K puntos más cercanos al origen
Guía detallada e implementación Python para el problema 'K puntos más cercanos al origen'.
1. aprender
El problema 'K puntos más cercanos al origen' es un desafío clave en la sección Montón/Cola de prioridad.
Esta implementación se centra en la lógica de nivel fácil en Python.
Priorizamos la precisión técnica y la legibilidad del código en las soluciones que brindamos.
2. Real-World Applications
3. Visual Intuition
Visualización del flujo lógico para K puntos más cercanos al origen.
4. Prerequisites
5. Step-by-Step Thinking
1. Understand the problem
Lea atentamente el enunciado del problema para K puntos más cercanos al origen.
2. Formulate brute force
Redacte una solución iterativa simple.
3. Identify inefficiency
Busque cálculos redundantes.
4. Optimize search path
Utilice hash o clasificación para acelerar el proceso.
5. Final Implementation
Limpiar el código para los estándares de producción.
Declaración del problema
Dada una matriz de puntos donde los puntos [i] = [xi, yi] representan un punto en el plano X-Y y un número entero k, devuelve los k puntos más cercanos al origen (0, 0).
La distancia entre dos puntos en el plano X-Y es la distancia euclidiana (es decir, sqrt((x1 - x2)^2 + (y1 - y2)^2)).
Puede devolver la respuesta en cualquier orden. Se garantiza que la respuesta será única (excepto por el orden en el que se encuentra).
Escribe una función kClosest(points: List[List[int]], k: int) -> List[List[int]].
- •1 <= k <= len(points) <= 10^4
- •-10^4 <= xi, yi <= 10^4
Ejemplos
points = [[1,3],[-2,2]], k = 1
[[-2,2]]
The distance from (1, 3) to the origin is sqrt(10). The distance from (-2, 2) to the origin is sqrt(8). Since sqrt(8) < sqrt(10), (-2, 2) is closer to the origin.
points = [[3,3],[5,-1],[-2,4]], k = 2
[[3,3],[-2,4]]
The closest two points are (3, 3) and (-2, 4). (Order of elements in the output does not matter).
Need a Hint?
Edge Cases to Watch
- Estructuras de entrada vacías
- Entradas de un solo elemento
- Grandes límites numéricos
¿Listo para resolver?
Open the problem in PyRun's browser-based Python editor. Your code runs fully offline — no server required.
Ideas y variaciones de la entrevista
Desglose del análisis de complejidad
Por qué el tiempo: Directly evaluates all possibilities.
Por qué el espacio: Uses standard local memory.
Por qué el tiempo: Optimized paths reduce total operations.
Por qué el espacio: May trade memory for speed.
Código Python de solución optimizada
Código Python de solución optimizada
import heapq
def k_closest_opt(points, k):
minHeap = []
for x, y in points:
dist = (x**2) + (y**2)
minHeap.append([dist, x, y])
heapq.heapify(minHeap)
res = []
while k > 0:
dist, x, y = heapq.heappop(minHeap)
res.append([x, y])
k -= 1
return resCódigo de fuerza bruta (spoiler guardado)
Código de fuerza bruta (spoiler guardado)
def k_closest_brute(points, k):
points.sort(key=lambda p: p[0]**2 + p[1]**2)
return points[:k]Algorithm Pattern Checklist
When dealing with Heap / Priority Queue data patterns.
- Are constraints clear?
- Is there a linear or logarithmic optimization possible?
Key Revision Notes
Se aplican las propiedades del problema de cola de prioridad/montón estándar.
Preguntas relacionadas
PyRun is built and maintained by an independent solo developer. If this helped your interview prep, consider buying a coffee!
Recursos recomendados de Python
Amplíe sus conocimientos con tutoriales interactivos relacionados, hojas de trucos y comparaciones de códigos.
Generadores de Python
Aprenda a utilizar generadores de Python y declaraciones de rendimiento para procesar conjuntos de datos enormes con un uso mínimo de memoria. Expresiones generadoras maestras.
Cómo convertir una cadena a Int en Python
Aprenda cómo convertir una cadena a un número entero en Python usando la función int(). Maneje los errores de forma segura y convierta números de binario, octal o hexadecimal.
Hoja de trucos para operadores de Python
Domine los operadores aritméticos, de comparación, lógicos, bit a bit, de asignación y de identidad en Python.
Decoradores de Python versus patrón de diseño decorador: las diferencias clave
Compare los decoradores de Python y el patrón de diseño de decorador clásico. Comprenda las diferencias entre el ajuste de funciones en tiempo de definición y la composición dinámica de objetos en tiempo de ejecución con código ejecutable.