原文链接: https://leetcode-cn.com/problems/5TxKeK

英文原文

中文题目

小扣在秋日市集入口处发现了一个数字游戏。主办方共有 `N` 个计数器，计数器编号为 `0 ~ N-1`。每个计数器上分别显示了一个数字，小扣按计数器编号升序将所显示的数字记于数组 `nums`。每个计数器上有两个按钮，分别可以实现将显示数字加一或减一。小扣每一次操作可以选择一个计数器，按下加一或减一按钮。

主办方请小扣回答出一个长度为 N 的数组，第 i 个元素(0 <= i < N)表示将 0~i 号计数器 初始 所示数字操作成满足所有条件 nums[a]+1 == nums[a+1],(0 <= a < i) 的最小操作数。回答正确方可进入秋日市集。

由于答案可能很大，请将每个最小操作数对 1,000,000,007 取余。

示例 1：

输入：nums = [3,4,5,1,6,7]

输出：[0,0,0,5,6,7]

解释：
i = 0，[3] 无需操作
i = 1，[3,4] 无需操作；
i = 2，[3,4,5] 无需操作；
i = 3，将 [3,4,5,1] 操作成 [3,4,5,6], 最少 5 次操作；
i = 4，将 [3,4,5,1,6] 操作成 [3,4,5,6,7], 最少 6 次操作；
i = 5，将 [3,4,5,1,6,7] 操作成 [3,4,5,6,7,8]，最少 7 次操作；
返回 [0,0,0,5,6,7]。

示例 2：

输入：nums = [1,2,3,4,5]

输出：[0,0,0,0,0]

解释：对于任意计数器编号 i 都无需操作。

示例 3：

输入：nums = [1,1,1,2,3,4]

输出：[0,1,2,3,3,3]

解释：
i = 0，无需操作；
i = 1，将 [1,1] 操作成 [1,2] 或 [0,1] 最少 1 次操作；
i = 2，将 [1,1,1] 操作成 [1,2,3] 或 [0,1,2]，最少 2 次操作；
i = 3，将 [1,1,1,2] 操作成 [1,2,3,4] 或 [0,1,2,3]，最少 3 次操作；
i = 4，将 [1,1,1,2,3] 操作成 [-1,0,1,2,3]，最少 3 次操作；
i = 5，将 [1,1,1,2,3,4] 操作成 [-1,0,1,2,3,4]，最少 3 次操作；
返回 [0,1,2,3,3,3]。

提示：

• 1 <= nums.length <= 10^5
• 1 <= nums[i] <= 10^3

通过代码

高赞题解

首先同步一下表达方式: 下文中所有 “数组 nums 的前 i 个元素” 均指 nums[0] 到 nums[i] 的 i + 1 个元素

题目中要求满足 nums[a] + 1 == nums[a + 1], 等价于满足 nums[a] - a == nums[a + 1] - (a + 1), 所以我们可以先对数组进行预处理, 将每个nums[i] 替换为 nums[i] - i, 问题就变成寻找最小的操作次数使得数组的前 i 个元素相等, 假设操作后得到的这个相等的元素为 median[i], 即:

$$median[i]=argmin_{x}\sum_{j=0}^{i}|nums[j]-x|$$

那么当前有奇数个元素时, median[i] 必然是数组前 i 个元素的中位数, 有偶数个元素时 median[i] 则可以是排序后最中间两个数构成的区间内的任意一个值 (不理解这一点的可以画一个数轴感受一下), 所以我们可以利用 295. 数据流的中位数 中维护两个堆的方法快速求出 nums 数组前 i 个元素的中位数.

求得中位数后, 如果直接遍历 [0, i] 求需要的操作次数会超时, 所以我们将求中位数的算法稍加修改, 维护数据流较小的一半的和 maxSum (即小于中位数的所有数之和) 与较大的一半的和 minSum (即大于等于中位数的所有数之和), 即:

$$minSum=\sum_{j=0\cdots i, nums[j]\geq median[i]}nums[j]$$

$$maxSum=\sum_{j=0\cdots i, nums[j]<median[i]}nums[j]$$

那么:

$$\sum_{j=0}^{i}|nums[j]-median[i]|=minSum-card\left({j|nums[j]\geq median[i],0\leq j\leq i}\right)\times median[i]\+(card\left({j|nums[j]<median[i],0\leq j\leq i}\right)\times median[i]-maxSum)$$

这样我们就不用数据流中每加入一个元素后重新求和, 从而以 $O(nlogn)$ 复杂度解决问题.

注意代码中 minHeap 代表的小顶堆维护的是数据流较大的一半, 而 maxHeap 则是较小的一半.

class Solution {
  public int[] numsGame(int[] nums) {
    int n = nums.length;
    int[] result = new int[n];
    for (int i = 0; i < n; i++)
      nums[i] -= i;
    result[0] = 0;
    MedianFinder finder = new MedianFinder();
    finder.addNum(nums[0]);
    for (int i = 1; i < n; i++) {
      finder.addNum(nums[i]);
      int median = finder.findMedian();
      long value = finder.minSum - (long) (finder.minHeap.size() - 1) * (long) median
          + ((long) (finder.maxHeap.size() - 1) * (long) median - finder.maxSum);
      result[i] = (int) (value % 1000000007);
    }
    return result;
  }
}

class MedianFinder {
  PriorityQueue<Integer> minHeap, maxHeap;
  long minSum = 0, maxSum = 0;

  public MedianFinder() {
    minHeap = new PriorityQueue<>();
    maxHeap = new PriorityQueue<>(1, (x, y) -> {
      long result = (long) y - (long) x;
      if (result > 0)
        return 1;
      if (result < 0)
        return -1;
      return 0;
    });
    minHeap.add(Integer.MAX_VALUE);
    maxHeap.add(Integer.MIN_VALUE);
  }

  private void adjust() {
    int maxSize = maxHeap.size(), minSize = minHeap.size();
    if (maxSize - minSize >= 2) {
      int num = maxHeap.poll();
      maxSum -= num;
      minHeap.add(num);
      minSum += num;
    } else if (minSize - maxSize >= 2) {
      int num = minHeap.poll();
      minSum -= num;
      maxHeap.add(num);
      maxSum += num;
    }
  }

  public void addNum(int num) {
    int lowerMax = maxHeap.peek();
    if (num <= lowerMax) {
      maxHeap.add(num);
      maxSum += num;
    } else {
      minHeap.add(num);
      minSum += num;
    }
    adjust();
  }

  public int findMedian() {
    if (maxHeap.size() > minHeap.size())
      return maxHeap.peek();
    else
      return minHeap.peek();
  }
}

统计信息

通过次数	提交次数	AC比率
956	3362	28.4%

提交历史

提交时间	提交结果	执行时间	内存消耗	语言