新闻详情

新闻详情

首页 / 资讯中心 / 详情

DeepSeek LeetCode 109. 有序链表转换二叉搜索树 Python3实现

发布时间:2026/11/15 5:34:36来源:尧图网络
DeepSeek    LeetCode 109. 有序链表转换二叉搜索树 Python3实现
LeetCode 109. 有序链表转换二叉搜索树 — Python3 实现思路中序遍历模拟二叉搜索树BST的中序遍历结果是有序的而给定的链表恰好也是有序的。因此可以模拟中序遍历的过程来构建 BST先计算链表的长度 n。递归函数 build(start, end) 表示用链表在区间 [start, end] 内的节点构建子树。取 mid (start end) // 2 作为当前子树的根节点在链表中的位置。先递归构建左子树然后取当前链表节点作为根链表指针后移再递归构建右子树。这样每个节点只访问一次且不需要额外数组。代码# Definition for singly-linked list.classListNode:def__init__(self,val0,nextNone):self.valval self.nextnext# Definition for a binary tree node.classTreeNode:def__init__(self,val0,leftNone,rightNone):self.valval self.leftleft self.rightrightclassSolution:defsortedListToBST(self,head:ListNode)-TreeNode:# 1. 计算链表长度n0curheadwhilecur:n1curcur.nextcurhead# 用于中序遍历的指针defbuild(start:int,end:int)-TreeNode:nonlocalcurifstartend:returnNonemid(startend)//2# 先构建左子树leftbuild(start,mid-1)# 当前链表节点即为根节点nodeTreeNode(cur.val)curcur.nextnode.leftleft# 再构建右子树node.rightbuild(mid1,end)returnnodereturnbuild(0,n-1)复杂度分析· 时间复杂度O(n)每个节点被访问一次。· 空间复杂度O(log n)递归栈深度为树的高度由于构建的是平衡 BST高度为 O(log n)。另一种简单解法转数组如果不想模拟中序也可以先把链表转为数组然后递归取中点建树classSolution:defsortedListToBST(self,head:ListNode)-TreeNode:vals[]whilehead:vals.append(head.val)headhead.nextdefbuild(l:int,r:int)-TreeNode:iflr:returnNonemid(lr)//2nodeTreeNode(vals[mid])node.leftbuild(l,mid-1)node.rightbuild(mid1,r)returnnodereturnbuild(0,len(vals)-1)· 时间复杂度O(n)· 空间复杂度O(n)额外数组模拟中序的写法空间更优推荐使用。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉