Beste Zeit zum Kaufen und Verkaufen von Aktien
Detaillierte Anleitung und Python-Implementierung für das Problem „Bester Zeitpunkt zum Kauf und Verkauf von Aktien“.
1. Lernen
Das Problem „Bester Zeitpunkt für den Kauf und Verkauf von Aktien“ ist eine zentrale Herausforderung im Abschnitt „Gleitendes Fenster“.
Diese Implementierung konzentriert sich auf einfache Logik in Python.
Wir legen bei unseren bereitgestellten Lösungen Wert auf technische Genauigkeit und Lesbarkeit des Codes.
2. Real-World Applications
3. Visual Intuition
Visualisierung des Logikablaufs für den besten Zeitpunkt für den Kauf und Verkauf von Aktien.
4. Prerequisites
5. Step-by-Step Thinking
1. Understand the problem
Lesen Sie die Problemstellung zum besten Zeitpunkt für den Kauf und Verkauf von Aktien sorgfältig durch.
2. Formulate brute force
Entwerfen Sie eine einfache iterative Lösung.
3. Identify inefficiency
Suchen Sie nach redundanten Berechnungen.
4. Optimize search path
Verwenden Sie Hashing oder Sortieren, um den Prozess zu beschleunigen.
5. Final Implementation
Bereinigen Sie den Code für Produktionsstandards.
Problemstellung
Sie erhalten ein Array prices, wobei prices[i] der Preis einer bestimmten Aktie am i. Tag ist.
Sie möchten Ihren Gewinn maximieren, indem Sie einen einzigen Tag für den Kauf einer Aktie und einen anderen Tag in der Zukunft für den Verkauf dieser Aktie auswählen.
Geben Sie den maximalen Gewinn zurück, den Sie mit dieser Transaktion erzielen können. Wenn Sie keinen Gewinn erzielen können, geben Sie 0 zurück.
Schreiben Sie eine Funktion maxProfit(prices: List[int]) -> int.
- •1 <= len(prices) <= 10^5
- •0 <= prices[i] <= 10^4
Beispiele
prices = [7, 1, 5, 3, 6, 4]
5
Buy on day 2 (price = 1) and sell on day 5 (price = 6). Profit = 6 - 1 = 5.
prices = [7, 6, 4, 3, 1]
0
No profitable transaction is possible since prices only decrease.
Need a Hint?
Edge Cases to Watch
- Leere Eingabestrukturen
- Einzelelementeingaben
- Große numerische Grenzen
Bereit zur Lösung?
Open the problem in PyRun's browser-based Python editor. Your code runs fully offline — no server required.
Einblicke und Variationen in Interviews
Aufschlüsselung der Komplexitätsanalyse
Warum Zeit: Directly evaluates all possibilities.
Warum Weltraum: Uses standard local memory.
Warum Zeit: Optimized paths reduce total operations.
Warum Weltraum: May trade memory for speed.
Optimierter Lösungs-Python-Code
Optimierter Lösungs-Python-Code
def max_profit_opt(prices):
l, r = 0, 1 # l:buy, r:sell
maxP = 0
while r < len(prices):
if prices[l] < prices[r]:
profit = prices[r] - prices[l]
maxP = max(maxP, profit)
else:
l = r
r += 1
return maxPBrute-Force-Code (Spoiler Guarded)
Brute-Force-Code (Spoiler Guarded)
def max_profit_brute(prices):
res = 0
for i in range(len(prices)):
for j in range(i + 1, len(prices)):
profit = prices[j] - prices[i]
res = max(res, profit)
return resAlgorithm Pattern Checklist
When dealing with Sliding Window data patterns.
- Are constraints clear?
- Is there a linear or logarithmic optimization possible?
Key Revision Notes
Es gelten die Standardeigenschaften des Schiebefensterproblems.
Verwandte Fragen
PyRun is built and maintained by an independent solo developer. If this helped your interview prep, consider buying a coffee!
Empfohlene Python-Ressourcen
Erweitern Sie Ihr Wissen mit zugehörigen interaktiven Tutorials, Spickzetteln und Codevergleichen.
Python Try/Except und Fehlerbehandlung
Verhindern Sie, dass Ihre Python-Skripte abstürzen. Erfahren Sie, wie Sie Try-Except- und Finally-Blöcke erstellen und wie Sie benutzerdefinierte Ausnahmen richtig auslösen.
So konvertieren Sie String in Int in Python
Erfahren Sie, wie Sie in Python mithilfe der Funktion int() einen String in eine Ganzzahl konvertieren. Behandeln Sie Fehler sicher und konvertieren Sie Zahlen aus Binär-, Oktal- oder Hexadezimalwerten.
Python DateTime-Formatierungs-Spickzettel
Erfahren Sie, wie Sie Datums- und Uhrzeitangaben in Python mithilfe von datetime, strftime und strptime analysieren und formatieren.
Python Decorators vs. Decorator Design Pattern: Die wichtigsten Unterschiede
Vergleichen Sie Python-Dekoratoren und das klassische Dekorator-Designmuster. Verstehen Sie die Unterschiede zwischen dem Funktionsumbruch zur Definitionszeit und der dynamischen Objektkomposition zur Laufzeit mit ausführbarem Code.