写点什么

前端 leetcde 算法面试套路之堆

作者:js2030code
  • 2022-11-18
    浙江
  • 本文字数:9680 字

    阅读完需:约 32 分钟

正文 plus

堆是动态求极值的数据结构,所以当遇到需要不断取极值的时候,就可以考虑用堆了


温馨提示,建议每一道题都自己 new 一个堆,这样才能发现堆之美,其实就是不会再次遇到 topK 的时候只能用冒泡来做。


行文至此也该结束了,如果有 10 个关注,那就更新一下下一 part, dp 或者树吧, thx。

二叉堆的创建

分析 -- 小顶堆

  1. 这里是一个小顶堆,特点就是根节点的值比子节点的值都小,通常用作经典的前 K 大

  2. 主要有两个方法,

  3. 一个是上升,这里主要用作构建堆的时候,整理堆用的

  4. 一个是下沉,这里主要用于弹出堆顶元素后,置换了堆顶值之后使用的,这里用到 this.data[0],是因为这个方法一般是构建完整的堆之后,才会使用

  5. 其他的方法不是不可以,只是为了保证灵活性,暂时就先做个简易版,后面再考虑,因为方法越多,其实兼容性就越差了


class MinHeap {    constructor(len) {      this.data = [];      this.data[0] = len; // 第一个节点用来存放堆的大小 -- 某些特定环境比较好用    }
// 下浮 down(index) { const size = this.data[0]; while (index << 1 <= size) { let child = index << 1;
if (child !== size && this.data[child] > this.data[child + 1]) { child += 1; //如果右节点更小,就右节点作为下一个接盘的节点 } if (this.data[index] > this.data[child]) { // 交换一下 [this.data[index], this.data[child]] = [ this.data[child], this.data[index], ]; index = child; } else { // 只要其中一次失效了,那么就没必要继续往下查找了 break; } } }
// 都是从最底层开始算的 upper() { // 这里不用 this.data[0] 是因为当前构建的堆可能还没达到堆的最大值,所以不能使用 let index = this.data.length - 1; while (index >> 1 > 0) { let father = index >> 1; if (this.data[index] < this.data[father]) { // 子节点比父节点要小,则网上走 [this.data[index], this.data[father]] = [ this.data[father], this.data[index], ]; index = father; } else { break; } } } }
复制代码

分析 -- 大顶堆

  • 相对于初始版的小顶堆,这一版的大顶堆添加了两个方法, pop 和 add

  • add 方法可以写在使用堆的位置,但是为了让它和堆的第一个值匹配,所以写在了类方法里面,方便对 size 的添加

  • pop 是为了取出堆顶元素,堆是为了解决动态取极值而存在的数据结构,所以必然要取出整理的过程。


class MaxHeap {  constructor() {    this.data = [];    this.data[0] = 0; // 第一个值是当前堆的size  }
down(index) { const len = this.data.length; // 是下标极限 while (index << 1 < len) { let child = index << 1; if (child !== len && this.data[child + 1] > this.data[child]) { child++; } if (this.data[child] > this.data[index]) { [this.data[child], this.data[index]] = [ this.data[index], this.data[child], ]; index = child; } else { break; } } }
upper() { let index = this.data[0]; // 最大下标 while (index >> 1 > 0) { const father = index >> 1; if (this.data[index] > this.data[father]) { [this.data[father], this.data[index]] = [ this.data[index], this.data[father], ]; index = father; } else { break; } } }
add(value) { // 先加在最末尾 this.data.push(value); this.data[0]++; // size 也加一下 this.upper(); // 整理一下 }
// 弹出堆顶元素 pop() { const last = this.data[0]; [this.data[1], this.data[last]] = [this.data[last], this.data[1]]; //交换堆顶和堆尾的值 const ret = this.data.pop(); this.data[0]--; this.down(1); // 整理 return ret; }}
复制代码

215. 数组中的第 K 个最大元素

分析


  • 这是一道炒鸡经典的题,可以用冒泡,快排,其中最经典的方法,莫过于小顶堆求值 -- 作为教材基本的题目

  • 这里求第 K 大,那么就是要维护一个 K 大的小顶堆,然后堆顶就是第 K 大

  • 然后遍历数组 nums,先初始化一个 K 大的小顶堆,然后剩下的值就和堆顶比较;

  • 只要是值大过堆顶值的,那么直接把堆顶值替换掉,但这时,堆顶值就不一定是小顶堆中的最小值了,所以需要向下 down 整理一下小顶堆

  • 遍历结束后就得到一个小顶堆了,然后直接去堆顶元素就是第 K 大了;

  • 时间复杂度: {O(N*L) -- 其中 N 是数组大小, L 是二叉堆的层高,L 其实相对来说比较小,所以复杂度可以说接近线性

  • 空间复杂度: O(M) -- 其中 M 是就是 K 值,因为要维护一个 K 大堆


// 215. 数组中的第K个最大元素
// MinHeap 就是上面的那个类
var findKthLargest = function (nums, k) { // 创建一个 K 大的小顶堆 const minHeap = new MinHeap(k); const len = nums.length; for (let i = 0; i < len; i++) { if (i < k) { // 初始化堆 minHeap.data.push(nums[i]); minHeap.upper(); } else { // 这个时候开始考虑是否要压到小顶堆中了 // 因为维护的是一个 k 大的小顶堆,而目的是求第 k 大,所以只需要判断后面的值是否大于小顶堆的堆顶值,即可晓得是否需要取代 if (nums[i] > minHeap.data[1]) { minHeap.data[1] = nums[i]; minHeap.down(1); } } } return minHeap.data[1] };


复制代码


参考视频:传送门

1046. 最后一块石头的重量

分析 -- 大顶堆


  1. 按照题目已经,需要取出一组数组中的最大值和次大值,进行一定运算后,会将计算值返回给数组,然后循环操作,直到数组长度最大为 1 时结束

  2. 所以就是动态取极值,可以考虑用堆来处理

  3. 定义一个方法 pop,每次获取堆顶元素,并将大顶堆整理好,定义方法 add 为为堆加入元素

  4. 这样每一次取出两个元素,返回 1 或 0 个元素,一直到堆元素小于 2 时结束,返回堆中的元素或 0

  5. 空间复杂度就是维护堆,所以是 O(N), 时间复杂度 O(NlogN)


// 1046. 最后一块石头的重量
var lastStoneWeight = function (stones) { // 维护一个大顶堆 const heap = new MaxHeap(); for (let i = 0; i < stones.length; i++) { heap.add(stones[i]); }
while (heap.data[0] > 1) { // 1. 每次取出两个最大值 const first = heap.pop(); const second = heap.pop(); // 2. 相减,再放回去 const temp = first - second; if (temp) { heap.add(temp); } } return heap.data[0] ? heap.data[1]:0 };
class MaxHeap { constructor() { this.data = []; this.data[0] = 0; // 第一个值是当前堆的size }
down(index) { const len = this.data.length; // 是下标极限 while (index << 1 < len) { let child = index << 1; if (child !== len && this.data[child + 1] > this.data[child]) { child++; } if (this.data[child] > this.data[index]) { [this.data[child], this.data[index]] = [ this.data[index], this.data[child], ]; index = child; } else { break; } } }
upper() { let index = this.data[0]; // 最大下标 while (index >> 1 > 0) { const father = index >> 1; if (this.data[index] > this.data[father]) { [this.data[father], this.data[index]] = [ this.data[index], this.data[father], ]; index = father; } else { break; } } }
add(value) { // 先加在最末尾 this.data.push(value); this.data[0]++; // size 也加一下 this.upper(); // 整理一下 }
// 弹出堆顶元素 pop() { const last = this.data[0]; [this.data[1], this.data[last]] = [ this.data[last], this.data[1], ] //交换堆顶和堆尾的值 const ret = this.data.pop(); this.data[0]--; this.down(1); // 整理 return ret } }

复制代码

23. 合并 K 个升序链表

分析 -- 堆

  1. 这里主要是把链表当成是堆的一个元素,以链表头的值作为小顶堆创建的基点

  2. 这里要求得到是 K 个升序链表合并链表,我每次都获取 K 个链表中的最小值,然后放到我自己的链表中,最后得到的就是一个合并完的升序链表了

  3. 空间复杂度就是维护堆,所以是 O(N∗M), 其中 N 是 lists 的长度, M 是 链表的平均长度

  4. 时间复杂度: 取出值合并到新链表 -- O(N∗M)


// 23. 合并K个升序链表
/** * @分析 * 1. 以链表的表头值作为判断元素,创建小顶堆 */ var mergeKLists = function(lists) { let emptyNode = new ListNode() // 自己创建一个 // 构建一个堆 const minHeap = new MinHeap() for (let i = 0; i < lists.length; i++) { const head = lists[i]; if(head){ minHeap.add(head) } } let cur = emptyNode; while(minHeap.data[0]){ cur.next =new ListNode(minHeap.pop()) cur = cur.next } return emptyNode.next};
class MinHeap { constructor(){ this.data = [] this.data[0] = 0 }
down(index){ const lastIndex = this.data[0] while(index<<1 <= lastIndex){ let child = index<<1 if(child!== lastIndex && this.data[child+1].val<this.data[child].val){ child++ } if(this.data[child].val<this.data[index].val){ [this.data[child],this.data[index]] = [this.data[index],this.data[child]] index = child }else{ break } } }
upper(){ let index = this.data[0] while(index>>1 > 0){ let father = index>>1 // 以表头值作为判断依据 if(this.data[father].val>this.data[index].val){ // 交换的是整个链表 [this.data[father],this.data[index]] = [this.data[index],this.data[father]] index = father }else{ break } } }
add(head){ // 添加的是一个排好序的链表, this.data.push(head); this.data[0]++ this.upper() }
// 将堆顶链表的头部值取出之后,重新整理 pop(){ const ret = this.data[1].val this.data[1] = this.data[1].next if(!this.data[1]){ // 链表为 undefined 了 [this.data[1],this.data[this.data[0]]] = [this.data[this.data[0]],this.data[1]] this.data.pop() this.data[0]-- } this.down(1) //整理 return ret // 返回的是一个值 }}
复制代码

分析 -- 分治

  1. 多个排序链表很难处理,那么两个排序好的链表合并呢?

  2. 将两个有序链表合成一个,然后放进 list 继续走,最后合成一个即可

  3. 用分治,如果超出 2 个链表,就拆分了处理,mergeKLists(arr) 最后得到的也是一个排序好的链表,所以每次可以分开治,然后最后 merge 治;

  4. 合并两个链表的时间复杂度 O(N),分治处理 M 个链表的复杂度为 O(logM) 所以 O(NlogM) , 其中 N 是链表的长度, M 是链表的数量


/** * @分析 * 1. 多个排序链表很难处理,那么两个排序好的链表合并呢? * 2. 将两个有序链表合成一个,然后放进 list 继续走,最后合成一个即可 * 3. 用分治,如果超出 2 个链表,就拆分了处理,mergeKLists(arr) 最后得到的也是一个排序好的链表,所以每次可以分开治,然后最后 merge 治; * 4. 合并两个链表的时间复杂度 ${O(N)}$,分治处理 M 个链表的复杂度为 ${O(logM)}$ 所以 ${O(NlogM)}$ , 其中 N 是链表的长度, M 是链表的数量 */ var mergeKLists = function(lists) {     const len  =lists.length     // return lists.reduce((prev,cur) => mergeTwoList(prev,cur)) // 直接 api 递推即可,但是复杂度更高    // 用分治的方式可以将 N 的复杂度降低到 logN    if(len<1) return null    if(len === 1) return lists[0]    if(len === 2) return mergeTwoList(lists[0],lists[1])    const mid = len>>1    return mergeTwoList(mergeKLists(lists.slice(0,mid)),mergeKLists(lists.slice(mid)))
};
// 合并两个有序链表function mergeTwoList (list1,list2){ const emptyNode = new ListNode() let cur =emptyNode while(list1 && list2){ if(list1.val<list2.val){ cur.next= list1 list1 = list1.next }else{ cur.next= list2 list2 = list2.next } cur = cur.next cur.next = null } if(list1) cur.next = list1 if(list2) cur.next = list2 return emptyNode.next}
复制代码

451. 根据字符出现频率排序

分析

  1. 既然是要按照出现评率进行新组装,所以先遍历一次字符串,用 map 将字符和出现频率作为一组 item 保存起来 -- 时间空间复杂度都是 O(N)

  2. 这个时候其实只要按照频率从到到小排列好,然后一一取出重装即可

  3. 这边是用堆排序,但是 item 不再是简单的数字,而是一个数组 [key,value],所以相应的方法微调即可

  4. 堆排是时间复杂度:O(NlogN), 最终的空间复杂度是 O(N)


// 451. 根据字符出现频率排序
var frequencySort = function (s) { let ret = ""; if (!s) return s; const map = new Map(); const heap = new MaxHeap(); for (let i = 0; i < s.length; i++) { const item = s[i]; if (map.has(item)) { map.set(item, map.get(item) + 1); } else { map.set(item, 1); } } // 加入堆中,元素值是 [key,value], 要用 value 来进行比对 for (let item of map.entries()) { heap.add(item); } while (heap.data[0]) { const item = heap.pop(); ret += item[0].repeat(item[1]); } return ret; };
class MaxHeap { constructor() { this.data = []; this.data[0] = 0; }
down(index) { const lastIndex = this.data[0]; //最后一个值的下标值 while (index << 1 <= lastIndex) { let child = index << 1; if ( child !== lastIndex && this.data[child + 1][1] > this.data[child][1] ) { child++; } if (this.data[child][1] > this.data[index][1]) { // 注意,item 是数组,所以用第二个值做比对,但是交换的是整个 item [this.data[child], this.data[index]] = [ this.data[index], this.data[child], ]; index = child; } else { break; } } }
upper() { let index = this.data[0]; while (index >> 1 > 0) { const father = index >> 1; if (this.data[father][1] < this.data[index][1]) { // 注意,item 是数组,所以用第二个值做比对,但是交换的是整个 item [this.data[father], this.data[index]] = [ this.data[index], this.data[father], ]; index = father; } else { break; } } }
add(item) { this.data.push(item); this.data[0]++; this.upper(); }
pop() { [this.data[1], this.data[this.data[0]]] = [ this.data[this.data[0]], this.data[1], ]; this.data[0]--; const temp = this.data.pop(); this.down(1) return temp } }

复制代码

378. 有序矩阵中第 K 小的元素

分析

  1. 这里就是 item 为数组的 bottomK, 和正常的 top K 只是多了以数组作为元素的处理

  2. 使用堆排的时候,只需要整理函数 down 和 upper 比对的时候弄一下就好了

  3. 不过有一个区别就是,这个 K 有可能大于二维数组的数组长度 Len(matrix), 所以不能直接创建一个 K 大大顶堆取堆顶,反而要将二维数组所有元素都编入到 Len 大小的小顶堆中,然后再取 K 次

  4. 这也说明了 top K 这类题的两种堆解法,要不就是设置 K 大/小 的堆,然后不断用元素去替代,要不设置全部元素的堆,然后弹出 K 次值;

  5. 时间/空间复杂度 O(NlogN)


// 378. 有序矩阵中第 K 小的元素
/** * @分析 -- 第 K 小 * 1. 这里给的排好序的矩阵,那么可以用小顶堆将矩阵中元素转移到小顶堆中,每次从堆顶取值后整理,取到第 K 个即可 */var kthSmallest = function(matrix, k) { const minHeap = new MinHeap() for(let i = 0;i<matrix.length;i++){ minHeap.add(matrix[i]) } const ret = [] while(--k){ minHeap.pop() } return minHeap.pop()
};
class MinHeap { constructor(){ this.data = [] this.data[0] = 0 }
down(index){ const lastIndex = this.data[0] while(index<<1 <= lastIndex){ let child = index << 1 if(child!==lastIndex && this.data[child+1][0]< this.data[child][0]){ child++ } if(this.data[child][0]< this.data[index][0]){ [this.data[child], this.data[index]] = [this.data[index], this.data[child]] index = child }else { break } } }
upper() { let index = this.data[0] while(index >>1 > 0){ let father = index >> 1 if(this.data[father][0]> this.data[index][0]){ [this.data[father], this.data[index]] = [this.data[index], this.data[father]] index = father }else { break } } }
add(item){ this.data.push(item) this.data[0]++ this.upper() }
// 这里不是直接弹出 item,而只是弹出堆顶的第一个字母,然后再整理 pop(){ const temp = this.data[1].shift() if(!this.data[1].length){ // 数组空了 this.data[1] = this.data[this.data[0]] this.data.pop() this.data[0]-- } this.down(1) return temp }}
const ret = kthSmallest([[1,5,9],[10,11,13],[12,13,15]],8)console.log(ret)
复制代码

1054. 距离相等的条形码

分析

  1. 为了保证两两不相等,那得保证数量最多的那个条码必须先排完,防止排完其他就省它自个儿了;

  2. 所以先用 map 存储所有条码值(key)和数量(value)

  3. 这个时候就和 1046. 最后一块石头的重量很像了;

  4. 但是还有一点区别,就是每次你取出最大的两块,都只能取走一份进行排列,然后就要把剩下的放回去,保证每一次取两个值都是最大;这就好比,我们这道题是去磨石头,每次相互之间磨掉一层皮,每一次都要拿最后的石头去磨,而 1046. 最后一块石头的重量 是直接两个一砸就结束了;

  5. map 存储时,时间复杂度和空间复杂度都是 O(N), N 是长度; 堆排,这个算不出来了,大概也是 O(NlogN) 吧


// 1054. 距离相等的条形码
var rearrangeBarcodes = function (barcodes) { // 1. 将条形码的值和数量用 map 存储起来 const map = new Map(); for (let i = 0; i < barcodes.length; i++) { const item = barcodes[i]; if (map.has(item)) { map.set(item, map.get(item) + 1); } else { map.set(item, 1); } } // 2.创建最大堆,进行堆排 const heap = new MaxHeap(); for (let item of map.entries()) { heap.add(item); // [key,value] }
// 3. 每次取出最大的两个 item 进行重写排列 const ret = []; while (heap.data[0] > 1) { // 这里是默认是保证存在答案,所以即便最后还有item,那么对应的值也只有1个 // 但是如果条件没有已知,那么就可以根据这个值进行判断是否成功了 const first = heap.pop(); const second = heap.pop(); // Error:错误 // while(second[1]--){ // ret.push(first[0]) // ret.push(second[0]) // first[1]-- // }
ret.push(first[0]); first[1]--; ret.push(second[0]); second[1]--; // 然后就要放回去了
if (first[1]) { // 如果还有值,放回堆里再来 heap.add(first); } if (second[1]) { // 如果还有值,放回堆里再来 heap.add(second); } } if (heap.data[0]) { ret.push(heap.pop()[0]); } return ret;};
class MaxHeap { constructor() { this.data = []; this.data[0] = 0; }
down(index) { const lastIndex = this.data[0]; while (index << 1 <= lastIndex) { let child = index << 1; if ( child !== lastIndex && this.data[child + 1][1] > this.data[child][1] ) { child++; } if (this.data[child][1] > this.data[index][1]) { [this.data[child], this.data[index]] = [ this.data[index], this.data[child], ]; index = child; } else { break; } } }
upper() { let index = this.data[0]; while (index >> 1 > 0) { let father = index >> 1; if (this.data[father][1] < this.data[index][1]) { [this.data[father], this.data[index]] = [ this.data[index], this.data[father], ]; index = father; } else { break; } } }
add(item) { this.data.push(item); this.data[0]++; this.upper(); }
pop() { [this.data[1], this.data[this.data[0]]] = [ this.data[this.data[0]], this.data[1], ]; const item = this.data.pop(); this.data[0]--; this.down(1); return item; }}
console.log(rearrangeBarcodes([7, 7, 7, 8, 5, 7, 5, 5, 5, 8]));

复制代码


用户头像

js2030code

关注

还未添加个人签名 2022-09-14 加入

还未添加个人简介

评论

发布
暂无评论
前端leetcde算法面试套路之堆_JavaScript_js2030code_InfoQ写作社区