LeetCode Merge Intervals

本文深入探讨了如何高效地合并区间的问题,通过实例演示并提供优化的代码实现,旨在提高处理大量区间数据时的效率。

Merge Intervals

Given a collection of intervals, merge all overlapping intervals.

For example,
Given[1,3],[2,6],[8,10],[15,18],
return[1,6],[8,10],[15,18].

这道题的要诀是:要会操作其end值。

1 需要排序

2 确定好开始值start,然后end值就可以跨过后面很多值了。

这些题的思路都不难,但是很烦,因为下标很不好处理。

精炼的程序是需要精炼的思想提炼出来的。

注意判断条件:前后是否重叠

新知识:operator<可以如下这么定义和使用的。

/**
 * Definition for an interval.
 * struct Interval {
 *     int start;
 *     int end;
 *     Interval() : start(0), end(0) {}
 *     Interval(int s, int e) : start(s), end(e) {}
 * };
 */

bool operator<(Interval a, Interval b)
{
	return (a.start < b.start);
}

class Solution {
public:
	vector<Interval> merge(vector<Interval> &intervals) {
		if (intervals.size() < 2) return intervals;
		sort(intervals.begin(), intervals.end());
		vector<Interval> res;
		
		for (auto it = intervals.begin(); it != intervals.end(); it++)
		{
			res.push_back(*it);
			int maxEnd = it->end;
			while (it+1 != intervals.end() && maxEnd >= (it+1)->start)
			{
				maxEnd = max(maxEnd, (it+1)->end);
				it++;
			}
			res.back().end = maxEnd;
		}
		return res;
	}
};


尽量避开使用vector的insert操作,因为那样速度非常慢,成O(n*n)了,上面的程序是68ms左右,但是下面使用了insert操作的程序就居然慢了10倍,要700ms左右。

尽量不要写这样的程序。

//居然需要700ms
	vector<Interval> merge(vector<Interval> &intervals) {
		if (intervals.size() < 2) return intervals;
		sort(intervals.begin(), intervals.end());
		
		for (auto it = intervals.begin()+1; it != intervals.end(); it++)
		{
			if ((it-1)->end >= it->start)
			{
				Interval node((it-1)->start, max((it-1)->end, it->end));//新建node
				it = intervals.erase(it-1);//清除
				*it = node;//直接插入
			}
		}

		return intervals;
	}


//2014-1-29 update
	vector<Interval> merge(vector<Interval> &inter) 
	{
		vector<Interval> rs;
		sort(inter.begin(), inter.end());

		for (int i = 0; i < inter.size(); )
		{
			rs.push_back(inter[i]);
			int right_bound = inter[i].end;
			for (i++ ; i < inter.size() && inter[i].start <= right_bound; i++)
			{
				right_bound = max(right_bound, inter[i].end);
			}
			rs.back().end = right_bound;
		}
		return rs;
	}

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) 机器学习主要关心的是预测[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