LeetCode高频算法题解析：投票算法与快速选择实战-代码聚汇网

LeetCode高频算法题解析：投票算法与快速选择实战

陈易铭

1. LeetCode高频题目深度解析：169-179-215-229题实战指南

作为一名在算法领域摸爬滚打多年的老手，我深知LeetCode刷题过程中遇到的那些"经典拦路虎"有多让人头疼。今天我们就来重点拆解四道高频出现的题目（169、179、215、229），它们不仅在面试中频繁出现，更是考察基础算法能力的绝佳案例。不同于普通的题解，我会结合多年刷题和面试官经验，带你从问题本质出发，掌握举一反三的解题思维。

2. 题目核心考点与解题思路全景

2.1 各题目本质特征解析

这四道题看似独立，实则暗含算法学习的进阶路径：

169. 多数元素：数组特性分析+空间优化（Boyer-Moore投票算法）
179. 最大数：自定义排序的思维转换（将数字比较转化为字符串拼接比较）
215. 数组中的第K个最大元素：分治思想实战（快速选择算法与堆的应用）
229. 求众数II：投票算法的进阶版（多数元素问题的泛化情况）

关键认知：这些题目都在考察如何用O(1)或O(n)空间解决本需要O(n)空间的问题，这正是面试官最看重的空间优化能力。

2.2 解题方法论工具箱

面对这类问题，我的经验是建立三层分析框架：

暴力解法：先写出最直观的解决方案（哪怕时间复杂度很高）
算法识别：识别问题背后的算法模式（排序、分治、哈希等）
优化路径：寻找空间/时间复杂度的优化可能性

以169题为例：

python复制# 暴力解法（哈希表统计）
def majorityElement(nums):
    counts = {}
    for num in nums:
        counts[num] = counts.get(num, 0) + 1
        if counts[num] > len(nums)//2:
            return num

# 优化解法（Boyer-Moore）
def majorityElement(nums):
    count = 0
    candidate = None
    for num in nums:
        if count == 0:
            candidate = num
        count += (1 if num == candidate else -1)
    return candidate

3. 逐题深度剖析与最优解实现

3.1 169. 多数元素——Boyer-Moore投票算法精讲

这是投票算法最经典的入门题，关键在于理解"多数元素"的定义（出现次数>⌊n/2⌋）。算法核心思想是通过相互抵消来找到可能的候选者。

实现细节：

初始化count=0和candidate=None
遍历数组：
- 当count=0时，选择当前数字作为候选
- 遇到相同数字count+1，不同则count-1
最后剩下的candidate就是多数元素

避坑指南：最终不需要验证候选者，因为题目保证存在多数元素。但在实际面试中，建议增加验证步骤以展示严谨性。

3.2 179. 最大数——自定义排序的思维革命

这道题要求将非负整数数组重新排列组成最大的数，关键在于重新定义数字的比较方式。

关键突破点：

不是简单比较数字大小，而是比较两种拼接方式的字典序
自定义比较函数：对于x和y，比较str(x)+str(y)和str(y)+str(x)

Python实现技巧：

python复制from functools import cmp_to_key

def largestNumber(nums):
    def compare(x, y):
        return int(y+x) - int(x+y)
    
    nums_str = map(str, nums)
    nums_str.sort(key=cmp_to_key(compare))
    result = ''.join(nums_str)
    return '0' if result[0] == '0' else result

易错点：

处理全零数组时应返回"0"而非"00...0"
在Python3中需要使用functools.cmp_to_key转换比较函数

3.3 215. 数组中的第K个最大元素——分治算法的实战应用

这道题有多种解法，最适合面试的是快速选择算法（QuickSelect），它是快速排序的变种，平均时间复杂度O(n)。

算法步骤：

随机选择一个pivot元素
将数组分为大于、等于、小于pivot的三部分
根据三部分的大小关系决定继续处理哪部分

Java实现示例：

java复制public int findKthLargest(int[] nums, int k) {
    return quickSelect(nums, 0, nums.length-1, k);
}

private int quickSelect(int[] nums, int left, int right, int k) {
    int pivot = nums[left + (right-left)/2];
    int i = left, j = right;
    while (i <= j) {
        while (i <= j && nums[i] > pivot) i++;
        while (i <= j && nums[j] < pivot) j--;
        if (i <= j) swap(nums, i++, j--);
    }
    
    if (left + k - 1 <= j) return quickSelect(nums, left, j, k);
    if (left + k - 1 >= i) return quickSelect(nums, i, right, k-(i-left));
    return nums[j+1];
}

性能对比：

方法	时间复杂度	空间复杂度	适用场景
排序法	O(nlogn)	O(1)	实现简单但非最优
堆	O(nlogk)	O(k)	适合海量数据流
快速选择	O(n)	O(1)	平均最优但最坏O(n²)

3.4 229. 求众数II——投票算法的进阶应用

这是169题的进阶版，要求找出所有出现次数>⌊n/3⌋的元素。关键在于理解最多只能有两个这样的元素。

算法改进：

维护两个候选者和对应的计数器
遍历时处理三种情况：
1. 匹配任一候选者：对应计数器+1
2. 有计数器为0：替换候选者
3. 都不匹配：两个计数器都-1

C++实现：

cpp复制vector<int> majorityElement(vector<int>& nums) {
    int candidate1 = 0, candidate2 = 0;
    int count1 = 0, count2 = 0;
    
    for (int num : nums) {
        if (num == candidate1) count1++;
        else if (num == candidate2) count2++;
        else if (count1 == 0) { candidate1 = num; count1 = 1; }
        else if (count2 == 0) { candidate2 = num; count2 = 1; }
        else { count1--; count2--; }
    }
    
    // 验证阶段
    count1 = count2 = 0;
    for (int num : nums) {
        if (num == candidate1) count1++;
        else if (num == candidate2) count2++;
    }
    
    vector<int> result;
    if (count1 > nums.size()/3) result.push_back(candidate1);
    if (count2 > nums.size()/3) result.push_back(candidate2);
    return result;
}

4. 面试实战技巧与高频问题解析

4.1 面试官最关注的五个考察点

边界条件处理：空数组、全相同元素、极值等情况
时间/空间复杂度分析：能否准确分析并优化
代码可读性：变量命名、函数拆分是否合理
测试用例设计：能否主动给出典型测试案例
算法演进讨论：从暴力解到最优解的思考过程

4.2 常见Follow-up问题及应答策略

"如果内存有限怎么办？"
- 答：使用投票算法（169/229）或分治算法（215）这类O(1)空间的解法
"如果数据是流式输入如何处理？"
- 答：对于215题可以使用堆维护top k，对于投票算法可以实时更新候选者
"如何验证算法的正确性？"
- 答：数学归纳法证明投票算法的正确性，或讨论概率分析（快速选择）

4.3 代码优化检查清单

在完成编码后，建议按此清单自查：

[ ] 是否处理了所有边界条件？
[ ] 时间复杂度是否达到最优？
[ ] 变量命名是否具有自解释性？
[ ] 是否有冗余的条件判断？
[ ] 能否用位运算等技巧进一步优化？

5. 刷题方法论与高效训练建议

5.1 同类题目扩展训练

为了巩固这些解题技巧，推荐练习：

多数元素系列：1157. 子数组中占绝大多数的元素
自定义排序：406. 根据身高重建队列
快速选择：973. 最接近原点的K个点
投票算法扩展：FizzBuzz多线程版本

5.2 个人刷题三板斧

第一遍：独立思考15分钟，写出初始解法
第二遍：查看讨论区，学习最优解并重写
第三遍：一周后重新实现，并尝试不同的语言

5.3 效率提升工具链

VS Code刷题插件：LeetCode插件+Code Runner
可视化调试工具：Python Tutor可视化执行
测试用例生成：使用随机数组测试边界条件
性能分析工具：Jupyter Notebook的%timeit魔法命令

python复制# 测试用例生成示例
import random
def generate_test_case():
    # 多数元素测试用例
    majority = random.randint(0, 100)
    nums = [majority] * 51 + [random.randint(0, 100) for _ in range(49)]
    random.shuffle(nums)
    return nums

经过多年面试和被面试的经验，我深刻体会到掌握这几道题的精髓，不仅能解决具体问题，更能培养出应对各类数组处理问题的通用思维模式。记住，面试官看重的不是你背了多少解法，而是你如何从问题本质出发，一步步推导出最优解决方案的思考过程。