用Rust🦀写算法-栈与队列篇
用Rust🦀写算法-栈与队列篇
xvanzai232. 用栈实现队列
请你仅使用两个栈实现先入先出队列。队列应当支持一般队列支持的所有操作(push、pop、peek、empty):
实现 MyQueue 类:
void push(int x)将元素 x 推到队列的末尾int pop()从队列的开头移除并返回元素int peek()返回队列开头的元素boolean empty()如果队列为空,返回true;否则,返回false
说明:
- 你 只能 使用标准的栈操作 —— 也就是只有
push to top,peek/pop from top,size, 和is empty操作是合法的。 - 你所使用的语言也许不支持栈。你可以使用 list 或者 deque(双端队列)来模拟一个栈,只要是标准的栈操作即可。
示例 1:
1 | 输入: |
提示:
1 <= x <= 9- 最多调用
100次push、pop、peek和empty - 假设所有操作都是有效的 (例如,一个空的队列不会调用
pop或者peek操作)
进阶:
- 你能否实现每个操作均摊时间复杂度为
O(1)的队列?换句话说,执行n个操作的总时间复杂度为O(n),即使其中一个操作可能花费较长时间。
💡 思路:
- 使用Vec模拟栈(Rust 标准库通过
Vec(动态数组)来实现栈数据结构)- 用in_stack表示入队列,out_stack表示出队列
- 当入队列时,数据存放到in_stack中
- 因为栈:先进后出,队列:先进先出。所以只要将数据push到in_stack,再pop出来push到out_stack中,最后从out_stack中pop即可模拟队列先进先出
代码:
1 | struct MyQueue { |
225. 用队列实现栈
请你仅使用两个队列实现一个后入先出(LIFO)的栈,并支持普通栈的全部四种操作(push、top、pop 和 empty)。
实现 MyStack 类:
void push(int x)将元素 x 压入栈顶。int pop()移除并返回栈顶元素。int top()返回栈顶元素。boolean empty()如果栈是空的,返回true;否则,返回false。
注意:
- 你只能使用队列的标准操作 —— 也就是
push to back、peek/pop from front、size和is empty这些操作。 - 你所使用的语言也许不支持队列。 你可以使用 list (列表)或者 deque(双端队列)来模拟一个队列 , 只要是标准的队列操作即可。
示例:
1 | 输入: |
提示:
1 <= x <= 9- 最多调用
100次push、pop、top和empty - 每次调用
pop和top都保证栈不为空
进阶:你能否仅用一个队列来实现栈。
代码:
1 | struct MyStack { |
20. 有效的括号
给定一个只包括 '(',')','{','}','[',']' 的字符串 s ,判断字符串是否有效。
有效字符串需满足:
- 左括号必须用相同类型的右括号闭合。
- 左括号必须以正确的顺序闭合。
- 每个右括号都有一个对应的相同类型的左括号。
示例 1:
输入:s = “()”
输出:true
示例 2:
输入:s = “()[]{}”
输出:true
示例 3:
输入:s = “(]”
输出:false
示例 4:
输入:s = “([])”
输出:true
提示:
1 <= s.length <= 10^4s仅由括号'()[]{}'组成
💡 思路:将所有左括号入栈,遇到右括号时出栈,如果相匹配,继续,不匹配返回false。所有字符都进行操作后,判断栈是否为空。
1 | impl Solution { |
1047. 删除字符串中的所有相邻重复项
给出由小写字母组成的字符串 s,重复项删除操作会选择两个相邻且相同的字母,并删除它们。
在 s 上反复执行重复项删除操作,直到无法继续删除。
在完成所有重复项删除操作后返回最终的字符串。答案保证唯一。
示例:
1 | 输入:"abbaca" |
提示:
1 <= s.length <= 10^5s仅由小写英文字母组成。
代码:
1 | impl Solution { |
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:
1 | 输入:tokens = ["2","1","+","3","*"] |
示例 2:
1 | 输入:tokens = ["4","13","5","/","+"] |
示例 3:
1 | 输入:tokens = ["10","6","9","3","+","-11","*","/","*","17","+","5","+"] |
提示:
1 <= tokens.length <= 10^4tokens[i]是一个算符("+"、"-"、"*"或"/"),或是在范围[-200, 200]内的一个整数
逆波兰表达式:
逆波兰表达式是一种后缀表达式,所谓后缀就是指算符写在后面。
- 平常使用的算式则是一种中缀表达式,如
( 1 + 2 ) * ( 3 + 4 )。 - 该算式的逆波兰表达式写法为
( ( 1 2 + ) ( 3 4 + ) * )。
逆波兰表达式主要有以下两个优点:
- 去掉括号后表达式无歧义,上式即便写成
1 2 + 3 4 + *也可以依据次序计算出正确结果。 - 适合用栈操作运算:遇到数字则入栈;遇到算符则取出栈顶两个数字进行计算,并将结果压入栈中
💡 思路:
- 题目保证输入有效,将数字压入栈中,遇到操作符出栈两个操作数
- 匹配操作符,将不同操作符的结果计算出来,压入栈中
- 循环以上操作,直到遍历完逆波兰表达式
- 返回栈中结果
代码:
1 | impl Solution { |
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:
1 | 输入:nums = [1,3,-1,-3,5,3,6,7], k = 3 |
示例 2:
1 | 输入:nums = [1], k = 1 |
提示:
1 <= nums.length <= 10^5-10^4 <= nums[i] <= 10^41 <= k <= nums.length
💡 思路:
- 暴力法(不推荐)
直接遍历每个窗口并计算其最大值。时间复杂度为 O(n*k),当n和k较大时效率较低。- 单调队列法(最优解)
使用一个双端队列(deque)来存储当前窗口中可能成为最大值的元素索引。队列中的元素按从大到小排列,且都在当前窗口范围内。具体步骤如下:
- 初始化:创建双端队列
deque和结果列表 **res**。- 遍历数组:
a. 清理过期元素:移除队列头部不在当前窗口范围内的索引(小于 **i - k + 1**)。
b. 维护单调性:移除队列尾部所有小于当前元素的值,因为它们不可能成为后续窗口的最大值。
c. 添加新元素:将当前元素索引加入队列尾部。
d. 收集结果:当窗口形成后(i >= k - 1),将队列头部元素(当前窗口最大值)加入结果列表。
e. 返回结果:返回完整的res列表。
a. **清理过期元素**:移除队列头部不在当前窗口范围内的索引(小于 **`i - k + 1`**)。
b. **维护单调性**:移除队列尾部所有小于当前元素的值,因为它们不可能成为后续窗口的最大值。
c. **添加新元素**:将当前元素索引加入队列尾部。
d. **收集结果**:当窗口形成后(i >= k - 1),将队列头部元素(当前窗口最大值)加入结果列表。
e. **返回结果**:返回完整的 **`res`** 列表。
代码(思路二):
1 | use std::collections::VecDeque; |
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:
1 | 输入:nums = [1,1,1,2,2,3], k = 2 |
示例 2:
1 | 输入:nums = [1], k = 1 |
提示:
1 <= nums.length <= 10^5k的取值范围是[1, 数组中不相同的元素的个数]- 题目数据保证答案唯一,换句话说,数组中前
k个高频元素的集合是唯一的
进阶:你所设计算法的时间复杂度 必须 优于 O(n log n) ,其中 n 是数组大小。
💡 思路:
- 统计元素出现频率
- 对频率排序
- 找出前K个高频元素
首先使用map统计各个元素出现的频率。
接下来需要对频率排序,这里可以使用一种容器适配器——优先级队列。
什么是优先级队列呢?
优先级队列本质上是一个披着队列外衣的堆。它的对外接口很简单:只能从队头取元素,从队尾添加元素,看起来就像普通队列一样。
优先级队列的特别之处在于它会自动按元素的优先级进行排序。它是如何实现的呢?
默认情况下,priority_queue使用max-heap(大顶堆)来排序元素。这个大顶堆实际上是用vector实现的完全二叉树(complete binary tree)。
那么什么是堆呢?
堆是一棵完全二叉树,树中每个节点的值都不小于(或不大于)其左右子节点的值。当父节点大于等于子节点时称为大顶堆,小于等于时称为小顶堆。
大顶堆的堆顶是最大元素,小顶堆的堆顶是最小元素。如果不想自己实现堆,直接使用priority_queue(优先级队列)就可以了。从小到大排序用小顶堆,从大到小排序用大顶堆。
在本题中,我们将使用优先级队列来对元素频率进行部分排序。
为什么不用快速排序呢?快排需要先将map转换为vector,然后对整个数组排序。而在这种情况下,我们只需要维护k个有序的元素即可,所以优先级队列是更好的选择。
这里需要考虑:应该使用小顶堆还是大顶堆?
有人可能会想,既然要找前K个高频元素,那就用大顶堆。
但问题是,如果用大小为k的大顶堆,每次更新时都会把最大的元素弹出,那么如何保留前K个高频元素呢?
而且使用大顶堆就需要对所有元素排序,能不能只排序k个元素呢?
答案是使用小顶堆。因为要找出最大的k个元素,小顶堆每次弹出最小元素,最终堆中保留的就会是前k个最大元素。
代码:
1 | use std::collections::{ HashMap, BinaryHeap }; |
