26、删除排序数组中的重复项--leetcode

本文介绍了一种在原地删除排序数组中重复元素的方法,通过双指针技巧实现,确保每个元素仅出现一次,同时维持O(1)的空间复杂度。

题目描述

给定一个排序数组,你需要在原地删除重复出现的元素,使得每个元素只出现一次,返回移除后数组的新长度。
不要使用额外的数组空间,你必须在原地修改输入数组并在使用O(1)额外空间的条件下完成。
实例1:

给定数组nums = [1,1,2],
函数应该返回新的长度2,并且原数组nums的前两个元素被修改为1,2。
你不需要考虑数组中超出的新长度后面的元素。

实例2:

给定nums = [0,0,1,1,1,2,2,3,3,4],
函数应该返回新的长度5,并且原数组nums的前五个元素被修改成为01234。
你不需要考虑数组中超出新长度后面的元素。

说明:
为什么返回数值是整数,但是输出的答案是数组呢?
请注意,输入数组是以"引用"方式传递的,这意味着在函数里面修改输入数组对于调用者是可见的。
你可以想象内部的操作如下:

//nums是以“引用”方式传递的。也就是说,不对实参做任何拷贝
int len = removeDuplicates(nums);
//在函数里面修改输入数组对于调用者是可见的。
//根据你的函数返回的长度,它会打印出数组中**该长度范围内**的所有元素。
for (int i = 0; i < len; i++){
	print(nums[i]);
}

思路1:双指针法
数组完成排序之后,可以放置两个指针i和j,其中i是慢指针,而j是快指针。只要nums[i] == nums[j].我们就增加j以跳过重复项。
当我们遇到nums[j] != nums[i]时,跳过重复项的运行已经结束,因此我们必须把它(nums[j])的值复制到nums[i+1]。然后递增i,接着重复相同的过程,直到j到达数组的末尾为止。
时间复杂度为:O(n),假设数组的最长长度为n
空间复杂度为:O(1),两个指针搞定
Python3实现代码逻辑如下:

class Solution:
    def removeDuplicates(self, nums: List[int]) -> int:
        if not nums: return 0
        n = len(nums)
        i = 1
        for j in range(1, n):
            if nums[j] != nums[j-1]:
                # 假如使用第1位和第0位为例,也是边界值处理来举例。
                nums[i] = nums[j]
                i += 1
        # 最后返回慢指针i
        return i

思路2:双指针法另一种表达
原题要求:要在原地修改输入的数组(列表),使用Python解题,如果使用额外的字典、列表等空间的话就不符合题意了。显而易见,本体需要使用指针来解答。
例如分析传入的数组:nums = [0,0,1,1,1,2,2,3,3,4]。

  • 1、我们可以首先定义一个指针指向输入数组的第一个元素
  • 2、遍历输入的数组nums的每一个值,如果数组当前值与指针指向的值相等(明显第一个值和指针指向的值相等),就循环继续读取数组下一个值,否则指针指向下一个值存放获取到的不相等的值,然后将值覆盖到指针指向的位置(明显如果数组的第一个值和第二个值不等的时候,指针只是增加1而已,覆盖之后的值不变)
  • 3、重复循环2步骤,直至遍历完成整个数组为止。
  • 4、本题有意思的是,只需要返回修改后数组的元素的个数集合,不要求修改数组的元素,即使nums租后等于[0, 1, 2, 3, 4, 2, 2, 3, 3, 4]时也不会报错。为了严谨,可以使用切片将nums进行切割。
    注意: 最后返回的值的逻辑实际上包括边界的处理:
    return len(nums) and i+1 的意思是:使用了布尔"与"-如果nums的长度为空(0),就返回False(这一步也可以直接在开头进行判断),否则就返回i+i的值(并不是返回长度int值和int值的and(与)!
    类似的逻辑运算符有:
    以下假设变量 a 为 10, b为 20:
运算符逻辑表达式描述实例
andx and y布尔"与" - 如果 x 为 False,x and y 返回 False,否则它返回 y 的计算值。(a and b) 返回 20。
orx or y布尔"或" - 如果 x 是非 0,它返回 x 的值,否则它返回 y 的计算值。(a or b) 返回 10。
notnot x布尔"非" - 如果 x 为 True,返回 False 。如果 x 为 False,它返回 True。not(a and b) 返回 False

Python3代码实现上面逻辑如下:

class Solution:
    def removeDuplicates(self, nums: List[int]) -> int:
        i = 0
        for num in nums:
            if nums[i] != num:
                i += 1
                nums[i] = num
        # 本题目只要求返回修改后的数组的长度,不要求写出修改后的数组,直接返回数组的长度也是可以通过
        # nums = nums[:i+1] 
        return len(nums) and i+1        
训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值