大厂算法面试之 leetcode 精讲 18. 队列
作者：全栈潇晨
- 2021 年 12 月 03 日
本文字数：13039 字
阅读完需：约 43 分钟
大厂算法面试之 leetcode 精讲 18.队列
视频讲解（高效学习）:点击学习
目录：
队列的特点：先进先出（FIFO）
队列的时间复杂度：入队和出队
O(1)，查找O(n)优先队列：
priorityQueue，按优先级出队，实现Heap(Binary,Fibonacci...)js 里没有队列，但是可以用数组模拟
225. 用队列实现栈 (easy)
方法 1.使用两个 Queue 实现
思路：还是考察栈和队列的熟悉程度，没有什么具体的工程实际意义，可以用两个队列来实现栈的功能，但是一个队列的数据导入另一个队列顺序还是没有改变，所以其中一个队列只是用来做备份的，在代码里 queue2 就是备份队列，入栈的时候，队列 1 入队，出栈的时候，如果队列 1 为空，则交换队列 1 和队列 2，为的是将备份队列的元素全部加入队列 1，然后将队列 1 中除了最后一个元素外全部出队，并且加入备份队列，
复杂度分析：push 的时间复杂度为
O(1)，pop 的时间复杂度为O(n)。空间复杂度O(n)，其中 n 是栈内元素的个数，用两个队列来存储
Js:
var MyStack = function() { this.queue1 = []; this.queue2 = [];//备份的队列};
MyStack.prototype.push = function(x) { this.queue1.push(x);};
MyStack.prototype.pop = function() { // 减少两个队列交换的次数， 只有当queue1为空时，交换两个队列 if(!this.queue1.length) { [this.queue1, this.queue2] = [this.queue2, this.queue1]; } while(this.queue1.length > 1) {//当队列1的元素数量大于1的时候不断将元素push进备份队列 this.queue2.push(this.queue1.shift()); } return this.queue1.shift();//最后将队列1最后一个元素出队};
MyStack.prototype.top = function() { const x = this.pop();//查看栈顶，队列出队，然后在push进队列1 this.queue1.push(x); return x;};
MyStack.prototype.empty = function() { return !this.queue1.length && !this.queue2.length;};
复制代码
Java:
class MyStack { Queue<Integer> queue1; Queue<Integer> queue2;
public MyStack() { queue1 = new LinkedList<>(); queue2 = new LinkedList<>(); } public void push(int x) { queue2.offer(x); while (!queue1.isEmpty()){ queue2.offer(queue1.poll()); } Queue<Integer> queueTemp; queueTemp = queue1; queue1 = queue2; queue2 = queueTemp; } public int pop() { return queue1.poll(); }
public int top() { return queue1.peek(); }
public boolean empty() { return queue1.isEmpty(); }}
复制代码
方法 2.使用一个 队列 实现
思路：使用一个 队列 实现，入栈的时候直接 push 进队列就行，出栈的时候将除了最后一个元素外的元素全部加入到队尾。
复杂度分析：push 的时间复杂度为
O(1)，pop 的时间复杂度为O(n)，空间复杂度O(n)
js:
var MyStack = function() { this.queue = [];};
MyStack.prototype.push = function(x) { this.queue.push(x);};
MyStack.prototype.pop = function() { let size = this.queue.length; while(size-- > 1) {//将除了最后一个元素外的元素全部加入到队尾。 this.queue.push(this.queue.shift()); } return this.queue.shift();};
MyStack.prototype.top = function() { const x = this.pop();//先出栈，然后在加入队列 this.queue.push(x); return x;};
MyStack.prototype.empty = function() { return !this.queue.length;};
复制代码
java:
class MyStack { Deque<Integer> queue1;
public MyStack() { queue1 = new ArrayDeque<>(); }
public void push(int x) { queue1.addLast(x); } public int pop() { int size = queue1.size(); size--; while (size-- > 0) { queue1.addLast(queue1.peekFirst()); queue1.pollFirst(); }
int res = queue1.pollFirst(); return res; } public int top() { return queue1.peekLast(); } public boolean empty() { return queue1.isEmpty(); }}
复制代码
703. 数据流中的第 K 大元素 (easy)
方法 1:暴力排序
思路：当数据流有新的元素的时候，重新按升序排序数组，倒数第 k 个元素就是第 k 大的数
复杂度分析：时间复杂度
O(c*zlogz)，z 为数据流的最长长度，c 为加入元素的个数，排序复杂度是O(zlogz)，加入 c 次排序就需要排序 c 次。
方法 2:堆
思路：用一个 size 是 k 的小顶堆来存贮前 k 个元素，堆顶是最小的元素，在循环数组的过程中，不断加入元素然后调整元素在堆中的位置，如果此时优先队列的大小大于 k，我们需要将优先队列的队头元素弹出，以保证优先队列的大小为 k，最后堆顶就是第 K 大元素的位置
复杂度分析：时间复杂度
O(nlogk)，n 是初始数组的大小，k 是堆的大小，初始堆化和单次插入堆的复杂度都是O(logk)，数组的每个数都要插入堆中一次，所以是O(nlogk)。 空间复杂度：O(k), 即堆的大小
js:
var KthLargest = function (k, nums) { this.k = k; this.heap = new Heap(); for (const x of nums) {//将数组中的数加入小顶堆 this.add(x);//加入小顶堆 }};
KthLargest.prototype.add = function (val) { this.heap.offer(val);//加入堆 if (this.heap.size() > this.k) {//大小超过了小顶堆的size，就从小顶堆删除一个最小的元素 this.heap.poll();//删除最小的元素 } return this.heap.peek();//返回堆顶};
class Heap { constructor(comparator = (a, b) => a - b, data = []) { this.data = data; this.comparator = comparator;//比较器 this.heapify();//堆化 }
heapify() { if (this.size() < 2) return; for (let i = Math.floor(this.size()/2)-1; i >= 0; i--) { this.bubbleDown(i);//bubbleDown操作 } }
peek() { if (this.size() === 0) return null; return this.data[0];//查看堆顶 }
offer(value) { this.data.push(value);//加入数组 this.bubbleUp(this.size() - 1);//调整加入的元素在小顶堆中的位置 }
poll() { if (this.size() === 0) { return null; } const result = this.data[0]; const last = this.data.pop(); if (this.size() !== 0) { this.data[0] = last;//交换第一个元素和最后一个元素 this.bubbleDown(0);//bubbleDown操作 } return result; }
bubbleUp(index) { while (index > 0) { const parentIndex = (index - 1) >> 1;//父节点的位置 //如果当前元素比父节点的元素小，就交换当前节点和父节点的位置 if (this.comparator(this.data[index], this.data[parentIndex]) < 0) { this.swap(index, parentIndex);//交换自己和父节点的位置 index = parentIndex;//不断向上取父节点进行比较 } else { break;//如果当前元素比父节点的元素大，不需要处理 } } }
bubbleDown(index) { const lastIndex = this.size() - 1;//最后一个节点的位置 while (true) { const leftIndex = index * 2 + 1;//左节点的位置 const rightIndex = index * 2 + 2;//右节点的位置 let findIndex = index;//bubbleDown节点的位置 //找出左右节点中value小的节点 if ( leftIndex <= lastIndex && this.comparator(this.data[leftIndex], this.data[findIndex]) < 0 ) { findIndex = leftIndex; } if ( rightIndex <= lastIndex && this.comparator(this.data[rightIndex], this.data[findIndex]) < 0 ) { findIndex = rightIndex; } if (index !== findIndex) { this.swap(index, findIndex);//交换当前元素和左右节点中value小的 index = findIndex; } else { break; } } }
swap(index1, index2) {//交换堆中两个元素的位置 [this.data[index1], this.data[index2]] = [this.data[index2], this.data[index1]]; }
size() { return this.data.length; }}
复制代码
java:
class KthLargest { PriorityQueue<Integer> pq; int k;
public KthLargest(int k, int[] nums) { this.k = k; pq = new PriorityQueue<Integer>(); for (int x : nums) { add(x); } } public int add(int val) { pq.offer(val); if (pq.size() > k) { pq.poll(); } return pq.peek(); }}
复制代码
23. 合并K个升序链表 (hard)
方法 1.分治
思路：自底而上归并，第一次归并 2 个链表，第二次归并 4 个链表...，每次归并不断合并两个有序链表，直到合并完所有分治后的链表
复杂度：时间复杂度
O(n * logk)，n 是每个链表节点数，k 个链表个数，每次归并，链表数量较少一半，复杂度是O(logk)，将两个链表合并成一个顺序链表复杂度是O(2n)，所以时间复杂度是O(n * logk)。空间复杂度是O(logk)，即递归的空格复杂度
js:
//自顶而下归并 先分在合var mergeKLists = function (lists) { // 当是空数组的情况下 if (!lists.length) { return null; } // 合并两个排序链表 const merge = (head1, head2) => { let dummy = new ListNode(0); let cur = dummy; // 新链表，新的值小就先接谁 while (head1 && head2) { if (head1.val < head2.val) { cur.next = head1; head1 = head1.next; } else { cur.next = head2; head2 = head2.next; } cur = cur.next; } // 如果后面还有剩余的就把剩余的接上 cur.next = head1 == null ? head2 : head1; return dummy.next; }; const mergeLists = (lists, start, end) => { if (start + 1 == end) { return lists[start]; } // 输入的k个排序链表，可以分成两部分，前k/2个链表和后k/2个链表 // 如果将这前k/2个链表和后k/2个链表分别合并成两个排序的链表，再将两个排序的链表合并，那么所有链表都合并了 let mid = (start + end) >> 1; let head1 = mergeLists(lists, start, mid); let head2 = mergeLists(lists, mid, end); return merge(head1, head2); }; return mergeLists(lists, 0, lists.length);};
//自底而上合并var mergeKLists = function (lists) { if (lists.length <= 1) return lists[0] || null;//当归并的节点只有一个时 返回这个节点 const newLists = []; //自底而上归并，第一次归并大小为2的链表，第二次归并大小4的链表... for (let i = 0; i < lists.length; i += 2) { newLists.push(merge(lists[i], lists[i + 1] || null)); } return mergeKLists(newLists);};
const merge = (list_1, list_2) => {//合并两个有序链表 const dummyNode = new ListNode(0); let p = dummyNode;
while (list_1 && list_2) { if (list_1.val < list_2.val) {//先将小的节点加入 p.next = list_1; list_1 = list_1.next; } else { p.next = list_2; list_2 = list_2.next; } p = p.next; }
p.next = list_1 ? list_1 : list_2;//遍历完成还有节点剩余 return dummyNode.next;};
复制代码
java:
class Solution { public ListNode mergeKLists(ListNode[] lists) { return mergeLists(lists, 0, lists.length - 1); }
public ListNode mergeLists(ListNode[] lists, int start, int end) { if (start == end) { return lists[start]; } if (start > end) { return null; } int mid = (start + end) >> 1; return merge(mergeLists(lists, start, mid), mergeLists(lists, mid + 1, end)); }
public ListNode merge(ListNode head1, ListNode head2) { if (head1 == null || head2 == null) { return head1 != null ? head1 : head2; } ListNode dummyNode = new ListNode(0); ListNode cur = dummyNode; while (head1 != null && head2 != null) { if (head1.val < head2.val) { cur.next = head1; head1 = head1.next; } else { cur.next = head2; head2 = head2.next; } cur = cur.next; } cur.next = (head1 != null ? head1 : head2); return dummyNode.next; }}
复制代码
方法 2.优先队列
思路：新建小顶堆，小顶堆的大小是 k，不断从每个链表的头节点开始不断加入小顶堆中，然后取出堆顶值，也就是最小值，然后继续往小顶堆中插入这个最小值在链表的 next 节点
复杂度：时间复杂度
O(kn * logk)，优先队列的大小是 k，每次插入和删除是O(logk)，总共 k * n 的节点个数，每个节点插入删除一次，所以总的复杂度是O(kn*logk)。空间复杂度是O(k)，即优先队列的大小
js:
class Heap { constructor(comparator = (a, b) => a - b, data = []) { this.data = data; this.comparator = comparator;//比较器 this.heapify();//堆化 }
heapify() { if (this.size() < 2) return; for (let i = Math.floor(this.size()/2)-1; i >= 0; i--) { this.bubbleDown(i);//bubbleDown操作 } }
peek() { if (this.size() === 0) return null; return this.data[0];//查看堆顶 }
offer(value) { this.data.push(value);//加入数组 this.bubbleUp(this.size() - 1);//调整加入的元素在小顶堆中的位置 }
poll() { if (this.size() === 0) { return null; } const result = this.data[0]; const last = this.data.pop(); if (this.size() !== 0) { this.data[0] = last;//交换第一个元素和最后一个元素 this.bubbleDown(0);//bubbleDown操作 } return result; }
bubbleUp(index) { while (index > 0) { const parentIndex = (index - 1) >> 1;//父节点的位置 //如果当前元素比父节点的元素小，就交换当前节点和父节点的位置 if (this.comparator(this.data[index], this.data[parentIndex]) < 0) { this.swap(index, parentIndex);//交换自己和父节点的位置 index = parentIndex;//不断向上取父节点进行比较 } else { break;//如果当前元素比父节点的元素大，不需要处理 } } }
bubbleDown(index) { const lastIndex = this.size() - 1;//最后一个节点的位置 while (true) { const leftIndex = index * 2 + 1;//左节点的位置 const rightIndex = index * 2 + 2;//右节点的位置 let findIndex = index;//bubbleDown节点的位置 //找出左右节点中value小的节点 if ( leftIndex <= lastIndex && this.comparator(this.data[leftIndex], this.data[findIndex]) < 0 ) { findIndex = leftIndex; } if ( rightIndex <= lastIndex && this.comparator(this.data[rightIndex], this.data[findIndex]) < 0 ) { findIndex = rightIndex; } if (index !== findIndex) { this.swap(index, findIndex);//交换当前元素和左右节点中value小的 index = findIndex; } else { break; } } }
swap(index1, index2) {//交换堆中两个元素的位置 [this.data[index1], this.data[index2]] = [this.data[index2], this.data[index1]]; }
size() { return this.data.length; }}
var mergeKLists = function(lists) { const res = new ListNode(0); let p = res; const h = new Heap(comparator = (a, b) => a.val - b.val); lists.forEach(l => {//插入每个链表的第一个节点 if(l) h.offer(l); }) while(h.size()) {// const n = h.poll();//取出最小值 p.next = n;//最小值加入p的next后 p = p.next;//移动p节点 if(n.next) h.offer(n.next);//插入最小节点的后一个节点 } return res.next;};复制代码
java:
class Solution { class Status implements Comparable<Status> { int val; ListNode ptr;
Status(int val, ListNode ptr) { this.val = val; this.ptr = ptr; }
public int compareTo(Status status2) { return this.val - status2.val; } }
PriorityQueue<Status> h = new PriorityQueue<Status>();
public ListNode mergeKLists(ListNode[] lists) { for (ListNode node: lists) { if (node != null) { h.offer(new Status(node.val, node)); } } ListNode res = new ListNode(0); ListNode p = res; while (!h.isEmpty()) { Status n = h.poll(); p.next = n.ptr; p = p.next; if (n.ptr.next != null) { h.offer(new Status(n.ptr.next.val, n.ptr.next)); } } return res.next; }}
复制代码
347. 前 K 个高频元素 （medium）
方法 1:优先队列
思路：循环数组，加入小顶堆，当堆的 size 超过 k 时，出堆，循环完成之后，堆中所有的元素就是前 k 大的数字
复杂度：时间复杂度
O(nlogk)，循环 n 次，每次堆的操作是O(logk)。空间复杂度O(k)，
js：
class Heap { constructor(comparator = (a, b) => a - b, data = []) { this.data = data; this.comparator = comparator;//比较器 this.heapify();//堆化 }
heapify() { if (this.size() < 2) return; for (let i = Math.floor(this.size()/2)-1; i >= 0; i--) { this.bubbleDown(i);//bubbleDown操作 } }
peek() { if (this.size() === 0) return null; return this.data[0];//查看堆顶 }
offer(value) { this.data.push(value);//加入数组 this.bubbleUp(this.size() - 1);//调整加入的元素在小顶堆中的位置 }
poll() { if (this.size() === 0) { return null; } const result = this.data[0]; const last = this.data.pop(); if (this.size() !== 0) { this.data[0] = last;//交换第一个元素和最后一个元素 this.bubbleDown(0);//bubbleDown操作 } return result; }
bubbleUp(index) { while (index > 0) { const parentIndex = (index - 1) >> 1;//父节点的位置 //如果当前元素比父节点的元素小，就交换当前节点和父节点的位置 if (this.comparator(this.data[index], this.data[parentIndex]) < 0) { this.swap(index, parentIndex);//交换自己和父节点的位置 index = parentIndex;//不断向上取父节点进行比较 } else { break;//如果当前元素比父节点的元素大，不需要处理 } } }
bubbleDown(index) { const lastIndex = this.size() - 1;//最后一个节点的位置 while (true) { const leftIndex = index * 2 + 1;//左节点的位置 const rightIndex = index * 2 + 2;//右节点的位置 let findIndex = index;//bubbleDown节点的位置 //找出左右节点中value小的节点 if ( leftIndex <= lastIndex && this.comparator(this.data[leftIndex], this.data[findIndex]) < 0 ) { findIndex = leftIndex; } if ( rightIndex <= lastIndex && this.comparator(this.data[rightIndex], this.data[findIndex]) < 0 ) { findIndex = rightIndex; } if (index !== findIndex) { this.swap(index, findIndex);//交换当前元素和左右节点中value小的 index = findIndex; } else { break; } } }
swap(index1, index2) {//交换堆中两个元素的位置 [this.data[index1], this.data[index2]] = [this.data[index2], this.data[index1]]; }
size() { return this.data.length; }}
var topKFrequent = function (nums, k) { const map = new Map();
for (const num of nums) {//统计频次 map.set(num, (map.get(num) || 0) + 1); }
//创建小顶堆 const priorityQueue = new Heap((a, b) => a[1] - b[1]);
//entry 是一个长度为2的数组，0位置存储key，1位置存储value for (const entry of map.entries()) { priorityQueue.offer(entry);//加入堆 if (priorityQueue.size() > k) {//堆的size超过k时，出堆 priorityQueue.poll(); } }
const ret = [];
for (let i = priorityQueue.size() - 1; i >= 0; i--) {//取出前k大的数 ret[i] = priorityQueue.poll()[0]; }
return ret;};
复制代码
java：
class Solution { public int[] topKFrequent(int[] nums, int k) { int[] ret = new int[k]; HashMap<Integer, Integer> map = new HashMap<>(); for (int num : nums) { map.put(num, map.getOrDefault(num, 0) + 1); }
Set<Map.Entry<Integer, Integer>> entries = map.entrySet(); PriorityQueue<Map.Entry<Integer, Integer>> priorityQueue = new PriorityQueue<>((o1, o2) -> o1.getValue() - o2.getValue()); for (Map.Entry<Integer, Integer> entry : entries) { priorityQueue.offer(entry); if (priorityQueue.size() > k) { priorityQueue.poll(); } } for (int i = k - 1; i >= 0; i--) { ret[i] = priorityQueue.poll().getKey(); } return ret; }}
复制代码
692. 前K个高频单词(medium)
方法 1:排序
js：
var topKFrequent = function (words, k) { const map = {}; words.forEach(v => map[v] = (map[v] || 0) + 1); const keys = Object.keys(map).sort((a, b) => map[b] - map[a] || a.localeCompare(b)) return keys.slice(0, k);};
复制代码
方法 2：堆
js:
class Heap { constructor(comparator = (a, b) => a - b, data = []) { this.data = data; this.comparator = comparator;//比较器 this.heapify();//堆化 }
heapify() { if (this.size() < 2) return; for (let i = Math.floor(this.size()/2)-1; i >= 0; i--) { this.bubbleDown(i);//bubbleDown操作 } }
peek() { if (this.size() === 0) return null; return this.data[0];//查看堆顶 }
offer(value) { this.data.push(value);//加入数组 this.bubbleUp(this.size() - 1);//调整加入的元素在小顶堆中的位置 }
poll() { if (this.size() === 0) { return null; } const result = this.data[0]; const last = this.data.pop(); if (this.size() !== 0) { this.data[0] = last;//交换第一个元素和最后一个元素 this.bubbleDown(0);//bubbleDown操作 } return result; }
bubbleUp(index) { while (index > 0) { const parentIndex = (index - 1) >> 1;//父节点的位置 //如果当前元素比父节点的元素小，就交换当前节点和父节点的位置 if (this.comparator(this.data[index], this.data[parentIndex]) < 0) { this.swap(index, parentIndex);//交换自己和父节点的位置 index = parentIndex;//不断向上取父节点进行比较 } else { break;//如果当前元素比父节点的元素大，不需要处理 } } }
bubbleDown(index) { const lastIndex = this.size() - 1;//最后一个节点的位置 while (true) { const leftIndex = index * 2 + 1;//左节点的位置 const rightIndex = index * 2 + 2;//右节点的位置 let findIndex = index;//bubbleDown节点的位置 //找出左右节点中value小的节点 if ( leftIndex <= lastIndex && this.comparator(this.data[leftIndex], this.data[findIndex]) < 0 ) { findIndex = leftIndex; } if ( rightIndex <= lastIndex && this.comparator(this.data[rightIndex], this.data[findIndex]) < 0 ) { findIndex = rightIndex; } if (index !== findIndex) { this.swap(index, findIndex);//交换当前元素和左右节点中value小的 index = findIndex; } else { break; } } }
swap(index1, index2) {//交换堆中两个元素的位置 [this.data[index1], this.data[index2]] = [this.data[index2], this.data[index1]]; }
size() { return this.data.length; }}
var topKFrequent = function (nums, k) { const map = new Map();
for (const num of nums) {//统计频次 map.set(num, (map.get(num) || 0) + 1); }
//创建小顶堆 const priorityQueue = new Heap((a, b) => { return a[1] === b[1] ? b[0].localeCompare(a[0]) : a[1] - b[1] });
//entry 是一个长度为2的数组，0位置存储key，1位置存储value for (const entry of map.entries()) { priorityQueue.offer(entry);//加入堆 if (priorityQueue.size() > k) {//堆的size超过k时，出堆 priorityQueue.poll(); } }
const ret = [];
for (let i = priorityQueue.size() - 1; i >= 0; i--) {//取出前k大的数 ret[i] = priorityQueue.poll()[0]; }
return ret;};
复制代码
933. 最近的请求次数 (easy)
思路：将请求加入队列，如果队头元素请求的时间在
[t-3000,t]之外 就不断出队复杂度：时间复杂度
O(q)，q 是 ping 的次数。空间复杂度O(w)，w 是队列中最多的元素个数
js：
var RecentCounter = function() { this.queue = []};
RecentCounter.prototype.ping = function(t) { this.queue.push(t);//新请求入队 const time = t-3000;//计算3000ms前的时间 while(this.queue[0] < time){//如果队头元素请求的时间在[t-3000,t]之外 就不断出队 this.queue.shift(); } return this.queue.length;//在[t-3000,t]区间内队列剩余的元素就是符合要求的请求数};
复制代码
java：
class RecentCounter { Queue<Integer> q; public RecentCounter() { q = new LinkedList(); }
public int ping(int t) { q.add(t); while (q.peek() < t - 3000) q.poll(); return q.size(); }}
复制代码
622. 设计循环队列 (medium)
复杂度:时间复杂度
O(1)，空间复杂度O(k)
js:
var MyCircularQueue = function(k) { this.front = 0 this.rear = 0 this.max = k this.list = Array(k)};
MyCircularQueue.prototype.enQueue = function(value) { if(this.isFull()) { return false } else { this.list[this.rear] = value this.rear = (this.rear + 1) % this.max return true }};
MyCircularQueue.prototype.deQueue = function() { let v = this.list[this.front] this.list[this.front] = undefined if(v !== undefined ) { this.front = (this.front + 1) % this.max return true } else { return false }};
MyCircularQueue.prototype.Front = function() { if(this.list[this.front] === undefined) { return -1 } else { return this.list[this.front] }};
MyCircularQueue.prototype.Rear = function() { let rear = this.rear - 1 if(this.list[rear < 0 ? this.max - 1 : rear] === undefined) { return -1 } else { return this.list[rear < 0 ? this.max - 1 : rear] }};
MyCircularQueue.prototype.isEmpty = function() { return this.front === this.rear && !this.list[this.front]};
MyCircularQueue.prototype.isFull = function() { return (this.front === this.rear) && !!this.list[this.front]};
复制代码
划线
评论
复制
发布于: 2021 年 12 月 03 日阅读数: 7
全栈潇晨
关注
还未添加个人签名 2021.02.17 加入
还未添加个人简介
评论