不管是为了求职面试,还是为了提高自己的算法基础能力,“刷算法题”都是每个程序员的必经之路。如何对待刷题?如何让刷题变得更高效?我们搜集了来自《算法面试通关 40 讲》的用户分享,他们也许可以给你一点启发。
@jason :最优解永远在探索中
刚看老师的课程没多久, 收获不多, 我就把自己的第一道练习题解题心得发出来吧。这个是老师讲的第一道 leetcode 算法题: 两数之和
题目:
给定一个整数数组 nums 和一个目标值 target,请你在该数组中找出和为目标值的那 两个 整数,并返回他们的数组下标。你可以假设每种输入只会对应一个答案。但是,你不能重复利用这个数组中同样的元素。
示例:
给定 nums = [2, 7, 11, 15], target = 9
因为 nums[0] + nums[1] = 2 + 7 = 9 所以返回 [0, 1]
解答如下:
完成这道题,第一次花了半个小时,时间还是蛮长的,毕竟是自己完成的第一道 leetcode 算法题。不过之前确实算法练习得很少,解法很简单,用的是穷举法,连续两次遍历,时间复杂度为 O(n²)。
int[] twoSum(int[] nums, int target) {
if (nums.length < 2) {
return new int[0];
}
for (int i = 0; i < nums.length; i++) {
for (int j = i + 1; j < nums.length; j++) {
if (nums[i] + nums[j] == target) {
return new int[]{i, j};
}
}
}
return new int[0];
}
复制代码
后来看了一下评论里其他同僚的解法,发现有很多很优化的解法。于是我把代码优化了一下,变成了下面这样:
int[] twoSum2(int[] nums, int target) {
Map<Integer, Integer> map = new HashMap<Integer, Integer>(SIZE); // 默认给 hashmap 初始化大小, 能够减少内部动态扩展空间, 复制速度造成的时间开销
// 将数组存入 hashmap
for (int i = 0; i < nums.length; i++) {
// 值为 key, 索引为 value
map.put(nums[i], i);
}
// 遍历数组里的每一个元素
for (int i = 0; i < nums.length; i++) {
// 计算需要从 hashmap 里面找出的元素
int complement = target - nums[i];
// 判断 hashmap 里面是否存在该元素, 并且该元素不能与当前 nums[i] 是同一个元素
if (map.containsKey(complement) && map.get(complement) != i) {
return new int[]{i, map.get(complement)};
}
}
return new int[0];
}
复制代码
将传入的数组转换成 hashmap, 利用 hashmap 查询速度快的优势 O(1),将整体查询时间降到 O(n),hashmap 通过以空间换取速度的方式,将查询速度提高到了 O(n),这里用到了分别两次的循环,虽然时间复杂度变成了 O(n),但实际上是两倍的 O(n)。
之后又思考了一下,发现一次循环也能解决问题,时间复杂度可以再次减半,变成真正的 O(n),于是便有了下面的代码。
int[] twoSum3(int[] nums, int target) {
Map<Integer, Integer> map = new HashMap<Integer, Integer>(SIZE); // 默认给 hashmap 初始化大小, 能够减少内部动态扩展空间, 复制速度造成的时间开销
for (int i = 0; i < nums.length; i++) {
int complement = target - nums[i];
if (map.containsKey(complement) && map.get(complement) != i) {
return new int[]{i, map.get(complement)};
}
map.put(nums[i], i);
}
return new int[0];
}
复制代码
之后我写了一个简单的测试案例来测试这 3 种算法的耗时,创建了一个长度为 10 万的数组,分别执行这 3 种算法,发现当数据量大的时候,第 2 种和第 3 种算法比第 1 种快了不是一个数量级。而且数据量越大,速度差异越明显:
int[] nums = new int[100 * 1000];
for (int i = 0; i < nums.length; i++) {
if (i == nums.length - 1 - 1)
nums[i] = 2;
else if (i == nums.length - 1)
nums[i] = 7;
else
nums[i] = 1;
}
long start = System.currentTimeMillis();
//int[] indexResult = twoSum(nums, 9); // 数组长度 100000 耗时 1578 ms
//int[] indexResult = twoSum2(nums, 9); // 数组长度 100000 耗时 20 ms
int[] indexResult = twoSum3(nums, 9);// 数组长度 100000 耗时 14 ms
long end = System.currentTimeMillis();
System.out.printf("%s, %s", nums[indexResult[0]], nums[indexResult[1]]);
System.out.printf("\r\n 时间花费: %d ms", end - start);
复制代码
查看经典面试题:两数之和
@ elbowrocket:用理论指导实践
之前做 leetcode 的题目一直没什么思路,我从课程中学到了如何运用所学理论去思考。
下面是今天刚看的题目:滑动窗口的最大值
给定一个数组 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 k 内的数字。滑动窗口每次只向右移动一位。返回滑动窗口最大值。
示例:
输入: nums = [1,3,-1,-3,5,3,6,7], 和 k = 3 输出: [3,3,5,5,6,7]
解释:
滑动窗口的位置 最大值[1 3 -1] -3 5 3 6 7 31 [3 -1 -3] 5 3 6 7 31 3 [-1 -3 5] 3 6 7 51 3 -1 [-3 5 3] 6 7 51 3 -1 -3 [5 3 6] 7 61 3 -1 -3 5 [3 6 7] 7
注意:你可以假设 k 总是有效的,1 ≤ k ≤ 输入数组的大小,且输入数组不为空。进阶:你能在线性时间复杂度内解决此题吗?
下面是通过学习后得到的思路:
思路:
1、根据优先队列的概念,我们假设一个大顶堆,那么一开始的 [1,3,-1],这样一排列成堆的样子就是 3 在最上面,-1 在左下角,1 在右下角… 下一步就是 [3,-1,-3] 了,1 就要被挤开了,挤开了也不影响什么,-3 再加进来就好了。总之我们需要做的是:
(1)、维护我们的 Heap,也就是删除离开窗口的元素,加入新的元素。这里时间复杂度是 logK
(2)、Max->Top,就是让结果是堆顶的元素。复杂度是 O(1),最后整体的复杂度是 NLogK。有没有更好的解法?
2、直接用队列,而且是双端队列,也就是两边都能进能出的队列。首先就是入队列,每次滑动窗口都把最大值左边小的数给杀死,也就是出队,后面再滑动窗口进行维护,这样相当于每一个数走过场,时间复杂度就是 O(N*1),比思路 1 要小。
代码如下:
class Solution:
def maxSlidingWindow(self, nums, k):
"""
:type nums: List[int]
:type k: int
:rtype: List[int]
"""
# 严谨判断输入的数字是否合法
if not nums:return []
window, res = [], []
for i, x in enumerate(nums):
if i>=k and window[0] <= i-k: # 窗口滑动时的规律
window.pop(0)
while window and nums[window[-1]] <= x: # 把最大值左边的数小的就清除。
window.pop()
window.append(i)
if i >= k-1:
res.append(nums[window[0]])
return res
复制代码
希望能学习到更多东西。
查看白板理论讲解:滑动窗口的最大值
@梦想家罗西:学而时习之,不亦乐乎?
看老师的课程大概一周了,之前看数据结构和算法懵懵懂懂的,老师结合实例题,一下子清楚很多了,特别是动态规划哪一课,一下子茅塞顿开。
刷的一些算法题。
第一步:递归 + 暂存
function fib(n) {
let memo = [];
let r = null;
if (n <= 1) {
r = n;
} else if (memo[n]) {
r = memo[n];
} else {
memo[n] = fib(n - 1) + fib(n - 2);
}
return r;
}
复制代码
使用这种方法试了下 n=100 的时候直接挂了,效率依然很低。所以接下来第二步:
第二步:动态规划
function fib(n) {
let f = [0, 1];
for (let i = 2; i <= n; i++) {
f[i] = f[i - 2] + f[i - 1];
}
return f;
}
复制代码
其实矩阵相乘效率更高,等我学会了再来更新代码,学会了简单得动态规划已经很开心了。
戳此查看:让你茅塞顿开的动态规划
@Chenng:做题是一种享受,高效的思考模式受益终身
听完最后一课,突然有点不舍。本来学习算法的初衷是为了面试,现在发现做题本身就是一种享受。
课上学到很多收益终身的思考模式:
五种算法模式:
function recursion(level, param1, param2) {
// 递归终止条件
if (level > MAX_LEVEL) {
// 打印结果
return;
}
// 处理当前层级的逻辑
processData(level, data);
// 递归
recursion(level + 1, p1, p2);
// 如果需要,反向当前层级
reverseState(level);
}
复制代码
const visited = new Set();
function dfs(node, visited) {
visited.add(node);
// 处理当前的 node
for (let i = 0; i < node.children.length; i++) {
const child = node.children[i];
if (!visited.has(child)) {
dfs(child, visited);
}
}
}
复制代码
const visited = new Set();
function bfs(grapg, start, end) {
const queue = [];
queue.push(start);
visited.add(start);
while (queue.length) {
node = queue.pop();
visited.add(node);
process(node);
nodes = generateRelatedNodes(node);
queue.push(nodes);
}
}
复制代码
function binarySearch(arr, x) {
let left = 0;
let right = arr.length - 1;
while(left <= right) {
const mid = Math.floor((left + right) / 2);
if (x === arr[mid]) {
return mid;
}
if (x < arr[mid]) {
right = mid - 1;
continue;
}
if (x > arr[mid]) {
left = mid + 1;
continue;
}
}
return -1;
}
复制代码
// 状态定义
const dp = [[]];
// 初始状态
dp[0][0] = x;
dp[0][1] = y;
// DP 状态推导
for (let i = 0; i <= n; i++) {
for (let j = 0; j <= matchMedia; j++) {
dp[i][j] = min(dp[i - 1][j], dp[i][j - 1]);
}
}
return dp[m][n]
复制代码
四个切题步骤
写在最后
课程的结束不是终点,而是起点,加油,开启自己成为真正工程师的道路。
查看课程回顾:面试切题四件套
感谢上面四位同学的精彩留言,欢迎大家在文末分享你的刷题故事和经验,我们一起进步。
专栏简介
我是覃超,作为 Facebook 早期员工 & 多年面试官,我对各大知名企业算法面试的考察点和面试套路,有非常清晰的理解以及丰富的第一手经验。在《算法面试通关 40 讲》这门课程里,我会帮你建立一套完整的算法切题思路,通过“白板演练 + 代码讲解”的方式,手把手带你掌握高效解题套路,彻底理解题目背后的考点,锻炼算法思维,让你在面试和平时的工作中大显身手。
学完这门课,你将收获以下四个方面:
1、常见算法知识点理论讲解
2、高频面试题目思路剖析
3、LeetCode 高效解题四步法
4、有效提升算法面试通过率
课程已更新完毕,共 62 讲,目前已有超过 10000 人加入学习,课程广受好评,期待你的加入!戳我立即订阅。
评论