购物网站功能市场调研报告范文3000字
黄金挑战：滑动窗口与堆结合
堆的大小一般是有限的，能直接返回当前位置下的最大值或者最小值
该特征与滑动窗口结合，可以解决一些特定场景的问题
1. 滑动窗口与堆问题的结合
LeetCode239
https://leetcode.cn/problems/sliding-window-maximum/
思路分析
对于最大值，K个最大这种场景，优先队列（堆）是首先该考虑的思路。
大根堆可以帮我们实时维护一系列元素的最大值
具体执行：
- 先将数组的前K个元素放入大根堆中，此时最大值为堆顶元素
- 每当窗口右移时，将新元素放入大根堆中，此时最大值可能不在滑动窗口中
最大值为滑动窗口的前一个元素，此时需要将堆顶元素移除，直到堆顶元素在滑动窗口中
最大值为滑动窗口中的元素，此时最大值就是堆顶元素 - 为了方便判断堆顶元素与滑动窗口的位置关系，我们可以在有限队列中存储二元组(num, index)，表示元素 num 在数组中的下标为 index
代码实现
import heapqclass Solution:def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]:n = len(nums)ans = []# 注意 Python 默认的优先队列是小根堆# pyhton 中（int,int）可正常比较大小 (1, 0) < (2, 0), (1, 0) < (1, 1)heap = [(-nums[i], i) for i in range(k)]heapq.heapify(heap)ans.append(-heap[0][0])for i in range(n-k):heapq.heappush(heap, (-nums[i+k], i+k))# 移除堆顶元素，直到堆顶元素在滑动窗口中while heap[0][1] <= i:heapq.heappop(heap)ans.append(-heap[0][0])return ans