力扣热门算法题 322. 零钱兑换,344. 反转字符串,347. 前 K 个高频元素

本文主要是介绍力扣热门算法题 322. 零钱兑换,344. 反转字符串,347. 前 K 个高频元素,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

322. 零钱兑换,344. 反转字符串,347. 前 K 个高频元素,每题做详细思路梳理,配套Python&Java双语代码, 2024.04.02 可通过leetcode所有测试用例。

目录

322. 零钱兑换

解题思路

完整代码

Python

Java

​编辑

344. 反转字符串

解题思路

完整代码

Python

Java

​编辑

347. 前 K 个高频元素

解题思路

完整代码

Python

Java


322. 零钱兑换

给你一个整数数组 coins ,表示不同面额的硬币;以及一个整数 amount ,表示总金额。

计算并返回可以凑成总金额所需的 最少的硬币个数 。如果没有任何一种硬币组合能组成总金额,返回 -1 。

你可以认为每种硬币的数量是无限的。

示例 1:

输入:coins = [1, 2, 5], amount = 11
输出:3 
解释:11 = 5 + 5 + 1

示例 2:

输入:coins = [2], amount = 3
输出:-1

示例 3:

输入:coins = [1], amount = 0
输出:0

解题思路

  1. 初始化动态规划表:创建一个长度为 amount + 1 的数组 dp,其中 dp[i] 表示组成金额 i 所需的最少硬币数量。由于金额 0 不需要任何硬币,所以 dp[0] = 0。对于其他金额,可以初始化为一个大数,例如 amount + 1,表示这个金额当前无法被组成。

  2. 填充动态规划表:遍历每一个金额 i1amount,对于每个 i,再遍历每一个硬币面额 coin,如果 coin 小于等于 i,意味着这个硬币可以被用来组成金额 i。此时,我们更新 dp[i]min(dp[i], dp[i - coin] + 1),即比较当前 dp[i] 的值和使用这个硬币之后的硬币总数(dp[i - coin] + 1)哪个更小,取较小值更新 dp[i]

  3. 返回结果:计算完成后,检查 dp[amount] 的值,如果它仍然是初始化的大数(表示无法组成),则返回 -1;否则,返回 dp[amount],即组成金额 amount 所需的最少硬币数量。

完整代码

Python
class Solution:def coinChange(self, coins: List[int], amount: int) -> int:# 初始化动态规划数组,所有值设为一个大数dp = [amount + 1] * (amount + 1)dp[0] = 0  # 金额为0时不需要硬币# 动态规划填表for i in range(1, amount + 1):for coin in coins:if i - coin >= 0:dp[i] = min(dp[i], dp[i - coin] + 1)# 检查是否有解return dp[amount] if dp[amount] != amount + 1 else -1
Java
class Solution {public int coinChange(int[] coins, int amount) {// 初始化动态规划数组,所有值设为一个大数int[] dp = new int[amount + 1];Arrays.fill(dp, amount + 1);dp[0] = 0;  // 金额为0时不需要硬币// 动态规划填表for (int i = 1; i <= amount; i++) {for (int coin : coins) {if (i - coin >= 0) {dp[i] = Math.min(dp[i], dp[i - coin] + 1);}}}// 检查是否有解return dp[amount] != amount + 1 ? dp[amount] : -1;}}

344. 反转字符串

编写一个函数,其作用是将输入的字符串反转过来。输入字符串以字符数组 s 的形式给出。

不要给另外的数组分配额外的空间,你必须原地修改输入数组、使用 O(1) 的额外空间解决这一问题。

示例 1:

输入:s = ["h","e","l","l","o"]
输出:["o","l","l","e","h"]

示例 2:

输入:s = ["H","a","n","n","a","h"]
输出:["h","a","n","n","a","H"]

解题思路

  1. 初始化两个指针left 指针指向数组的第一个元素,right 指针指向数组的最后一个元素。

  2. 交换并移动:当 left 指针小于 right 指针时,交换它们指向的元素,然后将 left 指针向右移动一位,right 指针向左移动一位。

  3. 重复上述过程:继续进行交换和移动,直到 left 指针不再小于 right 指针。

  4. 完成反转:当 left 指针大于或等于 right 指针时,整个数组已经反转完成。

完整代码

Python
class Solution:def reverseString(self, s: List[str]) -> None:left, right = 0, len(s) - 1while left < right:s[left], s[right] = s[right], s[left]  # 交换两个指针指向的元素left, right = left + 1, right - 1  # 移动指针
Java
class Solution {public void reverseString(char[] s) {int left = 0, right = s.length - 1;while (left < right) {// 交换两个指针指向的元素char temp = s[left];s[left] = s[right];s[right] = temp;// 移动指针left++;right--;}}}

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:

输入: nums = [1,1,1,2,2,3], k = 2
输出: [1,2]

示例 2:

输入: nums = [1], k = 1
输出: [1]

解题思路

  1. 使用哈希表统计频率:遍历数组 nums,使用哈希表(或字典)记录每个元素出现的次数。

  2. 构建最小堆:由于需要找出前 k 高的元素,我们可以构建一个最小堆,这个堆中存放的是元素及其频率的对,按照频率进行排序。堆的大小维持在 k,这样堆顶就是当前第 k 高的频率。

  3. 遍历哈希表,填充堆:遍历步骤1中的哈希表,将元素及其频率的对加入到最小堆中。当堆的大小超过 k 时,移除堆顶元素,这样可以保证堆中始终是当前频率最高的 k 个元素。

  4. 收集结果:最后,堆中的元素即为出现频率前 k 高的元素,遍历堆并收集元素。

完整代码

Python
class Solution:def topKFrequent(self, nums: List[int], k: int) -> List[int]:# 统计元素出现频率count = Counter(nums)# 构建最小堆,只保留频率最高的k个元素heap = []for num, freq in count.items():heapq.heappush(heap, (freq, num))if len(heap) > k:heapq.heappop(heap)# 收集结果return [num for freq, num in heap]
Java
class Solution {public int[] topKFrequent(int[] nums, int k) {// 使用哈希表统计每个数字出现的次数Map<Integer, Integer> frequencyMap = new HashMap<>();for (int num : nums) {frequencyMap.put(num, frequencyMap.getOrDefault(num, 0) + 1);}// 构建一个最小堆,堆的大小为 k。使用 (频率, 数字) 的元组来比较元素PriorityQueue<Integer> heap = new PriorityQueue<>((n1, n2) -> frequencyMap.get(n1) - frequencyMap.get(n2));// 遍历频率哈希表,维护一个大小为 k 的最小堆for (int num : frequencyMap.keySet()) {heap.add(num);if (heap.size() > k) {heap.poll(); // 移除堆顶元素,即频率最小的元素}}// 取出最小堆中的元素,这些就是频率最高的 k 个元素int[] topK = new int[k];for (int i = 0; i < k; i++) {topK[i] = heap.poll(); // 依次从堆顶取出元素}return topK;}
}

这篇关于力扣热门算法题 322. 零钱兑换,344. 反转字符串,347. 前 K 个高频元素的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/872882

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

poj 3974 and hdu 3068 最长回文串的O(n)解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大,用原来的O(n^2)会爆。 小白上的O(n^2)解法代码:TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

dp算法练习题【8】

不同二叉搜索树 96. 不同的二叉搜索树 给你一个整数 n ,求恰由 n 个节点组成且节点值从 1 到 n 互不相同的 二叉搜索树 有多少种?返回满足题意的二叉搜索树的种数。 示例 1: 输入:n = 3输出:5 示例 2: 输入:n = 1输出:1 class Solution {public int numTrees(int n) {int[] dp = new int

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

Codeforces Round #240 (Div. 2) E分治算法探究1

Codeforces Round #240 (Div. 2) E  http://codeforces.com/contest/415/problem/E 2^n个数,每次操作将其分成2^q份,对于每一份内部的数进行翻转(逆序),每次操作完后输出操作后新序列的逆序对数。 图一:  划分子问题。 图二: 分而治之,=>  合并 。 图三: 回溯: