146. LRU Cache
LRU Cache 這是一題經典題型,完全沒有概念的讀者我會建議一開始直接先看解答,懂概念後再做也沒關係的題目,因為這道題目的原理並不難,不如先把所有的東西都先搞定,面試前做熟就好了,因為就算知道原理,在真正要寫出程式的時候太多細節需要要求了,而且就算面試中面試官跟你講解了 LRU 快取的概念,沒有看過做法,真的很難做出來。
LRU Cache 個這裡一開始我就打算直接破題,這個題目的敘述可以直接到 LeetCode 上面看。
如果這輩子從來沒有寫過 LRU Cache 尤其大學不是念資工系的學生(像是我),極少數人應該可以在 45 分鐘內想到這題目需要用到 Doubly Linked List + Hash Table 。就算是上課有提到,我想教授應該也會直接跟大家講這個題目的核心觀念,不用太折騰自己要在 45 分鐘想出並寫完。
為何需要 Doubly Linked List ?
Doubly Linked List 可以幫我們做兩件事情,在 \(O(1)\) 的時間複雜度的情況下,在新增、刪除、查看後的情況下,不斷地幫我們保持最後一次使用到的資料在這筆資料的最尾端。
那為什麼需要雙向?因為我們在新增、刪除節點的時候,我們才能知道該節點的前一個節點的資訊,確保操作可以在時間複雜度 \(O(1)\)。
為何需要 Hash Map ?
Linked List 並不像陣列一樣可以靠位置來快速定位到我們想要的元素,所以我們需要 Hash Map ,當我們用某個 key 值來搜尋時,快速定位到 Linked List 上節點的位置。這個概念在 Clone 複製圖形的系列問題裡面有用到。
實作
這題目其實是難在懂了原理後要怎麼樣把細節都做出來。前面有說此題目需要 Doubly Linked List ,但是 LeetCode 上面的答案其實省略了這一個部分,我覺得其實把 Doubly Linked List 獨立寫出來並不會多花太多時間,但是會比 LeetCode 上面的答案更容易理解。
Doubly Linked List
他的資料結構並不難,我們需要兩個指針 head
和 tail
來形成一個雙向指標結構的區間,並且記錄我們目前的資料長度為多少(size)。
而這個題目的特性,我們只要完成三個功能就好
- 當新增、查詢的時候,都要將該筆資料移動到最後的
add_to_last
。 - 移除節點
remove_node
。 - 透過移除節點移除第一個節點
remode_first_node
,這是當資料的數量超過限制的空間時,需要的操作。
class Node:
def __init__(self, key: int, val: int):
self.key = key
self.val = val
self.next = None
self.prev = None
class DLinkedList:
def __init__(self):
self.head = Node(0, 0)
self.tail = Node(0, 0)
self.head.next = self.tail
self.tail.prev = self.head
self.size = 0
def add_to_last(self, node: Node) -> None:
node.next = self.tail
node.prev = self.tail.prev
self.tail.prev.next = node
self.tail.prev = node
self.size += 1
def remove_node(self, node: Node) -> None:
node.prev.next = node.next
node.next.prev = node.prev
self.size -= 1
def remove_frist(self) -> Node:
if self.head.next == self.tail:
return None
first = self.head.next
self.remove_node(first)
return first
class LRUCache:
def __init__(self, capacity: int):
self.cache = DLinkedList()
self.capacity = capacity
self.table = {}
def mark_recent_node(self, key: int) -> None:
node = self.table[key]
self.cache.remove_node(node)
self.cache.add_to_last(node)
def add_most_recent_node(self, key, val: int) -> None:
node = Node(key, val)
self.cache.add_to_last(node)
self.table[key] = node
def delete_key(self, key: int) -> None:
node = self.table[key]
self.cache.remove_node(node)
del self.table[key]
def remove_least_recent_used_node(self) -> None:
first = self.cache.remove_frist()
del self.table[first.key]
def get(self, key: int) -> int:
if key not in self.table:
return -1
self.mark_recent_node(key)
return self.table[key].val
def put(self, key: int, value: int) -> None:
if key in self.table:
self.delete_key(key)
self.add_most_recent_node(key, value)
return
if self.capacity == self.cache.size:
self.remove_least_recent_used_node()
self.add_most_recent_node(key, value)
總結
不知道你同不同意,我前面有說到完全沒有聽過 LRU Cache 的話,很難想得到它的實作細節,但是其實在 Python 裡面有一個內建的方法很簡單,他可以快速的幫你做出 Doubly Linked List + Hash Map 的功能,那就是 OrderedDict()
這是一個有序的 dict
。
from collections import OrderDict
class LRUCache:
def __init__(self, capacity: int):
self.cache = OrderedDict()
self.capacity = capacity
def move_to_end(self, key: int) -> None:
val = self.cache[key]
del self.cache[key]
self.cache[key] = val
def get(self, key: int) -> int:
if key in self.cache:
# L11-L13 的操作在於要把元素放到最後
self.move_to_end(key)
return val
return -1
def put(self, key: int, value: int) -> None:
if key in self.cache:
self.move_to_end(key)
self.cache[key] = value
if len(self.cache) > self.capacity:
self.cache.popitem(last = False)
而如果熟悉他的 API 的話,OrderDict 內建一個函式叫做 move_to_end
於是可以改寫成:
class LRUCache:
def __init__(self, capacity: int):
self.capacity = capacity
self.cache = OrderedDict()
def get(self, key: int) -> int:
if key not in self.cache:
return -1
else:
self.cache.move_to_end(key)
return self.cache[key]
def put(self, key: int, value: int) -> None:
if key in self.cache:
self.get(key)
self.cache[key] = value
if len(self.cache) > self.capacity:
self.cache.popitem(last=False)