目录

1. 合并列表中字典字段  ★

2. 乘积最大子数组  ★★

3. 加油站  ★★

附录

贪心算法

一般步骤

使用条件

存在问题

应用实例

---

1. 合并列表中字典字段

如下两个列表，需要将oldList转化为newList，去掉相同字段的字典，并且去掉的参数里面的值要相加。

oldList = [{'0-0': 0, '0-1': 0, '0-2': 0, '0-3': 1972}, {'3-3': 203, '3-2': 0, '3-1': 0, '3-0': 0}, {'0-0': 0, '0-1': 0, '0-2': 0, '0-3': 1450}, {'3-3': 203, '3-2': 0, '3-1': 0, '3-0': 0}, {'0-0': 0, '0-1': 0, '0-2': 0, '0-3': 1334}] newList = [{'0-0': 0, '0-1': 0, '0-2': 0, '0-3': 4756}, {'3-3': 406, '3-2': 0, '3-1': 0, '3-0': 0}]

代码：

import operator
oldList = [{'0-0': 0, '0-1': 0, '0-2': 0, '0-3': 1972},{'3-3': 203, '3-2': 0, '3-1': 0, '3-0': 0},{'0-0': 0, '0-1': 0, '0-2': 0, '0-3': 1450},{'3-3': 203, '3-2': 0, '3-1': 0, '3-0': 0},{'0-0': 0, '0-1': 0, '0-2': 0, '0-3': 1334}]
newList = []
newList.append(oldList[0])
for t in range(1,len(oldList)):for li in newList:if operator.eq(li.keys(), oldList[t].keys()):for key in li.keys():li[key] += oldList[t][key]breakelif operator.eq(li,newList[-1]):newList.append(oldList[t])break
print(newList)

输出：

[{'0-0': 0, '0-1': 0, '0-2': 0, '0-3': 4756}, {'3-3': 406, '3-2': 0, '3-1': 0, '3-0': 0}]

2. 乘积最大子数组

给你一个整数数组 nums ，请你找出数组中乘积最大的连续子数组（该子数组中至少包含一个数字），并返回该子数组所对应的乘积。

示例 1:

输入: [2,3,-2,4]
输出: 6
解释: 子数组 [2,3] 有最大乘积 6。

示例 2:

输入: [-2,0,-1]
输出: 0
解释: 结果不能为 2, 因为 [-2,-1] 不是子数组。

代码：

class Solution:def maxProduct(self, nums: list) -> int:if len(nums) == 0:return 0length = len(nums)dp = [[0] * 2 for _ in range(length)]dp[0][0] = nums[0]dp[0][1] = nums[0]for i in range(1, length):if nums[i] > 0:dp[i][0] = min(nums[i], dp[i - 1][0] * nums[i])dp[i][1] = max(nums[i], dp[i - 1][1] * nums[i])else:dp[i][0] = min(nums[i], dp[i - 1][1] * nums[i])dp[i][1] = max(nums[i], dp[i - 1][0] * nums[i])res = dp[0][1]for i in range(1, length):res = max(res, dp[i][1])return resif __name__ == '__main__':s = Solution()print (s.maxProduct([2,3,-2,4]))print (s.maxProduct([-2,0,-1]))

输出：

6
0

3. 加油站

在一条环路上有 N 个加油站，其中第 i 个加油站有汽油 gas[i] 升。

你有一辆油箱容量无限的的汽车，从第 i 个加油站开往第 i+1 个加油站需要消耗汽油 cost[i] 升。你从其中的一个加油站出发，开始时油箱为空。

如果你可以绕环路行驶一周，则返回出发时加油站的编号，否则返回 -1。

说明: 

• 如果题目有解，该答案即为唯一答案。
• 输入数组均为非空数组，且长度相同。
• 输入数组中的元素均为非负数。

示例 1:

输入: 
gas  = [1,2,3,4,5]
cost = [3,4,5,1,2]
输出: 3

解释: 从 3 号加油站(索引为 3 处)出发，可获得 4 升汽油。此时油箱有 = 0 + 4 = 4 升汽油 开往 4 号加油站，此时油箱有 4 - 1 + 5 = 8 升汽油 开往 0 号加油站，此时油箱有 8 - 2 + 1 = 7 升汽油 开往 1 号加油站，此时油箱有 7 - 3 + 2 = 6 升汽油 开往 2 号加油站，此时油箱有 6 - 4 + 3 = 5 升汽油 开往 3 号加油站，你需要消耗 5 升汽油，正好足够你返回到 3 号加油站。 因此，3 可为起始索引。

示例 2:

输入: 
gas  = [2,3,4]
cost = [3,4,3]
输出: -1

解释: 你不能从 0 号或 1 号加油站出发，因为没有足够的汽油可以让你行驶到下一个加油站。 我们从 2 号加油站出发，可以获得 4 升汽油。 此时油箱有 = 0 + 4 = 4 升汽油 开往 0 号加油站，此时油箱有 4 - 3 + 2 = 3 升汽油 开往 1 号加油站，此时油箱有 3 - 3 + 3 = 3 升汽油 你无法返回 2 号加油站，因为返程需要消耗 4 升汽油，但是你的油箱只有 3 升汽油。 因此，无论怎样，你都不可能绕环路行驶一周。

代码： 

class Solution(object):def canCompleteCircuit(self, gas, cost):""":type gas: List[int]:type cost: List[int]:rtype: int"""n = len(gas)if sum(gas) < sum(cost):return -1else:start = 0path = 0for i in range(n):path = path + (gas[i] - cost[i])if path < 0:start = i + 1path = 0return startif __name__ == '__main__':s = Solution()gas  = [1,2,3,4,5]cost = [3,4,5,1,2]print(s.canCompleteCircuit(gas, cost))gas  = [2,3,4]cost = [3,4,3]print(s.canCompleteCircuit(gas, cost))

输出：

3
-1

---

附录

贪心算法

又称贪婪算法， greedy algorithm 
是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，算法得到的是在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择。

一般步骤

①建立数学模型来描述问题 。
②把求解的问题分成若干个子问题 。
③对每个子问题求解，得到子问题的局部最优解 。
④把子问题的解局部最优解合成原来解问题的一个解 。

贪心算法是一种对某些求最优解问题的更简单、更迅速的设计技术。贪心算法的特点是一步一步地进行，常以当前情况为基础根据某个优化测度作最优选择，而不考虑各种可能的整体情况，省去了为找最优解要穷尽所有可能而必须耗费的大量时间。贪心算法采用自顶向下，以迭代的方法做出相继的贪心选择，每做一次贪心选择，就将所求问题简化为一个规模更小的子问题，通过每一步贪心选择，可得到问题的一个最优解。虽然每一步上都要保证能获得局部最优解，但由此产生的全局解有时不一定是最优的，所以贪心算法不要回溯 。

使用条件

利用贪心法求解的问题应具备如下2个特征：

1、贪心选择性质

一个问题的整体最优解可通过一系列局部的最优解的选择达到，并且每次的选择可以依赖以前作出的选择，但不依赖于后面要作出的选择。这就是贪心选择性质。对于一个具体问题，要确定它是否具有贪心选择性质，必须证明每一步所作的贪心选择最终导致问题的整体最优解。

2、最优子结构性质

当一个问题的最优解包含其子问题的最优解时，称此问题具有最优子结构性质。问题的最优子结构性质是该问题可用贪心法求解的关键所在。在实际应用中，至于什么问题具有什么样的贪心选择性质是不确定的，需要具体问题具体分析。

存在问题

贪心算法也存在如下问题：
1、不能保证解是最佳的。因为贪心算法总是从局部出发，并没从整体考虑 ；
2、贪心算法一般用来解决求最大或最小解 ；
3、贪心算法只能确定某些问题的可行性范围 。

应用实例

例如，平时购物找零钱时，为使找回的零钱的硬币数最少，不要求找零钱的所有方案，而是从最大面值的币种开始，按递减的顺序考虑各面额，先尽量用大面值的面额，当不足大面值时才去考虑下一个较小面值，这就是贪心算法。
有很多经典的应用，比如霍夫曼编码，普利姆和克鲁斯卡尔最小生成树算法，还有迪杰斯特拉单源最短路径算法，都是使用了这种思维。
(附录部分摘自百度百科)