lc352 Data Stream as Disjoint Intervals
可以用treemap解
key保存interval的start，value保存interval的end。分别找出当前val的lowerKey（treemap中>val的最小key值，没有就返回null）和higherKey(<val的最大key没有就返回null) 有以下几种情况： 1） 当前插入的key与前后两个interval重叠 合并三者，将前一个的interval.end改成后一个的end，并且将后一个从treemap中删除 2） 当前插入的key与前面的interval重叠 合并，前一个interval的end改成Math.max(end, val) 注意这里的判断条件不能写成 treemap.(treemap.lowerKey(val)) == val – 1; 而是应该写成>=，前者会出现异常，举例来说[4, 9] 现在val=7，按前者的判断条件，可能就直接放到case4里了，变成[4, 9]和[7, 7]共存 3） 当前插入的key与后面的interval重叠 put(val, 后一个的end) remove(后一个的key) 4） 当前插入的key不和任何已存在interval重叠，直接插入，按题意value设为key值
class SummaryRanges {
TreeMap<Integer, Integer> tree;
/** Initialize your data structure here. */
public SummaryRanges() {
tree = new TreeMap<>();
}
public void addNum(int val) {
if(tree.containsKey(val))
return;
Integer l = tree.lowerKey(val);
Integer h = tree.higherKey(val);
Integer lv = l == null ? null : tree.get(l);
Integer hv = h == null ? null : tree.get(h);
if(l != null && h != null && lv == val - 1 && h == val + 1){
//lv = hv;
tree.put(l, hv);
tree.remove(h);
}else if(l != null && lv >= val - 1){
//lv = val;
tree.put(l, Math.max(lv, val));
}else if(h != null && h == val + 1){
tree.put(val, hv);
tree.remove(h);
}else{
tree.putIfAbsent(val, val);
}
}
public int[][] getIntervals() {
Iterator it = tree.keySet().iterator();
int i = 0;
int[][] res = new int[tree.size()][2];
while(it.hasNext()){
Integer key = (Integer)it.next();
res[i][0] = key;
res[i][1] = tree.get(key);
i++;
}
return res;
}
/*public int[][] getIntervals() {
return tree.entrySet()
.stream()
.map(e -> new int[]{e.getKey(), e.getValue()})
.toArray(int[][]::new);
}*/
}
/**
* Your SummaryRanges object will be instantiated and called as such:
* SummaryRanges obj = new SummaryRanges();
* obj.addNum(val);
* int[][] param_2 = obj.getIntervals();
*/
239 Sliding Window Maximum
1） 双向队列，时间复杂度o(n)
a） 维护一个最大长为k（可能实际长度小于k，见b）的双向队列，保证当前队列有序，头元素为最大，这样每次只需要取dq.peek()即可。 怎么保证队列有序其头元素最大呢？每次i迭代后，把队列中没有用的元素剔除。就是把<nums[i]的元素全部剔除，然后把nums[i]的索引i放入队列。 怎么剔除？这里就用到了双向队列，从队尾开始删pollLast() 注意，队列中存放的是index而非值本身，目的是为了下一步b中确定队头元素的位置是否还在window内
b） 保证队头的元素都来自i-k+1~i，因为这是一个sliding window。 if(dp.peek() < i-k+1) dp.poll() //直接删除队首元素
1 class Solution {
2 public int[] maxSlidingWindow(int[] nums, int k) {
3 if(nums == null ||nums.length == 0)
4 return nums;
5 int len = nums.length;
6 int size = len - k + 1;
7
8 int[] res = new int[size];
9 Deque<Integer> dq = new ArrayDeque<>();
10
11
12 for(int i=0, j=0; i<len; i++){
13 while(!dq.isEmpty() && dq.peek() < i - k + 1)
14 dq.poll();
15
16 while(!dq.isEmpty() && nums[dq.peekLast()] <= nums[i])
17 dq.pollLast();
18 dq.offer(i);
19 if(i >= k-1)
20 res[j++] = nums[dq.peek()];
21 }
22
23 return res;
24
25 }
26 }
2） 最大堆，时间复杂度o(nlogk)
维护一个大小为k的最大堆，可以把priorityqueue翻转一下即可 PriorityQueue<Integer> pq = new PriorityQueue<>(Comparator.reverseOrder()) 每次i迭代，去掉nums[i-k]，插入nums[i]，然后取堆root元素即可。
295 Find Median from Data Stream
用一个最大堆和一个最小堆，最大堆里放历史数据流中前k小的数，最小堆中放剩下的数，数据流总size为偶数，则两个堆大小相等，若为奇数，则最大堆比最小堆多一个数。这样我们median要么是最大堆root值，要么是两个堆root的平均值。
1 class MedianFinder {
2 PriorityQueue<Integer> min = new PriorityQueue<>();
3 PriorityQueue<Integer> max = new PriorityQueue<>(Comparator.reverseOrder());
4 /** initialize your data structure here. */
5 public MedianFinder() {
6
7 }
8
9 public void addNum(int num) {
10 max.offer(num);
11 min.offer(max.poll());
12 if(max.size() < min.size())
13 max.offer(min.poll());
14 }
15
16 public double findMedian() {
17 if(max.size() == min.size())
18 //return (max.poll() + min.poll()) / 2;
19 //poll() will remove the first element of priorityqueue, but peek() will just retrieve the value and will not remove the element
20 return (max.peek() +min.peek()) / 2.0;
21 else
22 return max.peek();
23 }
24 }
25
26 /**
27 * Your MedianFinder object will be instantiated and called as such:
28 * MedianFinder obj = new MedianFinder();
29 * obj.addNum(num);
30 * double param_2 = obj.findMedian();
31 */
53 Maximum Subarray
用dp解
dp[i]定义为包含当前i的最大子序列
递归式：dp[i] = max(dp[i-1], dp[i-1] + nums[i]);
注意还要用一个max变量保存dp[i]中（i=0~n-1）最大的那个dp[i]
返回值为max
1 class Solution {
2 public int maxSubArray(int[] nums) {
3 if(nums == null ||nums.length == 0)
4 return 0;
5 int len = nums.length;
6 int[] dp = new int[len];
7 dp[0] = nums[0];
8 int max = dp[0];
9
10 for(int i=1; i<len; i++){
11 dp[i] = Math.max(dp[i-1] + nums[i], nums[i]);
12 max = Math.max(max, dp[i]);
13 }
14 //max = Math.max(max, dp[0]);
15 return max;
16 }
17 }
209 Minimum Size Subarray Sum
双指针，
一个指针用来求和，即j-i的所有元素只和，sum += nums[i++]
一个指针用来减去0-j的元素, sum -= nums[j++] 每当j~i之和>=s，记录j~i的长度，用一个min记录所有ij组合的长度最小值,r然后减去当前j所指元素，j++，直到j~i之和<s
1 class Solution {
2 public int minSubArrayLen(int s, int[] nums) {
3 if(nums == null || nums.length == 0)
4 return 0;
5 int i=0, j=0, min = Integer.MAX_VALUE;
6 int sum = 0;
7
8 while(i < nums.length){
9 sum += nums[i++];
10
11 while(sum >= s){
12 min = Math.min(min, i-j);
13 sum -= nums[j++];
14 }
15 }
16
17 return min == Integer.MAX_VALUE ? 0 : min;
18 }
19
20
21 }
来源：https://www.cnblogs.com/hwd9654/p/10917735.html