剑指offer *链表中倒数第k个结点(Python Solution)

本文介绍了一种利用快慢指针技术找到链表中倒数第k个节点的算法,通过保持两个指针之间的固定距离k,当快指针到达链表尾部时,慢指针正好指向目标节点。这种方法避免了使用额外空间,时间复杂度为O(n)。

题目描述

Enter a linked list and output the kth node from the bottom of the list.

输入一个链表,输出该链表中倒数第k个结点。


Python Solution

分析: 利用快慢指针,快指针先走 k 步,慢指针再走,一直到快指针到头。两者保持距离为 k ,但由于最后一次快指针到头了,慢指针仍然走了一位,所以两者相距 (k - 1)个单位,实现倒数第 k 个结点的目的。

需要注意的是,判定条件为:1.链表是否为空 2. k 的值是否为正 3. k 是否小于链表长度。

代码如下:

# class ListNode:
#     def __init__(self, x):
#         self.val = x
#         self.next = None

class Solution:
    def FindKthToTail(self, head, k):
        if not head or k <= 0:   #  判断 条件1、2
            return None
        pre = post = head
        for i in range(k):
            if not pre:   # 判断 条件3
                return None
            pre = pre.next
        while pre:
            pre = pre.next
            post = post.next
        return post

代码的时间复杂度为 O(n) ,因为遍历了一次数组;空间复杂度为 O(1) ,没有利用额外的空间。如果利用 O(n) 的空间来完成本题,则可以取个长度为 n 的数组储存链表的值通过下标访问即可。

Nano-ESG数据资源库的构建基于2023年初至2024年秋季期间采集的逾84万条新闻文本,从中系统提炼出企业环境、社会及治理维度的信息。其构建流程首先依据特定术语在德语与英语新闻平台上检索,初步锁定与德国DAX 40成分股企业相关联的报道。随后借助嵌入技术对文本段落执行去重操作,以降低内容冗余。继而采用GLiNER这一跨语言零样本实体识别系统,排除与目标企业无关的文档。在此基础上,通过GPT-3.5与GPT-4o等大规模语言模型对文本进行双重筛选:一方面判定其与ESG议题的相关性,另一方面生成简明的内容概要。最终环节由GPT-4o模型完成,它对每篇文献进行ESG情感倾向(正面、中性或负面)的判定,并标注所涉及的ESG具体维度,从而形成具备时序特征的ESG情感与维度标注数据集。 该数据集适用于多类企业可持续性研究,例如ESG情感趋势分析、ESG维度细分类别研究,以及企业可持续性事件的时序演变追踪。研究者可利用数据集内提供的新闻摘要、情感标签与维度分类,深入考察企业在不同时期的环境、社会及治理表现。此外,借助Bertopic等主题建模方法,能够从数据中识别出与企业相关的核心ESG议题,并观察这些议题随时间的演进轨迹。该资源以其开放获取特性与连续的时间覆盖,为探究企业可持续性表现的动态变化提供了系统化的数据基础。 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