文章目錄
- 快速排序
- 歸併排序
- 冒泡排序
- 二分查找
- 二分查找的拓展——上下界與個數問題
- 最小生成樹
- 線段樹和樹狀數組的異同
- 兩個棧模擬隊列和雙端隊列
- 最長上升子序列,dp實現,nlogn實現
- 快排時間複雜度和空間複雜度
- 布隆過濾器知道嗎?用在什麼場景下?推導會麼(加分項)
- K個鏈表歸併
- 二叉樹前序中序遍歷,重建二叉樹
- 二叉樹的前序遍歷和中序遍歷的非遞歸實現
- 哈希表相關
- 大數相加,大數相乘
- 判斷完全二叉樹、滿二叉樹、二叉搜索樹BST
- 鏈表反轉
- 反轉二叉樹(鏡像二叉樹)
- 穩定和非穩定的排序算法有哪些
- 二分查找遞歸和非遞歸的時間和空間複雜度
- 輸入補全可以用哪個數據結構來做
- 編輯距離
- 和等於 k 的最短子數組長度
- 判斷是否爲對稱二叉樹
- 旋轉數組:不用額外內存
- 二叉樹的序列化與反序列化
- 第k大的數,兩種做法 (quick select, heap)
- 判斷鏈表是否有環以及環的位置,證明
- 青蛙跳臺階+有一次後退機會
- 最長公共子串、最長公共子序列
- 二叉樹路徑最大和
- 蓄水池採樣問題
- 2 sum,3 sum
- 一個排序數組能夠構成多少個二叉搜索樹
- 分解質因數
- 接雨水
- 旋轉數組的最小數字
- 最小的K個數
快速排序
參考:快速排序partition過程常見的兩種寫法+快速排序非遞歸實現
import random
def partition(arr, low, high):
r=random.randint(low,high) # 隨機選[low,high]內的數與arr[low]交換
arr[r],arr[low]=arr[low],arr[r]
pivot=arr[low]
while low < high:
while low < high and arr[high] >= pivot:
high-=1
arr[low] = arr[high]#從後面開始找到第一個小於pivot的元素,放到low位置
while low < high and arr[low] <= pivot:
low+=1
arr[high] = arr[low]#從前面開始找到第一個大於pivot的元素,放到high位置
arr[low] = pivot#最後樞紐元放到low的位置
return low
def quick_sort(arr, low, high):
if low < high:
mid = partition(arr, low, high)
quick_sort(arr, low, mid-1)
quick_sort(arr, mid+1, high)
歸併排序
def merge(left, right):
"""合併兩個已排序好的列表,產生一個新的已排序好的列表"""
result = [] # 新的已排序好的列表
i = 0 # 下標
j = 0
while i < len(left) and j < len(right):
if left[i] <= right[j]:
result.append(left[i])
i += 1
else:
result.append(right[j])
j += 1
result += left[i:]
result += right[j:]
return result
def merge_sort(seq):
if len(seq) <= 1:
return seq
mid = len(seq) // 2 # 將列表分成更小的兩個列表
# 分別對左右兩個列表進行處理,分別返回兩個排序好的列表
left = merge_sort(seq[:mid])
right = merge_sort(seq[mid:])
# 對排序好的兩個列表合併,產生一個新的排序好的列表
return merge(left, right)
冒泡排序
def bubble_sort(arr):
n = len(arr)
# 進行n次冒泡,每次排好一個
for i in range(n):
# 最後 i 個已經有序
for j in range(0, n-i-1):
if arr[j] > arr[j+1] :
arr[j], arr[j+1] = arr[j+1], arr[j]
二分查找
def binary_search(array,t):
low = 0
high = len(array)-1
while low <= high:
mid = (low+high)//2
if array[mid] < t:
low = mid + 1
elif array[mid] > t:
high = mid - 1
else:
return mid
return -1
二分查找的拓展——上下界與個數問題
1、二分查找求上下界
2、二分查找求上界和下界
注意點:
1、(low+high)/2
容易溢出
2、注意邊界條件即各個while
中的不等號處理
leetcode題目鏈接:LC34. Find First and Last Position of Element in Sorted Array
另外兩個關於二分查找的題目:
153. Find Minimum in Rotated Sorted Array
33. Search in Rotated Sorted Array
'''
利用二分查找求出插入位置,在該位置插入後可以保持序列仍然有序
bs_lower_bound返回的是可插入的最小位置
bs_upper_bound返回的是可插入的最大位置
換句話說,當元素存在且有多個時,返回值還有另外的含義:
bs_lower_bound返回其第一次出現的位置
bs_upper_bound返回其最後一次出現的位置 + 1
'''
def bs_lower_bound(arr, t):
low = 0
high = len(arr) # 注意high初始化
while low < high: # 注意沒有等號
mid = (high - low) // 2 + low
if arr[mid] >= t:
high = mid # 求下界則把等號放到上邊界對應的分支
else:
low = mid + 1
return low
# 如果要在找不到該數字時返回-1而不是它可以插入的最低位置,則使用下述返回代碼
return low if 0<=low<len(nums) and nums[low]==tar else -1
def bs_upper_bound(arr, t):
low = 0
high = len(arr) # 注意high初始化
while low < high: # 注意沒有等號
mid = (high - low) // 2 + low
if arr[mid] > t:
high = mid
else:
low = mid + 1 # 求上界則把等號放到下邊界對應的分支
return low
# 如果要在找不到該數字時返回-1而不是它可以插入的最高位置,則使用下述返回代碼
return low if 0<low<=len(nums) and nums[low-1]==tar else -1
def searchRange(nums, target):
"""
在nums中查找target的最左出現位置和最右出現位置,如果不存在則返回[-1,-1]
"""
if len(nums) == 0:
return [-1, -1]
low = bs_lower_bound(nums, target)
# bs_high找到的位置是可插入的最小位置,就等於元素出現的最左位置;如果等於len(nums)說明不存在
if low>=len(nums) or nums[low] != target:
low = -1
# bs_high找到的位置是可插入的最大位置,減一纔是元素出現的最右位置;如果等於0說明不存在
high = bs_upper_bound(nums, target) - 1 #注意減一
if high<0 or nums[high] != target:
high = -1
return [low, high]
nums = [1, 1, 3, 3, 3, 5, 5, 5]
print("nums: ", nums)
print("index:", list(range(len(nums))))
print('= ' * 10)
print('lower bound of 0: ', bs_lower_bound(nums, 0))
print('lower bound of 1: ', bs_lower_bound(nums, 1))
print('lower bound of 2: ', bs_lower_bound(nums, 2))
print('lower bound of 3: ', bs_lower_bound(nums, 3))
print('lower bound of 4: ', bs_lower_bound(nums, 4))
print('lower bound of 5: ', bs_lower_bound(nums, 5))
print('lower bound of 6: ', bs_lower_bound(nums, 6))
print('= ' * 10)
print('upper bound of 0: ', bs_upper_bound(nums, 0))
print('upper bound of 1: ', bs_upper_bound(nums, 1))
print('upper bound of 2: ', bs_upper_bound(nums, 2))
print('upper bound of 3: ', bs_upper_bound(nums, 3))
print('upper bound of 4: ', bs_upper_bound(nums, 4))
print('upper bound of 5: ', bs_upper_bound(nums, 5))
print('upper bound of 6: ', bs_upper_bound(nums, 6))
'''
輸出:
nums: [1, 1, 3, 3, 3, 5, 5, 5]
index: [0, 1, 2, 3, 4, 5, 6, 7]
= = = = = = = = = =
lower bound of 0: 0
lower bound of 1: 0
lower bound of 2: 2
lower bound of 3: 2
lower bound of 4: 5
lower bound of 5: 5
lower bound of 6: 8
= = = = = = = = = =
upper bound of 0: 0
upper bound of 1: 2
upper bound of 2: 2
upper bound of 3: 5
upper bound of 4: 5
upper bound of 5: 8
upper bound of 6: 8
'''
最小生成樹
TODO
線段樹和樹狀數組的異同
TODO
兩個棧模擬隊列和雙端隊列
棧 s1, s2 實現隊列
(後)入隊操作:
將元素壓入s1
(前)出隊操作:
if s2不爲空:
彈出棧頂元素
elif s1不爲空:
將s1的元素逐個倒入s2,但最後一個元素彈出後直接返回而不用壓入s2
else:
拋出隊列爲空的異常
雙端隊列:
棧 s1, s2 實現雙端隊列
後入隊操作:
將元素壓入s1
前入隊操作:
將元素壓入s2
前出隊操作:
if s2不爲空:
彈出棧頂元素
elif s1不爲空:
將s1的元素逐個倒入s2,但最後一個元素彈出後直接返回而不用壓入s2
else:
拋出隊列爲空的異常
後出隊操作:
if s1不爲空:
彈出棧頂元素
elif s2不爲空:
將s2的元素逐個倒入s1,但最後一個元素彈出後直接返回而不用壓入s1
else:
拋出隊列爲空的異常
最長上升子序列,dp實現,nlogn實現
dp實現見資料[1]
nlogn實現,解釋見[2],python代碼實現如下:
class Solution:
def lengthOfLIS(self, nums):
if len(nums)==0:
return 0
tails=[nums[0]] # 第一個數直接加入
for i in range(1,len(nums)): # 遍歷一遍其餘數
x=nums[i]
if x > tails[-1]: # 如果大於tails中的所有數則直接加入(注意tails是升序的)
tails.append(x)
else: # 否則二分查找出下界,然後*替換*掉該位置的元素
low,high=0,len(tails)
while low<high:
mid=low+(high-low)//2
if tails[mid]>=x:
high=mid
else:
low=mid+1
tails[low]=x # 注意找到下界後是替換而不是insert
return len(tails)
快排時間複雜度和空間複雜度
最好情況是選中的pivot爲中值,因此劃分均衡
最壞情況是選中的pivot爲最小值或最大值,導致每次劃分爲1個和 剩餘
若選取pivot的方法是直接用low或high位置的元素,則最壞情況=數組有序,避免方法是隨機選取pivot
時間複雜度:
平均情況下是 ,最壞情況下(數組有序)是
空間複雜度:
快排的實現是遞歸調用的, 而且每次函數調用中只使用了常數的空間,因此空間複雜度等於遞歸深度,在和平均情況下爲 ,爲
布隆過濾器知道嗎?用在什麼場景下?推導會麼(加分項)
K個鏈表歸併
題目:https://leetcode.com/problems/merge-k-sorted-lists/submissions/
參考:https://leetcode.com/problems/merge-k-sorted-lists/discuss/10511/10-line-python-solution-with-priority-queue
# Definition for singly-linked list.
# class ListNode:
# def __init__(self, x):
# self.val = x
# self.next = None
import queue
class Solution(object):
def mergeKLists(self, lists):
pq=queue.PriorityQueue()
# 需要定義__lt__函數用於定義何爲“更小”,這裏使用結點的值來定義小頂堆
# 將True和False調換即可定義爲結點值的大頂堆
ListNode.__lt__=lambda x,y: True if x.val<y.val else False
for node in lists:
if node is not None:
pq.put(node)
dummy=ListNode(None)
curr=dummy
while pq.qsize()>0:
curr.next=pq.get()
curr=curr.next
if curr.next is not None:
pq.put(curr.next)
return dummy.next
二叉樹前序中序遍歷,重建二叉樹
# Definition for a binary tree node.
# class TreeNode:
# def __init__(self, x):
# self.val = x
# self.left = None
# self.right = None
class Solution:
def buildTree(self, preorder: List[int], inorder: List[int]) -> TreeNode:
if inorder:
ind = inorder.index(preorder.pop(0))
root = TreeNode(inorder[ind])
root.left = self.buildTree(preorder, inorder[0:ind])
root.right = self.buildTree(preorder, inorder[ind+1:])
return root
一般的實現是將preorder劃分兩部分給左右子樹的構建,但是這裏用pop()彈出了結點,而且是先對左子樹構建,所以到了右子樹的時候,preorder中左子樹的所有結點剛好pop完了
注意:若給前序和中序,直接問後序遍歷的結果,可以先建樹,然後再後序遍歷。
二叉樹的前序遍歷和中序遍歷的非遞歸實現
題目地址:
https://leetcode.com/problems/binary-tree-inorder-traversal/
https://leetcode.com/problems/binary-tree-preorder-traversal/
參考:https://blog.csdn.net/Applying/article/details/84982712
前序遍歷
# 二叉樹結點定義見前面的《二叉樹前序中序遍歷,重建二叉樹 》
class Solution:
def preorderTraversal(self, root: TreeNode) -> List[int]:
res = []
if root is None:
return res
stack = []
stack.append(root)
while len(stack)!=0:
p = stack.pop()
# 訪問,即加入結果list
res.append(p.val)
# 這裏注意,要先壓入右子節點,再壓入左節點
if p.right is not None:
stack.append(p.right)
if p.left is not None:
stack.append(p.left)
return res
# 二叉樹結點定義見前面的《二叉樹前序中序遍歷,重建二叉樹 》
class Solution:
def inorderTraversal(self, root: TreeNode) -> List[int]:
res=[]
if root is None:
return res
stack = []
p = root
# 棧非空 或 p非空
while len(stack)!=0 or p is not None:
# 向左搜索,尋找最左的節點,即中序遍歷的第一個節點
while p is not None:
stack.append(p)
p = p.left
# 如果棧非空則訪問當前節點並往右走一步表示接下來訪問其右子樹
if len(stack)!=0:
r = stack.pop()
res.append(r.val)
p = r.right
return res
哈希表相關
解決哈希衝突:
- 開放定址法
- 線性探測法
- 平方探測法
- 鏈地址法
常用哈希函數:課本常介紹除留餘數法,Fasttext用的是FNV-1a,文件校驗常用MD5、SHA-1
大數相加,大數相乘
TODO
判斷完全二叉樹、滿二叉樹、二叉搜索樹BST
判斷二叉樹是否爲完全二叉樹
以層次遍歷的方法, 找到第一個兩個兒子不都存在的節點
if 此節點沒有左子樹且有右子樹:
不是完全二叉樹
else 看下一個節點:
如果下一個節點是葉子,則是完全二叉樹,否則不是完全二叉樹
判斷是否爲滿二叉樹
# 返回是否爲滿二叉樹以及該樹的最大深度
def is is_full(p):
if p is None:
return True, 0
else:
lres, lhei = is_full(p.left)
rres, rhei = is_full(p.right)
if lres and rres and lhei==rhei: # 左子樹和右子樹都是滿二叉樹且高度相等
return True, lhei+1
else:
return False, max(lhei, rhei)+1
判斷是否爲BST
中序遍歷的結果若有序則是BST,否則不是
鏈表反轉
頭插法
反轉二叉樹(鏡像二叉樹)
交換樹中所有節點的左右子節點,即得到樹的鏡像。
def invert(root):
if root is None:
return root
tmp = root.left
root.left = invert(root.right)
root.right= invert(tmp)
return root
穩定和非穩定的排序算法有哪些
穩定算法包括:歸併、冒泡、插入、基數。“歸泡插基”
二分查找遞歸和非遞歸的時間和空間複雜度
非遞歸:時間 ,空間
遞歸:時間 ,空間
輸入補全可以用哪個數據結構來做
字典樹,見:如何實現搜索框的關鍵詞提示功能
編輯距離
和等於 k 的最短子數組長度
要求:如果用動態規劃要優化時間,用貪心法需要證明
Leetcode有道類似的:
判斷是否爲對稱二叉樹
def sym(p, q):
if p is None and q is None:
return True
elif p is not None and q is not None:
# 對稱的條件:p和q的值相同,並且p的左子樹與q的右子樹對稱,p的右子樹與q的左子樹對稱
return (p.val == q.val) and sym(p.left,q.right) and sym(p.right,q.left)
return False
class Solution:
def isSymmetric(self, root: TreeNode) -> bool:
return root is None or sym(root.left,root.right)
旋轉數組:不用額外內存
def reverse(nums,low,high):
while low < high:
nums[low], nums[high] = nums[high], nums[low]
low+=1
high-=1
class Solution:
# Do not return anything, modify nums in-place instead.
def rotate(self, nums: List[int], k: int) -> None:
k %= len(nums)
reverse(nums, 0, len(nums)-1)
reverse(nums, 0, k - 1)
reverse(nums, k, len(nums) - 1)
二叉樹的序列化與反序列化
# -*- coding:utf-8 -*-
# class TreeNode:
# def __init__(self, x):
# self.val = x
# self.left = None
# self.right = None
# 我把原文中list改爲deque,因爲list的pop(0)複雜度高,可以用deque的popleft代替
from collections import deque
class Solution:
def Serialize(self, root):
if not root:
return '#'
return str(root.val) +',' + self.Serialize(root.left) +','+ self.Serialize(root.right)
def Deserialize(self, s):
nodes = deque(s.split(','))
return self.deserializeTree(nodes)
def deserializeTree(self, nodes):
if len(nodes)<=0:
return None
val = nodes.popleft()
root = None
if val != '#':
root = TreeNode(int(val))
root.left = self.deserializeTree(nodes)
root.right = self.deserializeTree(nodes)
return root
第k大的數,兩種做法 (quick select, heap)
在從小到大排序後的數組中,第大的數是從開始算的第小的數,下標從 開始,因此第大的數下標爲 .
方法一:quick select
class Solution {
public:
int partition(vector<int>& arr,int low,int high){
int r = (rand() % (high-low+1))+ low; // [low, high]
swap(arr[r], arr[low);
int pivot = arr[low];
while(low<high){
while(low<high && arr[high]>=pivot)high--;
arr[low]=arr[high];
while(low<high && arr[low]<=pivot)low++;
arr[high]=arr[low];
}
arr[low]=pivot;
return low;
}
int findKthLargest(vector<int>& nums, int k) {
int mid=-1, low=0, high=nums.size()-1;
while(true){
mid = partition(nums,low,high);
if(mid==nums.size()-k){
return nums[mid];
}else if(mid<nums.size()-k){
low=mid+1;
}else{
high=mid-1;
}
}
}
};
使用優先隊列,用法見:c++優先隊列(priority_queue)用法詳解
class Solution {
public:
int findKthLargest(vector<int>& nums, int k) {
// 默認是大頂堆,使用greater<T> 是小頂堆
priority_queue<int,vector<int>,greater<int>> q;
for(auto it:nums){
q.push(it);
// pop掉最小的,剩下k個最大的,最後的top()就是k個最大中的最小值
if(q.size()>k) q.pop();
}
return q.top();
}
};
python解法:
from queue import PriorityQueue
class Solution:
def findKthLargest(self, nums: List[int], k: int) -> int:
pq=PriorityQueue()
for x in nums:
pq.put(x)
if pq.qsize()>k:
pq.get()
return pq.get()
判斷鏈表是否有環以及環的位置,證明
class Solution:
def hasCycle(self, head: ListNode) -> bool:
if not head or not head.next: # 空鏈表或只有一個節點時沒有環
return False
slow,fast=head,head
while fast and fast.next:
slow=slow.next
fast=fast.next.next
if slow==fast:
break
return slow==fast
證明尋找環的起點的算法:
http://www.bnee.net/article/20526.html
1、慢指針slow走到了環入口時,設共走了k步。此時快指針fast越過了環入口的步數爲delta。因爲快指針可能繞着環走了很多圈,所以有k = delta + n * R,其中R爲環的大小,n爲快指針繞環走的圈數。
2、證明必然會相遇。慢指針進入環中後,因爲快指針每次都比慢指針快一步,所以,快慢指針最後一定會相遇。
3、計算快慢指針相遇位置。因爲慢指針在剛進入環時距離快指針delta步,所以快指針還需要比慢指針多走R - delta步才能與慢指針相遇。又因爲快指針每次走兩步,所以快指針還需要走2(R - delta)步。那麼,相對環的起點而言,相遇位置爲2(R - delta) + delta = 2R - delta,即,距離環入口delta處,與慢指針剛進入環時快指針所在位置對稱。
4、快指針重新從頭結點開始走,速度爲一次一步,與慢指針相同。可知,快指針走到環入口時,所需步數爲k。由於 k = delta + n * R,所以慢指針也是剛好走到環入口。
class Solution:
def detectCycle(self, head: ListNode) -> ListNode:
if not head or not head.next:
return None
slow,fast=head,head
while fast and fast.next:
slow=slow.next
fast=fast.next.next
if slow==fast:
break
if slow==fast:
fast=head
while slow!=fast:
slow=slow.next
fast=fast.next
return slow
return None
青蛙跳臺階+有一次後退機會
面經看到,但是搜索不到這道題的解法,我目前的個人思路是這樣的:
先當做沒有後退機會來算,然後考慮一次後退機會加在不同位置帶來的新的跳法總共多少種。
設有級臺階,分別標號,我們一開始處於位臺階 ,最後要到達位置.
當沒有後退機會時,設從臺階 到達臺階 共有的跳法種數是 ,則
然後考慮一次後退機會加在不同位置帶來的新的跳法總共多少種
如果後退之後到達的是臺階 ,那麼產生新的跳法數是 “從臺階 到臺階 的跳法種數”,這應該等價於 “從臺階 到臺階 的跳法種數”,也就是 .
由上可知,考慮上後退位置的不同,
也就是按照沒有後退機會求出前面所定義的 數組後,對數組求和再加上 即爲所求,用python就是return dp[n] + sum(dp)
最長公共子串、最長公共子序列
二叉樹路徑最大和
https://leetcode.com/problems/binary-tree-maximum-path-sum/
蓄水池採樣問題
https://www.jianshu.com/p/7a9ea6ece2af
https://blog.csdn.net/anshuai_aw1/article/details/88750673
給定一個數據流,數據流長度N很大,且N直到處理完所有數據之前都不可知,請問如何在只遍歷一遍數據(O(N))的情況下,能夠隨機選取出k個不重複的數據。
這個場景強調了3件事:
- 數據流長度N很大且不可知,所以不能一次性存入內存。
- 時間複雜度爲O(N)。
- 隨機選取k個數,每個數被選中的概率爲k/N。
思路:
1、前 k 個數據直接放入蓄水池。
2、蓄水池裝滿了 k 個數據之後,當接收到第 i 個數據時,在 [0, i] 範圍內取隨機數 r,若 r 落在[0, k-1]範圍內,則用接收到的第i個數據替換蓄水池中的第 r 個數據。
3、重複步驟2。
核心代碼如下:
int[] reservoir = new int[k];
// init
for (int i = 0; i < reservoir.length; i++){
reservoir[i] = dataStream[i];
}
for (int i = k; i < dataStream.length; i++){
// 隨機獲得一個[0, i]內的隨機整數
int r = rand.nextInt(i + 1);
// 如果隨機整數落在[0, m-1]範圍內,則替換蓄水池中的元素
if (r < k){
reservoir[r] = dataStream[i];
}
}
注:這裏使用已知長度的數組dataStream來表示未知長度的數據流,並假設數據流長度大於蓄水池容量m。
證明:
先求第 個數 在第 步之後被保留在蓄水池的概率 。在第 步時,它被保留的概率是 ,在第 步時,被保留的概率是 ,以此類推,可知:
再求第 個數 在第 步之後被保留在蓄水池的概率 。最後要保留必須在遇到它時將該數用於替換蓄水池中的數據,而且之後的每一步他都沒有被替換掉。在第 步時,該數被保留下來的概率是 ,在第 步時,被保留在蓄水池的概率是 ,以此類推,可知:
綜上可知,每個數在第 步之後被保留的概率都是
2 sum,3 sum
2sum的思路和python代碼:
先掃描一次數組建立一個hash_map,存放key爲某個數,value爲其在nums中出現的下標(可能出現多次,所以value是list)
然後再掃一遍這個數組,對於每個num[i],判斷target-nums[i]是否存在,如果存在則說明有,不存在繼續找。
class Solution:
def twoSum(self, nums: List[int], target: int) -> List[int]:
num2ids={} # 某個數在nums中出現的下標(可能出現多次,所以value是list)
for i in range(len(nums)):
if nums[i] in num2ids:
num2ids[nums[i]].append(i)
else:
num2ids[nums[i]]=[i]
for i in range(len(nums)):
a=nums[i] # 固定a,則我們要看 target-a 是否在nums中出現
b=target-a
if b==a: # 要注意的是如果 target-a 就等於 a自己,則a需要在nums出現兩次
if a in num2ids and len(num2ids[a])>1:
return num2ids[a][:2] # 返回a出現的前兩次下標
else:
if b in num2ids and len(num2ids[b])>0:
return [i]+[num2ids[b][0]] # 返回a出現的下標和b出現的下標
3sum,複雜度,參考:這個帖子
class Solution(object):
def threeSum(self, nums):
res = []
nums.sort()
length = len(nums)
for i in range(length - 2): # 從前n-2個數字中固定a,來找b和c
if i > 0 and nums[i] == nums[i - 1]:
continue # 已經選過這個數字作爲a
l, r = i + 1, length - 1 # 在a的右邊範圍的左右端點開始夾逼找b和c
while l < r:
total = nums[i] + nums[l] + nums[r]
if total < 0: # 如果求和比0小,說明需要更大的b
l += 1
elif total > 0: # 如果求和比0小,說明需要更小的c
r -= 1
else: # 找到了一對組合
res.append([nums[i], nums[l], nums[r]])
# 在a固定的情況下,不可能再有一對數與剛找到的有相同的b,所以跳過所有相同的b
while l < r and nums[l] == nums[l + 1]:
l += 1
l += 1 # 前面while得到的是最右邊的b的下標,下次需要換個b,所以要再右移一步
# 在a固定的情況下,不可能再有一對數與剛找到的有相同的c,所以跳過所有相同的c
while l < r and nums[r] == nums[r - 1]:
r -= 1
r -= 1 # 前面while得到的是最左邊的c的下標,下次需要換個c,所以要再左移一步
return res
一個排序數組能夠構成多少個二叉搜索樹
https://leetcode.com/problems/unique-binary-search-trees/
分解質因數
def get_num_factors(num):
res = []
tmp = 2
if num <= 3:
return [num]
while num >= tmp:
if num % tmp == 0:
res.append(tmp)
num = num // tmp # 更新
else:
tmp = tmp + 1 # 同時更新除數值,不必每次都從頭開始
return res
接雨水
題目鏈接:LC42. Trapping Rain Water
# 參考:https://zhuanlan.zhihu.com/p/79811305
class Solution:
def trap(self, height: List[int]) -> int:
n=len(height)
left_max=[0]*n # 第i號柱子左邊最高的柱子高度
right_max=[0]*n # 第i號柱子右邊最高的柱子高度
# 第0號柱子左邊最高爲0,從第1號柱子開始求
for i in range(1,n):
# 比較第i-1號柱子的高度與第i-1號柱子左邊最高柱子的高度
left_max[i]=max(height[i-1],left_max[i-1])
# 第n-1號柱子右邊最高爲0,從第n-2號柱子開始求
for i in range(n-2,-1,-1):
right_max[i]=max(height[i+1],right_max[i+1])
volume=0
for i in range(n):
# 對於每一個柱子,求出左右兩邊最高柱子的短板
# 它限制了當前柱子上方能容納多少雨水
low=min(left_max[i],right_max[i])
if low>height[i]:
volume+=low-height[i]
return volume
旋轉數組的最小數字
題目鏈接:旋轉數組的最小數字
# -*- coding:utf-8 -*-
class Solution:
def minNumberInRotateArray(self, arr):
# write code here
if len(arr)==0:
return 0
low , high = 0, len(arr) - 1
while low<high:
mid=(high-low)//2+low
if arr[mid]<arr[high]:
# 說明mid到high是遞增的,最小元素肯定不在mid的右邊,必然在mid或mid的左邊,例如[4,5,1,2,3]或[1,2,3,4,5]
high=mid
elif arr[mid]>arr[high]:
# 此時mid肯定位於旋轉數組的左半部分,例如[3,4,5,1,2],此時最小元素肯定在mid右邊
low=mid+1
else:
# 當arr[mid]==arr[high]時,無法確定最小元素位於mid左邊還是右邊,只好一個一個找
# 例如:[1,0,1,1,1]和[1,1,1,0,1]
# 由於arr[high]==arr[mid],因此至少可以將high縮小一位(最多到達mid的位置)
high-=1
return arr[low]
最小的K個數
使用大頂堆求解,注意python中的PriorityQueue默認是小頂堆,若要使用大頂堆,可以將 put(x)
改爲 put(-x)
,並將 get()
改爲 -get()
# -*- coding:utf-8 -*-
try:
from queue import PriorityQueue # python3,若確定是py3可直接寫這句
except:
from Queue import PriorityQueue # python2,若確定是py2可直接寫這句
class MaxHeap:
def __init__(self):
self.pq = PriorityQueue()
def put(self, x):
self.pq.put(-x)
def get(self):
return -self.pq.get()
def empty(self):
return self.pq.empty()
def qsize(self):
return self.pq.qsize()
class Solution:
def GetLeastNumbers_Solution(self, tinput, k):
if len(tinput)*k == 0 or k > len(tinput):
return []
pq = MaxHeap()
for x in tinput:
if pq.qsize() < k:
pq.put(x)
else:
e = pq.get()
x = min(x, e)
pq.put(x)
res = []
while not pq.empty():
res.append(pq.get())
return res[::-1]