46.Majority Number-主元素(容易题)

本文介绍了一种在整型数组中找到主元素的方法,该元素出现次数超过数组长度一半。通过遍历数组并采用特定计数策略,实现O(n)的时间复杂度与O(1)的空间复杂度。

主元素

  1. 题目

    给定一个整型数组,找出主元素,它在数组中的出现次数严格大于数组元素个数的二分之一。

  2. 样例

    给出数组[1,1,1,1,2,2,2],返回 1

  3. 挑战

    要求时间复杂度为O(n),空间复杂度为O(1)

  4. 题解

    主元素的三道题如果不考虑空间复杂度为O(1)的要求,则都可以使用哈希表解决。而在空间复杂度为O(1)的限制下,我们可以采用对数组进行遍历,并删除任意两个不相同的元素,最后剩下的一定是主元素。

public class Solution {
    /**
     * @param nums: a list of integers
     * @return: find a  majority number
     */
    public int majorityNumber(ArrayList<Integer> nums) {
        int majorityNum = 0;
        for (int i=0,time = 0;i<nums.size();i++)
        {
            if (time == 0)
            {
                majorityNum = nums.get(i);
                time++;
            }
            else
            {
                time = majorityNum == nums.get(i) ? ++time : --time;
            }
        }
        return majorityNum;
    }
}

Last Update 2016.9.30

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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