Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >精选 TOP 面试题 001 | LeetCode 237. 删除链表中的节点

精选 TOP 面试题 001 | LeetCode 237. 删除链表中的节点

作者头像
江不知
发布于 2019-12-12 07:51:53
发布于 2019-12-12 07:51:53
37100
代码可运行
举报
文章被收录于专栏:编程拯救世界编程拯救世界
运行总次数:0
代码可运行

题目描述

原题链接 LeetCode 237. 删除链表中的节点:https://leetcode-cn.com/problems/delete-node-in-a-linked-list

请编写一个函数,使其可以删除某个链表中给定的(非末尾)节点,你将只被给定要求被删除的节点。

现有一个链表 head = [4,5,1,9],它可以表示为:

示例 1:

  • 输入: head = [4,5,1,9], node = 5
  • 输出: [4,1,9]
  • 解释: 给定你链表中值为 5 的第二个节点,那么在调用了你的函数之后,该链表应变为 4 -> 1 -> 9.

示例 2:

  • 输入: head = [4,5,1,9], node = 1
  • 输出: [4,5,9]
  • 解释: 给定你链表中值为 1 的第三个节点,那么在调用了你的函数之后,该链表应变为 4 -> 5 -> 9.

说明:

  • 链表至少包含两个节点。
  • 链表中所有节点的值都是唯一的。
  • 给定的节点为非末尾节点并且一定是链表中的一个有效节点。
  • 不要从你的函数中返回任何结果。

思路分析

如果我们要在链表中删除一个节点,一般的操作是:

  1. 修改要删除节点的上一个节点的指针
  2. 将该指针指向要删除节点的下一个节点

例如,在链表 [4, 5, 1, 9] 中,当我们要删除节点 5 时,我们会修改节点 5 上一个节点 4 的指针,让它指向节点 5 的下一个节点,即节点 1

修改节点 4 的指针,让它指向节点 1

但这道题只告诉我们要删除的节点,我们并不知道该节点的上一个节点是什么,这时候又该如何是好呢?

既然我们要删除一个节点时需要知道它的上一个节点,如果我们无法得知上一个节点,我们就找一个可以知道上一个节点的节点,把它变成要删除的节点,然后删除它

这样听起来好像有些拗口?没事,直接看一个例子!

还是 [4, 5, 1, 9] 链表,还是删除节点 5

首先,我们把节点 5 下一个节点的值赋给它,把它变成一个「不需要删除」的节点:

把节点 5 下一个节点的值赋给它

这样一来,第二个节点 1 和第三个节点 1,无论我们删除其中的哪一个,都可以得到最终结果 [4, 1, 9]。既然第二个节点不好删除,那我们就果断删除第三个啦~

改变第二个节点 1 的指针,将它指向第 4 个节点 9,这样一来,第三个节点 1 就被删除了:

改变第 2 个节点的指针,让它指向第 4 个节点

具体实现

Python

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
# Definition for singly-linked list.
# class ListNode:
#     def __init__(self, x):
#         self.val = x
#         self.next = None

class Solution:
    def deleteNode(self, node):
        """
        :type node: ListNode
        :rtype: void Do not return anything, modify node in-place instead.
        """
        node.val = node.next.val
        node.next = node.next.next

Go

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
/**
 * Definition for singly-linked list.
 * type ListNode struct {
 *     Val int
 *     Next *ListNode
 * }
 */
func deleteNode(node *ListNode) {
    node.Val = node.Next.Val
    node.Next = node.Next.Next
}

复杂度

  • 时间复杂度 O(1)
  • 空间复杂度 O(1)

总结一下

这道题没有给出链表的头节点,而是直接给出要删除的节点,让我们进行原地删除。我们对于该节点的前一个节点一无所知,所以无法直接执行删除操作。因此,我们将要删除节点的 next 节点的值赋值给要删除的节点,转而去删除 next 节点,从而达成目的。

题目中指明了「给定的节点为非末尾节点」且「链表至少包含两个节点」,所以上述方案是切实可行的。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-11-27,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 编程拯救世界 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波以及粒子滤波原理
所有滤波问题其实都是求感兴趣的状态的后验概率分布,只是由于针对特定条件的不同,可通过求解递推贝叶斯公式获得后验概率的解析解(KF、EKF、UKF),也可通过大数统计平均求期望的方法来获得后验概率(PF)。
全栈程序员站长
2022/07/05
3.9K0
卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波以及粒子滤波原理
扩展卡尔曼滤波(EKF)理论讲解与实例(matlab、python和C++代码)「建议收藏」
我们上篇提到的 卡尔曼滤波(参见我的另一篇文章: 卡尔曼滤波理论讲解与应用(matlab和python))是用于线性系统,预测(运动)模型和观测模型是在假设高斯和线性情况下进行的。简单的卡尔曼滤波必须应用在符合高斯分布的系统中,但是现实中并不是所有的系统都符合这样 。另外高斯分布在非线性系统中的传递结果将不再是高斯分布。那如何解决这个问题呢?扩展卡尔曼滤波就是干这个事的。
全栈程序员站长
2022/07/04
1.9K0
扩展卡尔曼滤波(EKF)理论讲解与实例(matlab、python和C++代码)「建议收藏」
卡尔曼滤波算法及其python实现
其中,横轴表示X[0,0],即位置p; 纵轴表示X[1,0],即速度v 可以看到速度v很快收敛于1.0,这是因为设置delta_t=1,即Z中的数据从0-500,每秒加1,卡尔曼滤波预测的速度与实际速度1.0很好的契合。 并且,我相信如果将横轴展开来看,卡尔曼滤波也对位置的预测具有很好的契合。
全栈程序员站长
2022/08/24
1.3K0
卡尔曼滤波算法及其python实现
卡尔曼(Kalman)滤波算法原理、C语言实现及实际应用
  蓝色的波形是实际测得的数据,红色的波形是经 Kalman 滤波后的数据波形。 注:这里是实际应用激光测距传感器(TOF)vl53l0x 测得的距离数据。
全栈程序员站长
2022/07/01
7.4K0
卡尔曼(Kalman)滤波算法原理、C语言实现及实际应用
卡尔曼滤波
卡尔曼滤波能够从算法的角度提高传感器的测试精度,弱化噪声信号的影响,在航空航天、传感技术、机器人以及控制系统设计等领域具有广泛的应用;调研可知,卡尔曼滤波与FIR滤波器相比,内存占用较小、计算速度快,不需要进行频域转化,能够轻易嵌入数据采集系统,实现信号的准确测量;
联远智维
2022/01/20
8320
卡尔曼滤波
卡尔曼滤波器原理和matlab实现
项目最近正好用上kalman滤波器,故整理一下kalman滤波器相关资料,网上有很多详细的kalman资料,参考如下: 1、https://zhuanlan.zhihu.com/p/34656822 2、https://blog.csdn.net/m0_37953670/article/details/89528002 由于项目处理的是一维信号,过滤噪点,故上面2篇文献足够完成项目
用户9925864
2022/07/27
6860
卡尔曼滤波器原理和matlab实现
【附源码+代码注释】误差状态卡尔曼滤波(error-state Kalman Filter),扩展卡尔曼滤波,实现GPS+IMU融合,EKF ESKF GPS+IMU
2021年6月23日更新:发现了一个讲卡尔曼滤波特别好的视频,但是需要访问国外网站。卡尔曼滤波视频
全栈程序员站长
2022/06/28
4.8K1
【附源码+代码注释】误差状态卡尔曼滤波(error-state Kalman Filter),扩展卡尔曼滤波,实现GPS+IMU融合,EKF ESKF GPS+IMU
解读基于多传感器融合的卡尔曼滤波算法
卡尔曼滤波器是传感器融合工程师用于自动驾驶汽车的工具。想象一下,你有一个雷达传感器,告诉你另一辆车距离15米,一个激光传感器说车辆距离20米。你如何协调这些传感器测量?这就是卡尔曼滤波器的功能。卡尔曼滤波在自动驾驶汽车上的应用十分广泛,本文讲述卡尔曼滤波算法,希望对你有所帮助。
3D视觉工坊
2020/12/31
3K0
解读基于多传感器融合的卡尔曼滤波算法
【SLAM】卡尔曼滤波:究竟滤了谁?
一派是基于马尔科夫性假设的滤波器方法,认为当前时刻的状态只与上一时刻的状态有关。另一派是非线性优化方法,认为当前时刻状态应该结合之前所有时刻的状态一起考虑。
小白学视觉
2019/12/24
2.6K0
【SLAM】卡尔曼滤波:究竟滤了谁?
ADC采样滤波算法利用卡尔曼滤波算法详解
(本文为笔者早期所写,当时对卡尔曼滤波器理解尚未透彻,如今回顾,该模型还有所缺陷,推荐读者看卡尔曼的推导过程或者B站大佬Dr_CAN的空间)
全栈程序员站长
2022/07/01
2.9K0
ADC采样滤波算法利用卡尔曼滤波算法详解
【精选】卡尔曼滤波及其在配对交易中的应用
听过卡尔曼滤波的差不多有两年的时间了,虽然大致上明白其原理,但是也是直到现在才能够彻底掌握下来。主要是卡尔曼滤波算法涉及到比较复杂的数学公式推导。在很多博客上都有写卡尔曼滤波的相关文章,但都是花非常大的篇幅来通过一些例子来通俗地讲解卡尔曼滤波,对于不知道其数学原理的读者来说,看完之后依然是一知半解。
量化投资与机器学习微信公众号
2018/10/25
2K0
【精选】卡尔曼滤波及其在配对交易中的应用
GPS/INS组合导航系统 的matlab代码分析
此行代码将名为 “ceshi.txt” 的文本文件中的数据导入到 MATLAB 中,并存储在变量 data 中,以便进行后续处理。
全栈若城
2024/02/29
4260
卡尔曼滤波原理详解及系统模型建立(simulink)
卡尔曼滤波器是在上个世纪五六十年代的时候提出的,到今天已经有六十年左右的时间,但卡尔曼滤波算法不管在控制、制导、导航或者通讯方面对数据的预测能力依然处在一个不可撼动的位置上,可是很多人对于其算法内部的工作原理究竟是怎么运作的依然不理解,所以在工程上很多人都只是把卡尔曼滤波当成是一种“黑箱”预测算法,并不清楚内部原理。但实际上没有任何算法是“黑箱”,只是算法内部的运行规律并不直观,所以让人很难理解,现在也有很多对卡尔曼滤波的解释,但是我这篇文章里希望从原理入手,尽可能定性地对卡尔曼滤波的每一步都做出更加通俗的解释,最后对卡尔曼滤波的系统过程建立相对应的模型,对其进行各种响应的测试,这样也能够更深入地理解卡尔曼滤波。
全栈程序员站长
2022/07/04
4.9K0
卡尔曼滤波原理详解及系统模型建立(simulink)
【目标跟踪】卡尔曼滤波(公式推导与代码)
​ 1、卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波)过程。
读书猿
2024/02/05
1.1K0
【目标跟踪】卡尔曼滤波(公式推导与代码)
【译】图解卡尔曼滤波(Kalman Filter)
译者注:这恐怕是全网有关卡尔曼滤波最简单易懂的解释,如果你认真的读完本文,你将对卡尔曼滤波有一个更加清晰的认识,并且可以手推卡尔曼滤波。原文作者使用了漂亮的图片和颜色来阐明它的原理(读起来并不会因公式多而感到枯燥),所以请勇敢地读下去!
好好学SLAM
2021/05/28
4.1K0
Matlab中的Kalman入门
卡尔曼滤波(Kalman Filtering)是一种用于状态估计和信号处理的全局最优滤波器。它基于状态空间模型,通过将观测数据和模型进行融合,实现对未知变量和噪声的估计。在Matlab中,我们可以使用内置的kalman滤波函数来实现Kalman滤波算法。 本文将介绍如何在Matlab中使用Kalman滤波器对数据进行滤波和估计。
大盘鸡拌面
2023/10/23
7060
自动驾驶中的传感器融合算法:第一部分-卡尔曼滤波器和扩展卡尔曼滤波器
追踪静止和移动的目标是自动驾驶技术领域最为需要的核心技术之一。来源于多种传感器的信号,包括摄像头,雷达,以及激光雷达(基于脉冲激光的测距设备)等传感器组合的组合体来估计位置,速度,轨迹以及目标的种类,例如其他车辆和行人。详情请见:Link(原文中的链接是无效的因此我将原作者的文章连接替换了)
AI研习社
2018/12/07
2.7K0
面向软件工程师的卡尔曼滤波器
与我的朋友交谈时,我经常听到:“哦,卡尔曼(Kalman)滤波器……我经常学它,然后我什么都忘了”。好吧,考虑到卡尔曼滤波器(KF)是世界上应用最广泛的算法之一(如果环顾四周,你80%的技术可能已经在内部运行某种KF),让我们尝试将其弄清楚。
磐创AI
2020/03/04
9580
kalman滤波融合原理及其matlab仿真「建议收藏」
卡尔曼滤波是一种递推式滤波方法,不须保存过去的历史信息,新数据结合前一刻已求得的估计值及系统本身的状态方程按一定方式求得新的估计值。
全栈程序员站长
2022/09/03
1.4K0
kalman滤波融合原理及其matlab仿真「建议收藏」
【转】卡尔曼滤波器
在学习卡尔曼滤波器之前,首先看看为什么叫“卡尔曼”。跟其他著名的理论(例如傅立叶变换,泰勒级数等等)一样,卡尔曼也是一个人的名字,而跟他们不同的是,他是个现代人! 卡尔曼全名Rudolf Emil Kalman,匈牙利数学家,1930年出生于匈牙利首都布达佩斯。1953,1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器,正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》(线性滤波与预测问题的新方法)。如果对这编论文有兴趣,可以到这里的地址下载:http://www.cs.unc.edu/~welch/kalman/media/pdf/Kalman1960.pdf 简单来说,卡尔曼滤波器是一个“optimal recursive data processing algorithm(最优化自回归数据处理算法)”。对于解决很大部分的问题,他是最优,效率最高甚至是最有用的。他的广泛应用已经超过30年,包括机器人导航,控制,传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理,例如头脸识别,图像分割,图像边缘检测等等。 2.卡尔曼滤波器的介绍 (Introduction to the Kalman Filter) 为了可以更加容易的理解卡尔曼滤波器,这里会应用形象的描述方法来讲解,而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是,他的5条公式是其核心内容。结合现代的计算机,其实卡尔曼的程序相当的简单,只要你理解了他的那5条公式。 在介绍他的5条公式之前,先让我们来根据下面的例子一步一步的探索。 假设我们要研究的对象是一个房间的温度。根据你的经验判断,这个房间的温度是恒定的,也就是下一分钟的温度等于现在这一分钟的温度(假设我们用一分钟来做时间单位)。假设你对你的经验不是100%的相信,可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声(White Gaussian Noise),也就是这些偏差跟前后时间是没有关系的而且符合高斯分配(Gaussian Distribution)。另外,我们在房间里放一个温度计,但是这个温度计也不准确的,测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。 好了,现在对于某一分钟我们有两个有关于该房间的温度值:你根据经验的预测值(系统的预测值)和温度计的值(测量值)。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。 假如我们要估算k时刻的是实际温度值。首先你要根据k-1时刻的温度值,来预测k时刻的温度。因为你相信温度是恒定的,所以你会得到k时刻的温度预测值是跟k-1时刻一样的,假设是23度,同时该值的高斯噪声的偏差是5度(5是这样得到的:如果k-1时刻估算出的最优温度值的偏差是3,你对自己预测的不确定度是4度,他们平方相加再开方,就是5)。然后,你从温度计那里得到了k时刻的温度值,假设是25度,同时该值的偏差是4度。 由于我们用于估算k时刻的实际温度有两个温度值,分别是23度和25度。究竟实际温度是多少呢?相信自己还是相信温度计呢?究竟相信谁多一点,我们可以用他们的covariance来判断。因为Kg^2=5^2/(5^2+4^2),所以Kg=0.78,我们可以估算出k时刻的实际温度值是:23+0.78*(25-23)=24.56度。可以看出,因为温度计的covariance比较小(比较相信温度计),所以估算出的最优温度值偏向温度计的值。 现在我们已经得到k时刻的最优温度值了,下一步就是要进入k+1时刻,进行新的最优估算。到现在为止,好像还没看到什么自回归的东西出现。对了,在进入k+1时刻之前,我们还要算出k时刻那个最优值(24.56度)的偏差。算法如下:((1-Kg)*5^2)^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度温度值的偏差,得出的2.35就是进入k+1时刻以后k时刻估算出的最优温度值的偏差(对应于上面的3)。 就是这样,卡尔曼滤波器就不断的把covariance递归,从而估算出最优的温度值。他运行的很快,而且它只保留了上一时刻的covariance。上面的Kg,就是卡尔曼增益(Kalman Gain)。他可以随不同的时刻而改变他自己的值,是不是很神奇! 下面就要言归正传,讨论真正工程系统上的卡尔曼。 3. 卡尔曼滤波器算法 (The Kalman Filter Algorithm) 在这一部分,我们就来描述源于Dr Kalman 的卡尔曼滤波器。下面的描述,会涉及一些基本的概念知识,包括概率(Probability),随即变量(Random Variable),高斯
钱塘小甲子
2019/01/29
9920
【转】卡尔曼滤波器
推荐阅读
相关推荐
卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波以及粒子滤波原理
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验