leetcode_346 資料流中的移動平均值
要求
給定一個整數資料流和一個視窗大小,根據該滑動視窗的大小,計算其所有整數的移動平均值。
實現 MovingAverage 類:
MovingAverage(int size) 用視窗大小 size 初始化物件。\ double next(int val) 計算並返回資料流中最後 size 個值的移動平均值。
示例: ``` 輸入: ["MovingAverage", "next", "next", "next", "next"] [[3], [1], [10], [3], [5]] 輸出: [null, 1.0, 5.5, 4.66667, 6.0]
解釋: MovingAverage movingAverage = new MovingAverage(3); movingAverage.next(1); // 返回 1.0 = 1 / 1 movingAverage.next(10); // 返回 5.5 = (1 + 10) / 2 movingAverage.next(3); // 返回 4.66667 = (1 + 10 + 3) / 3 movingAverage.next(5); // 返回 6.0 = (10 + 3 + 5) / 3 ```
提示:
- 1 <= size <= 1000
- -105 <= val <= 105
- 最多呼叫 next 方法 104 次
核心程式碼
```python class MovingAverage: def init(self, size: int): self.queue = deque() self.Max_size = size
def next(self, val: int) -> float:
self.queue.append(val)
if len(self.queue) > self.Max_size:
self.queue.popleft()
return 1.0 * sum(self.queue) / len(self.queue)
Your MovingAverage object will be instantiated and called as such:
obj = MovingAverage(size)
param_1 = obj.next(val)
```
解題思路:對於這個題我們是一個數據流,所以我們選擇使用雙向佇列來解決這個問題,超過最大數量限制的直接直接彈出佇列,然後很容易的就能得到資料的平均值,就是構造一個數據結構,比較簡單。
「其他文章」
- XGBoost - XGBoost應用中的其他問題(六)
- XGBoost - XGBoost樣本不均衡(七)
- cifar-10資料集整理解讀
- SVM - 多分類問題(九)
- 聚類演算法K-Means - 引數列表(四)
- 聚類演算法K-Means - 向量化應用(三)
- 邏輯迴歸 - 評分卡專案(五)
- 邏輯迴歸 - 引數部分(四)
- 邏輯迴歸 - 引數部分(三)
- 邏輯迴歸 - 原理部分(一)
- 資料預處理與特徵工程總結 - 特徵選擇 - 嵌入法和包裝法(五)
- 資料預處理與特徵工程總結 - 缺失值(二)
- 決策樹總結 - 決策樹Gini係數計算過程詳細解答(七)
- 決策樹總結 - 歸納總結決策樹的ID3,C4.5和CART的構建過程(六)
- 決策樹總結 - DecisionTreeClassifier(二)
- 決策樹總結 - DecisionTreeClassifier(一)
- 模型評估指標AUC(area under the curve)
- YOLOv3的原始碼精度理解(十二) get_map函式
- YOLOv3的原始碼精度理解(十) 對輔助檔案進行解讀
- 影象增強庫Albumentations使用總結