文章目录
- 前言
- 最后一块石头重量
- 题目要求
- 题目解析
- 代码如下
- 数据流中的第K大元素
- 题目要求
- 题目解析
- 代码如下
- 前K个高频单词
- 题目要求
- 题目解析
- 代码如下
- 数据流的中位数
- 题目要求
- 题目解析
- 代码如下
前言
本文将会向你分享优先级队列相关的题目：最后一块石头重量、数据流中的第K大元素、前K个高频单词、数据流的中位数
最后一块石头重量
https://leetcode.cn/problems/last-stone-weight/
题目要求
题目解析
题目要求每次从一堆数中找出最大的两个，然后再进一步判断，最重要的是如何从一堆数中找出最大的数，这时可以想到用大根堆，最大的在堆顶，pop堆顶，就可以拿到次大的了。代码如下
class Solution {
public:
int lastStoneWeight(vector<int>& stones)
{
priority_queue<int> heap; //优先级队列，默认是一个大根堆
for(auto& e : stones)
{
heap.push(e);
}
while(heap.size() > 1)
{
int x = heap.top(); heap.pop();
int y = heap.top(); heap.pop();
if(x > y) heap.push(x - y);
}
return heap.size() ? heap.top() : 0;
}
};
数据流中的第K大元素
https://leetcode.cn/problems/jBjn9C/
题目要求
题目解析
题目要求是找到数据流中的第K大元素，那么把这些数据放到一个小根堆中就可以解决，题目有点绕（将 val 插入数据流 nums 后，返回当前数据流中第 k 大的元素），其实就是外部调用add函数传入的val 有数据流1，2，3，4。比如需要求第3（K）大的元素，我们知道是2，只需要将小根堆的元素个数维持为3（K）个，那么堆顶元素就是我们需要求的第3大的元素。 也就是当堆里的元素大于K，就pop，这样就能维持堆里的元素等于K
代码如下
class KthLargest {
public:
priority_queue<int, vector<int>, greater<int>> heap;
int k = 0;
KthLargest(int k, vector<int>& nums)
{
this->k = k;
for(auto& e : nums)
{
add(e);
}
}
//确保堆始终包含k个最大的元素，堆顶将是第k大的元素
int add(int val)
{
heap.push(val);
if (heap.size() > k) {
heap.pop();
}
return heap.top();
}
};
/**
* Your KthLargest object will be instantiated and called as such:
* KthLargest* obj = new KthLargest(k, nums);
* int param_1 = obj->add(val);
*/
前K个高频单词
https://leetcode.cn/problems/top-k-frequent-words/
题目要求
题目解析
题目要求返回前k个出现次数最多的单词，那么很容易想到的是建一个小堆，维持小堆的个数未为k个，堆里剩下的就是次数出现最多的，但是题目中有额外要求，如果单词出现的频次相同，那么就按字典顺序排序。那么我们是需要自定义比较函数的当second（频次）相同，那么按照字典序排序，也就是小的排在前面，a.first < b.first也就是小的排在前面， a.second > b.second频次大的排在后面
if(a.second == b.second)
{
return a.first < b.first; //按照字典顺序排序
}
else return a.second > b.second;
代码如下
class Solution {
public:
struct cmp
{
bool operator()(const pair<string, int>& a, const pair<string, int>& b)
{
//单词出现的频率相同
if(a.second == b.second)
{
return a.first < b.first; //按照字典顺序排序
}
else return a.second > b.second; //小根堆，大的排在下面
}
};
vector<string> topKFrequent(vector<string>& words, int k)
{
unordered_map<string, int> hash; //用哈希表统计单词次数
for(auto& e : words)
{
hash[e]++;
}
//TopK,取前k个出现次数最多的单词
priority_queue<pair<string, int>, vector<pair<string, int>>, cmp> heap;
for(auto& e : hash)
{
heap.push(e);
if(heap.size() > k) heap.pop();
}
vector<string> ret(k);
for(int i = k - 1; i >= 0; i--)
{
ret[i] = heap.top().first;
heap.pop();
}
return ret;
}
};
数据流的中位数
https://leetcode.cn/problems/find-median-from-data-stream/
题目要求
题目解析
题目要求实现中位数查找器，直接利用数组的个数/2来求中位数的方式是不够高效的，因为数据流是动态变化的。这里可以用一个大小堆，小堆中的元素每个都比大堆中的元素大，每当数据来的时候，判断与大小堆顶的关系，插入到对应的堆中，需要注意的是还要维持大小堆中的元素个数，只有maxHeap,size() = minHeap.size() 或者 maxHeap,size() = minHeap.size()+1只有这两种情况才行。因为只有这样，如果数据流的元素个数为奇数，那么就是大堆堆顶，如果是偶数，就手动求一下（大堆堆顶+小堆堆顶）/2即可
ps：这种方法并不好想，这次记住就行啦！
代码如下
class MedianFinder {
public:
MedianFinder()
{}
void addNum(int num)
{
int sz1 = maxHeap.size(), sz2 = minHeap.size();
if(sz1 == sz2)
{
if(sz1 == 0 || num <= maxHeap.top()) //注意sz1 == 0要放到最前面，否则当堆中元素为空时，会空指针
maxHeap.push(num); //直接插入
else
{
minHeap.push(num); //此时sz2 == sz1 + 1
int tmp = minHeap.top(); minHeap.pop();
maxHeap.push(tmp);
}
}
else //sz1 == sz2+1
{
if(num <= maxHeap.top())
{
maxHeap.push(num);
int tmp = maxHeap.top(); maxHeap.pop();
minHeap.push(tmp); //维持sz1 == sz2+1
}
else
{
minHeap.push(num); //直接插入
}
}
}
double findMedian()
{
if((maxHeap.size() + minHeap.size()) % 2 == 0)
return static_cast<double>(maxHeap.top() + minHeap.top()) / 2;
else
return static_cast<double>(maxHeap.top());
}
public:
priority_queue<int, vector<int>, greater<int>> minHeap;
priority_queue<int> maxHeap;
};
/**
* Your MedianFinder object will be instantiated and called as such:
* MedianFinder* obj = new MedianFinder();
* obj->addNum(num);
* double param_2 = obj->findMedian();
*/
