QLabel&#xff09;和一个文本浏览控件&#xff08;QTextBrowser&#xff09;&#xff0c;在单行文 本编辑控件里的文本被编辑时&#xff0c;标签控件和文本浏览控件都会同步显示…

网安速成之选择题(详细解析版)

网安速成之选择题 单选多选 单选 密码学的目的是&#xff08; C &#xff09;。 A. 研究数据压缩 B. 研究数据解密 C. 研究数据保密 D. 研究漏洞扫描 密码学的目的是研究数据加密&#xff0c;保证数据的机密性 数据机密性安全服务的基础是&#xff08; D &#xff09;。 A. 数…

C++ 的 Tag Dispatching(标签派发) 惯用法

目录 1.概述 2.标准库中的例子 3.使用自己的 Tag Dispatching 3.1.使用 type traits 技术 3.2.使用 Type_2_Type 技术 4.Tag Dispatching的使用场景 5.总结 1.概述 一般重载函数的设计是根据不同的参数决定具体做什么事情&#xff0c;编译器会根据参数匹配的原则确定正确…

面试题 - Java基础个人总结

1、Java语言特点/优势 1.1、什么是面向对象编程 2、Java的八种基本数据类型 2.1、为什么要有基本数据类型的封装类 2.2、Java自动装箱和拆箱 笔试题-1 笔试题-2 2.3、为什么浮点数运行时&#xff0c;会有丢失精度的风险&#xff1f; 2.4、补充知识&#xff1a; 3、重载…

WP All Import插件

使用 WP All Imports 插件并将亚马逊产品集成到 WooCommerce 网站中。在您的网站上&#xff0c;他们可以添加到购物车...然后一旦他们按下结帐&#xff0c;他们就会被发送到亚马逊进行付款 WP All Import 是一个强大的WordPress插件&#xff0c;它允许用户从XML或CSV文件中导入…

封装uview-plus上传组件up-upload,支持v-model绑定

痛点 vue上传组件拿到了一般无法直接使用&#xff0c;需要对其上下传的接口按照业务进行处理及定制。本次拿到的uview-plus也是一样&#xff0c;对其上传组件up-upload进行封装&#xff0c;令其更方便开发 目标 封装希望达到的目标&#xff0c;就是实现v-model的绑定。令其支…

字符串-将str1编辑成str2所需最小代价(hard)

一、题目描述 二、解题思路 该题目使用动态规划的思想来解决问题 刚开始我还在想&#xff0c;删除添加的操作可以等价为替换操作&#xff0c;如果替换操作的Cost大于删除添加组合操作的Cost之和就需要把 rcdcic。 但是在动态规划中&#xff0c;如果对三种不同的操作方式进行…

【Centos7】解决 CentOS 7 中出现 “xx: command not found“ 错误的全面指南

【Centos7】初探xx:command not found解决方案 大家好 我是寸铁&#x1f44a; 【Centos7】解决 CentOS 7 中出现 “xx: command not found” 错误的全面指南✨ 喜欢的小伙伴可以点点关注 &#x1f49d; 前言 经常有小伙伴问我&#xff0c;xx:command not found怎么办&#xff1…

Spring原理-IOC和AOP

概述 在此记录spring的学习内容。spring官网&#xff1a;https://spring.io/ 概念故事 从前&#xff0c;在Java的大森林中&#xff0c;有一片神奇的土地&#xff0c;名叫"Spring"。这片土地上生长着各种美丽而强大的植物&#xff0c;它们分别象征着Spring框架中的…

1.1 寻找灵感:怎样像艺术家一样去看待这个世界

“你是从哪里获取到这些创作灵感的&#xff1f;” 当每一个艺术家被问到这个问题时&#xff0c;只有诚实的艺术家会回答&#xff1a; “这是我偷窃的” 怎样像艺术家一样去看待这个世界呢&#xff1f; 你首先需要弄明白什么是值得你偷窃的&#xff0c;然后你才能继续接下来…

如何在一台电脑上安装多个版本的JDK并且切换使用?

如何在一台电脑上安装多个版本的JDK并且切换使用&#xff1f; 文章目录 如何在一台电脑上安装多个版本的JDK并且切换使用&#xff1f;1.目录管理2.下载JDK3.配置环境变量4. 验证 1.目录管理 我们需要首先对不同版本的JDK进行版本管理&#xff0c;如下所示&#xff0c;我在C盘路…

# linux 系统下 切换 root 用户时出现 authentication failure 的解决办法

linux 系统下 切换 root 用户时出现 authentication failure 的解决办法 1、问题分析&#xff1a; 切换 root 用户时出现 authentication failure&#xff0c;意思即 “身份验证失败”&#xff0c;这是由于新安装的系统&#xff0c;可能没有给 root 用户设置密码。 2、解决方…