[Lc14_priority_queue] 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

1.最后一块石头的重量

题解

2.数据流中的第 K 大元素

题解

3.前K个高频单词

题解

代码

⭕4.数据流的中位数

题解

在C++中，使用标准库中的priority_queue，默认情况下它是一个最大堆（即大堆排序），这意味着最大的元素总是位于队列的前面。具体来说，默认使用的比较器是std::less<T>

1.最后一块石头的重量

链接：1046. 最后一块石头的重量

有一堆石头，每块石头的重量都是正整数。

每一回合，从中选出两块 最重的 石头，然后将它们一起粉碎。假设石头的重量分别为 x 和 y，且 x <= y。那么粉碎的可能结果如下：

如果 x == y，那么两块石头都会被完全粉碎；
如果 x != y，那么重量为 x 的石头将会完全粉碎，而重量为 y 的石头新重量为 y-x。

最后，最多只会剩下一块石头。返回此石头的重量。如果没有石头剩下，就返回 0。

示例：

输入：[2,7,4,1,8,1]
输出：1
解释：
先选出 7 和 8，得到 1，所以数组转换为 [2,4,1,1,1]，
再选出 2 和 4，得到 2，所以数组转换为 [2,1,1,1]，
接着是 2 和 1，得到 1，所以数组转换为 [1,1,1]，
最后选出 1 和 1，得到 0，最终数组转换为 [1]，这就是最后剩下那块石头的重量。

题解

每一回合，从中选出两块最重的石头，x == y，那么两块石头都会被完全粉碎；
如果 x != y，那么重量较小的 x 石头将会完全粉碎，而重量较大的 y 的石头新重量为 y-x。
最多只会剩下一块石头。

返回此石头的重量。如果没有石头剩下，就返回 0。

每次挑选的是先挑一堆数中最大的那个数，然后再挑一个剩下数中最大的数。

这不正好符合大根堆的数据结构吗。

解法：用堆来模拟这个过程

先拿数组的数创建一个大根堆，每次从堆里面选择最大和次大两个数

如果相等就是0不用加入到大根堆里
如果不相等用最大的数减去次大的数，把结果加入到堆里面。

如果最后堆里还剩下一个数，返回这个数。如果堆为空说明石头全都粉碎了返回0即可。

class Solution {
public:int lastStoneWeight(vector<int>& stones) {priority_queue<int> heap;for(auto& n:stones)heap.push(n);while(heap.size()>1){int n1=heap.top();heap.pop();int n2=heap.top();heap.pop();if(n1==n2) continue;else{int tmp=n1>n2?n1-n2:n2-n1;heap.push(tmp);}}return heap.empty()?0:heap.top();   }
};

2.数据流中的第 K 大元素

链接：703. 数据流中的第 K 大元素

设计一个找到数据流中第 k 大元素的类（class）。注意是排序后的第 k 大元素，不是第 k 个不同的元素。

请实现 KthLargest 类：

KthLargest(int k, int[] nums) 使用整数 k 和整数流 nums 初始化对象。
int add(int val) 将 val 插入数据流 nums 后，返回当前数据流中第 k 大的元素。

示例 1：

输入：
["KthLargest", "add", "add", "add", "add", "add"]
[[3, [4, 5, 8, 2]], [3], [5], [10], [9], [4]]

输出：[null, 4, 5, 5, 8, 8]

题解

设计一个找到数据流中第 k 大元素的类（class）。

注意是排序后的第 k 大元素，不是第 k 个不同的元素。

int add(int val) 将 val 插入数据流 nums 后，返回当前数据流中第 k 大的元素。

这道题其实考察的是一个非常经典的问题， TopK问题。

关于TopK问题有两种解题思路，一种是堆 O(nlogk)，一种是前面刚学的快速选择算法 O(n)（前文回顾：[Lc7_分治-快排] 快速选择排序 | 数组中的第K个最大元素 | 库存管理 III。
快速选择排序虽然快，但是对于海量的数据内存根本放不下。
所以在海量数据情况最优的还是堆。

解法：用堆来解决

创建一个大小为 k 的堆（大根堆 or 小根堆）
循环

1.依次进堆
2.判断堆的大小是否超过 K

在堆的实现，画图和代码分析建堆，堆排序，时间复杂度以及TOP-K问题，对于求第K个最大元素

我们也是将前K个数建个小堆，然后将剩下的N-K个元素和堆顶元素做比较
如果大于堆顶元素，就先把栈顶元素pop掉，也就是把堆中最小元素删除，然后将它放进去。
这样一直循环，直到所有元素都比较完成。

因为是一直把堆中最小的pop掉，那堆的元素就是N个元素中最大的，而堆顶就是第K个最大的元素

别忘记我们这是一个小堆！

sum: eg. TOP_K 大，建一个 K 小堆，大于 top 就 pop,push, 最后的就是第 K 大了，因为是一个数值为 K 的小堆

这里我们也是建小堆，依次进堆，当堆大小超过K个，pop堆顶元素，把堆中最小元素pop掉，并且使堆保持K个大小。

每次都是堆中最小元素去掉。那最后堆中剩下的就是前K个最大元素，而堆顶就是第K个最大元素。

考虑一下下面两个问题

用大根堆还是小根堆
为什么要用大根堆（小根堆）

class KthLargest {
public:priority_queue<int,vector<int>,greater<int>> heap;int _k;KthLargest(int k, vector<int>& nums) {//第k大，建小堆_k=k;for(auto& num:nums){heap.push(num);if(heap.size()>k) heap.pop();//删除最小的}}int add(int val) {heap.push(val);if(heap.size()>_k) heap.pop();//删除最小的return heap.top();}
};

3.前K个高频单词

链接：692. 前K个高频单词

给定一个单词列表 words 和一个整数 k ，返回前 k 个出现次数最多的单词。

返回的答案应该按单词出现频率由高到低排序。如果不同的单词有相同出现频率， 按字典顺序 排序。

示例 1：

输入: words = ["i", "love", "leetcode", "i", "love", "coding"], k = 2
输出: ["i", "love"]
解析: "i" 和 "love" 为出现次数最多的两个单词，均为2次。注意，按字母顺序 "i" 在 "love" 之前。

示例 2：

输入: ["the", "day", "is", "sunny", "the", "the", "the", "sunny", "is", "is"], k = 4
输出: ["the", "is", "sunny", "day"]
解析: "the", "is", "sunny" 和 "day" 是出现次数最多的四个单词，出现次数依次为 4, 3, 2 和 1 次。

题解

这是一个TopK的问题，注意，返回的答案应该按单词出现频率由高到低排序。

如果不同的单词有相同出现频率，按字典顺序(由低向高) 排序。

解法：利用 “堆” 来解决 TopK 问题

1. 预处理一下原始的字符串数组：用一个哈希表，统计一下每一个单词出现的频次。

2. 创建一个大小为 k 的堆，类提供的比较函数满足不了要求，我们要自己定义一个！

（返回的答案应该按单词出现频率由高到低排序。如果不同的单词有相同出现频率，按字典顺序(由低向高) 排序。）

如果比较频次创建一个小根堆，如果比较字典序(频次相同的时候)，创建一个大根堆。

所以说创建堆写比较函数的时候必须要考虑这两点

当频次相同的时候字典序按照大根堆方式比较
当频次不同的时候按照小根堆方式比较。

3. 循环

1.依次进堆

2.判断堆的大小是否超过 K

4. 提取结果
因为求前K大，所以建的是一个小根堆，然后提取堆顶元素在pop是一个升序的。
逆序一下取前K个

代码

#和 ds 讨论后的优化代码，用lambda和emplace

⭕4.数据流的中位数

链接：295. 数据流的中位数

中位数是有序整数列表中的中间值。如果列表的大小是偶数，则没有中间值，中位数是两个中间值的平均值。

例如 arr = [2,3,4] 的中位数是 3 。
例如 arr = [2,3] 的中位数是 (2 + 3) / 2 = 2.5 。

实现 MedianFinder 类:

MedianFinder() 初始化 MedianFinder 对象。
void addNum(int num) 将数据流中的整数 num 添加到数据结构中。
double findMedian() 返回到目前为止所有元素的中位数。与实际答案相差 10-5 以内的答案将被接受。

示例 1：

输入
["MedianFinder", "addNum", "addNum", "findMedian", "addNum", "findMedian"]
[[], [1], [2], [], [3], []]
输出
[null, null, null, 1.5, null, 2.0]解释
MedianFinder medianFinder = new MedianFinder();
medianFinder.addNum(1);    // arr = [1]
medianFinder.addNum(2);    // arr = [1, 2]
medianFinder.findMedian(); // 返回 1.5 ((1 + 2) / 2)
medianFinder.addNum(3);    // arr[1, 2, 3]
medianFinder.findMedian(); // return 2.0

题解

给一个数据流，让返回每次当前已经加入到数组的数据流的中位数。

中位数是有序整数列表中的中间值。

如果列表的大小是偶数，则没有中间值，中位数是两个中间值的平均值。
表的大小是奇数，直接返回中间的数。

解法一：直接sort

每次从数据流中来一个数插入数组中之后，都对当前数组进行sort

然后通过下标的方式找到中间数。

每次add加入一个数都要sort，时间复杂度是O(nlogn)。

总体时间复杂度是非常恐怖的。
因为是下标访问，find 时间复杂度是 O(1)

解法二：插入排序的思想

[0,end] 有序，插入 end + 1，使 [0, end + 1]有序。

这道题正好就是这样的思想。

相当于打扑克，找到合适的位置。

add函数，每次插入一个数的时候都需要从后往前扫描找一个插入的位置

因此时间复杂度是O(n)
find 也是通过下标去找时间复杂度是O(1)

解法三：大小堆来维护数据流的中位数

此时有一个数轴已经按照从小到大的排好序了，这个时候想找中间数的时候。

把这些数的前半部分放到一个大根堆里面，后半部分放到小根堆里面。
此时找中间值也很快，前面较小的数放到大根堆里面，堆顶元素是数轴中这些较小元素种最右边的值。
后面较大的数放到小根堆里面，堆顶元素是数轴中这些较大元素最左边。

此时我们仅需根据数组中的元素的个数就可以求出中位数是多少了。

如果数组是偶数

大根堆和小根堆正好把数轴平分
然后大堆堆顶元素和小堆堆顶元素相加 /2就是这个数组的中位数。

如果数组是奇数个。

我们就先人为规定一下，数轴左边元素是m个，右边是n个
人为规定左边大根堆多方一个元素，m > n (m = n + 1)
此时中位数就是左边大根堆的堆顶元素。

向这样用大根堆存左边较小部分，小根堆存右边较大部分。

find 时间复杂度也是O(1)，而add快了很多
因为我们是从堆存这些元素的，插入和删除每次调整堆仅需O(logn)

细节问题：

add如何实现：

假设现在有两个堆了。
一个大根堆left，一个小根堆right。
left元素个数m个，right元素个数n个，left堆顶元素x，right堆定元素y。

如果此时来了一个数num，num要么放在left里，要么放在right里。

但是放好之后可能会破坏之前的规则：

m == n
m > n —> m == n + 1

我们必须维护上面的规则，才能正确找到数组中位数。

接下来分情况讨论：

m == n

num要么插入left，要么插入right。

如果num要进入left，那么num <= x，但是别忘记 m == n 有可能两个堆全为空，num也是直接进入left。
此时 m 比 n 多了一个。没关系直接进就行。

如果num进入right，那条件是 num > x。

此时就有问题了。n > m了，而 n > m是不被允许的，所以我们要把右边堆调整一下，就是拿right堆顶元素放到left里。
因为right是一个小根堆，堆顶就是最小值。
拿到left，还是能保证left堆里元素是较小的，right堆里元素是较大的。
拿right堆顶元素放到left里正好满足 m == n + 1。

这里有一个细节问题，必须num先进right堆，然后再拿right堆定元素放到left

因为 x < num < y，如果直接把y拿过去了，就破坏了left都是较小元素。right都是较大元素。

m > n —> m == n + 1

如果num进入left，那么num <= x ，但是此时不满足 m == n + 1

因此进栈后将栈顶元素给right。
如果num进入right，那么num > x , m == n了，直接进就行了

注意：上面都是 先进栈再拿栈顶移动

顺便复习了大顶堆小顶堆，红黑树，avl树，排序。很好的题

class MedianFinder {
private:std::priority_queue<int> left;    // 大顶堆存较小的一半std::priority_queue<int, std::vector<int>, std::greater<int>> right; // 小顶堆存较大的一半public:MedianFinder() {}  // 构造函数不需要初始化队列void addNum(int num) {int m=left.size();int n=right.size();if(m==n){if(m==0 || num<=left.top())//注意为空left.push(num);else{right.push(num);left.push(right.top());right.pop();}}if(m>n){if(num<=left.top()){left.push(num);right.push(left.top());left.pop();}//先 进栈 再拿栈顶移动elseright.push(num);}}double findMedian() {if(left.size() > right.size()) {return left.top();}return (left.top() + right.top()) / 2.0;  // 2.0确保浮点运算}
};