150. 逆波兰表达式求值
给你一个字符串数组 tokens
,表示一个根据 逆波兰表示法 表示的算术表达式。
请你计算该表达式。返回一个表示表达式值的整数。
注意:
- 有效的算符为
'+'
、'-'
、'*'
和'/'
。 - 每个操作数(运算对象)都可以是一个整数或者另一个表达式。
- 两个整数之间的除法总是 向零截断 。
- 表达式中不含除零运算。
- 输入是一个根据逆波兰表示法表示的算术表达式。
- 答案及所有中间计算结果可以用 32 位 整数表示。
示例 1:
输入:tokens = ["2","1","+","3","*"]
输出:9
解释:该算式转化为常见的中缀算术表达式为:((2 + 1) * 3) = 9
示例 2:
输入:tokens = ["4","13","5","/","+"]
输出:6
解释:该算式转化为常见的中缀算术表达式为:(4 + (13 / 5)) = 6
后缀转中缀,使用栈即可
代码如下:
@Test
public void test01() {
String[] str = new String[]{"2", "1", "+", "3", "*"};
System.out.println("逆波兰表达式的结果是:" + evalRPN(str));
}
public int evalRPN(String[] tokens) {
ArrayDeque<Integer> stack = new ArrayDeque<>();
for (String str : tokens) {
switch (str) {
case "+" -> stack.push(stack.pop() + stack.pop());
case "-" -> stack.push(-stack.pop() + stack.pop());
case "*" -> stack.push(stack.pop() * stack.pop());
case "/" -> {
int num1 = stack.pop();
int num2 = stack.pop();
stack.push(num2 / num1);
}
default -> stack.push(Integer.valueOf(str));
}
}
return stack.pop();
}
239. 滑动窗口最大值
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]
思路 : 这是我第一次接触到单调队列,这次用到的辅助数据结构是递减单调队列.
遍历数组nums,在将i位置放入单调队列前,需要判断这个i位置能不能放入单调数列,以及放入i位置之前单调队列需要做哪些调整,才能继续维系单调队列
第一,如果单调队列的头元素已经超过了滑动窗口边界i-k+1且头元素不为空,那么就需要把头元素弹出,以此循环,直到头元素在滑动窗口内
第二,如果这次要加入的i位置在nums中的值是大于目前单调队列的头元素在nums中的值,那么就不符合单调队列了,就需要把原来的小的头元素弹出,以此循环比较头元素和i位置在nums中对应的值,进行弹出操作,直到头元素对应的值比i对应的值大,或者头元素为空为止
于是就可以把i位置安心地放入单调队列中了
但是
还需要考虑一个问题,我的结果集什么时候开始收集?
当然是从i的值等于k-1开始收集,收集n-k+1次即可,因此需要在入队操作后,加上对于结果集res的操作,这个操作当然是将本次滑动窗口对应的单调队列的出口元素在nums中对应的值赋值给res
最后,返回结果集res即可
代码如下:
@Test
public void test02(){
int[] nums = {1,3,-1,-3,5,3,6,7};
int k = 3;
int[] res = maxSlidingWindow(nums, k);
System.out.println(Arrays.toString(res));
}
public int[] maxSlidingWindow(int[] nums, int k) {
ArrayDeque<Integer> deuqe = new ArrayDeque<>();
int n = nums.length;
int[] res = new int[n - k + 1];
int index = 0;
for (int i = 0; i < n; i++) {
while (!deuqe.isEmpty() && deuqe.peek() < (i - k + 1)) {
deuqe.poll();
}
while (!deuqe.isEmpty() && nums[deuqe.peekLast()] < nums[i]) {
deuqe.pollLast();
}
deuqe.offer(i);
if (i >= k - 1) {
res[index++] = nums[deuqe.peek()];
}
}
return res;
}
347.前 K 个高频元素
给你一个整数数组 nums
和一个整数 k
,请你返回其中出现频率前 k
高的元素。你可以按 任意顺序 返回答案。
示例 1:
输入: nums = [1,1,1,2,2,3], k = 2
输出: [1,2]
示例 2:
输入: nums = [1], k = 1
输出: [1]
关于大顶堆和小顶堆在java中数据结构知识如下:
在Java中,大顶堆(Max Heap)和小顶堆(Min Heap)是两种常用的基于二叉树的数据结构,它们都是堆(Heap)这种特殊完全二叉树的实现。堆通常用于实现优先队列,其中大顶堆的根节点是堆中的最大元素,而小顶堆的根节点是堆中的最小元素。Java标准库中没有直接以“大顶堆”或“小顶堆”命名的类,但PriorityQueue
类可以实现这两种堆的功能。
PriorityQueue 类
java.util.PriorityQueue
是一个基于优先级堆的无界优先级队列。默认情况下,PriorityQueue
是一个小顶堆,但是你可以通过提供一个自定义的比较器(Comparator)来让它表现为大顶堆。
小顶堆示例
import java.util.PriorityQueue;
public class MinHeapExample {
public static void main(String[] args) {
PriorityQueue<Integer> minHeap = new PriorityQueue<>();
minHeap.add(10);
minHeap.add(5);
minHeap.add(20);
minHeap.add(1);
while (!minHeap.isEmpty()) {
System.out.println(minHeap.poll()); // 依次输出 1, 5, 10, 20
}
}
}
大顶堆示例
要使用PriorityQueue
实现大顶堆,你需要提供一个自定义的比较器,该比较器会反转元素的自然顺序(或者任何你想要的顺序)。
import java.util.Comparator;
import java.util.PriorityQueue;
public class MaxHeapExample {
public static void main(String[] args) {
PriorityQueue<Integer> maxHeap = new PriorityQueue<>(Comparator.reverseOrder());
maxHeap.add(10);
maxHeap.add(5);
maxHeap.add(20);
maxHeap.add(1);
while (!maxHeap.isEmpty()) {
System.out.println(maxHeap.poll()); // 依次输出 20, 10, 5, 1
}
}
}
思路 : 这是我第一次在题目中使用到小顶堆这个数据结构,但是在这个题中又出奇地好用,因为只需要入堆时判断当前频率值是否大于小顶堆的堆顶的频率值,如果大于,那么就把小顶堆中的堆顶元素弹出,将当前的值放入堆中,否则则不做操作,以此循环
代码如下:
@Test
public void test03() {
int[] nums = new int[]{1, 1, 1, 2, 2, 3};
int k = 2;
int[] res = topKFrequent(nums, k);
System.out.println("前" + k + "个高频元素是 : " + Arrays.toString(res));
}
public int[] topKFrequent(int[] nums, int k) {
Map<Integer, Integer> map = new HashMap<>(); //用来存储nums中的元素和其出现次数的映射关系
for (int i = 0; i < nums.length; i++) {
map.put(nums[i], map.getOrDefault(nums[i], 0) + 1);
}
PriorityQueue<int[]> queue = new PriorityQueue<>(Comparator.comparingInt(pri -> pri[1]));
//Set<Map.Entry<Integer, Integer>> entries = map.entrySet();
for (Map.Entry<Integer, Integer> entry : map.entrySet()) {
if (queue.size() < k) {
queue.add(new int[]{entry.getKey(), entry.getValue()});
} else {
//assert queue.peek() != null;
if (!queue.isEmpty() && entry.getValue() > queue.peek()[1]) {
queue.poll();
queue.add(new int[]{entry.getKey(), entry.getValue()});
}
}
}
int[] res = new int[k];
for (int i = k - 1; i >= 0; i--) {
//assert queue.peek() != null;
if (!queue.isEmpty()) res[i] = queue.poll()[0];
}
return res;
}
标签:150,nums,int,res,PriorityQueue,347,求值,new,stack
From: https://www.cnblogs.com/flydandelion/p/18303963