请你设计并实现一个满足 LRU (最近最少使用) 缓存 约束的数据结构。
实现LRUCache类：
LRUCache(int capacity)以正整数作为容量capacity初始化 LRU 缓存int get(int key)如果关键字key存在于缓存中，则返回关键字的值，否则返回-1。void put(int key, int value)如果关键字key已经存在，则变更其数据值value；如果不存在，则向缓存中插入该组key-value。如果插入操作导致关键字数量超过capacity，则应该逐出最久未使用的关键字。
函数get和put必须以O(1)的平均时间复杂度运行。
示例：
输入["LRUCache", "put", "put", "get", "put", "get", "put", "get", "get", "get"] [[2], [1, 1], [2, 2], [1], [3, 3], [2], [4, 4], [1], [3], [4]]输出[null, null, null, 1, null, -1, null, -1, 3, 4]解释LRUCache lRUCache = new LRUCache(2); lRUCache.put(1, 1); // 缓存是 {1=1} lRUCache.put(2, 2); // 缓存是 {1=1, 2=2} lRUCache.get(1); // 返回 1 lRUCache.put(3, 3); // 该操作会使得关键字 2 作废，缓存是 {1=1, 3=3} lRUCache.get(2); // 返回 -1 (未找到) lRUCache.put(4, 4); // 该操作会使得关键字 1 作废，缓存是 {4=4, 3=3} lRUCache.get(1); // 返回 -1 (未找到) lRUCache.get(3); // 返回 3 lRUCache.get(4); // 返回 4提示：
1 <= capacity <= 30000 <= key <= 100000 <= value <=- 最多调用
2 * 105次get和put
解题思路
- 数据结构选择：
OrderedDict既保留了哈希表的 O (1) 查找特性，又维护了元素的插入顺序，通过move_to_end和popitem可以在 O (1) 时间内完成「标记最近使用」和「淘汰最久未使用」的操作。 get操作：- 若 key 不存在，直接返回
-1。 - 若 key 存在，将其移动到字典末尾（标记为「最近使用」），再返回对应值。
- 若 key 不存在，直接返回
put操作：- 若 key 已存在，更新值并移动到末尾（标记为「最近使用」）。
- 若 key 不存在，直接添加到末尾。
- 若添加后超出容量，删除字典头部的元素（最久未使用的键）。
复杂度分析
- 时间复杂度：
get和put操作均为O(1)，因为OrderedDict的move_to_end、popitem和哈希表的增删改查都是 O (1) 时间。 - 空间复杂度：O(capacity)，最多存储
capacity个键值对。
Python代码
from collections import OrderedDict class LRUCache: def __init__(self, capacity: int): self.cache = OrderedDict() self.capacity = capacity def get(self, key: int) -> int: if key not in self.cache: return -1 # 将访问的键移到末尾，表示最近使用 self.cache.move_to_end(key) return self.cache[key] def put(self, key: int, value: int) -> None: if key in self.cache: # 键已存在，更新值并移到末尾 self.cache.move_to_end(key) self.cache[key] = value # 检查容量，超出则删除最久未使用的键（头部元素） if len(self.cache) > self.capacity: self.cache.popitem(last=False) # ------------------------------ 测试驱动代码 ------------------------------ def run_operations(ops, params): """ 执行操作序列，返回每个操作的结果 :param ops: 操作类型列表（如["LRUCache", "put", "get"]） :param params: 对应每个操作的参数列表 :return: 操作结果列表，与题目输出格式一致 """ obj = None result = [] for op, param in zip(ops, params): if op == "LRUCache": obj = LRUCache(*param) result.append(None) elif op == "get": res = obj.get(*param) result.append(res) elif op == "put": obj.put(*param) result.append(None) return result # 题目示例输入 if __name__ == "__main__": ops = ["LRUCache","put","put","get","put","get","put","get","get","get"] params = [[2],[1,1],[2,2],[1],[3,3],[2],[4,4],[1],[3],[4]] # 执行并打印结果 output = run_operations(ops, params) print("输出结果:", output) # 验证是否与题目输出一致 expected = [None, None, None, 1, None, -1, None, -1, 3, 4] print("是否符合预期:", output == expected)LeetCode提交代码
class LRUCache: def __init__(self, capacity: int): self.cache = OrderedDict() self.capacity = capacity def get(self, key: int) -> int: if key not in self.cache: return -1 # 将访问的键移到末尾，表示最近使用 self.cache.move_to_end(key) return self.cache[key] def put(self, key: int, value: int) -> None: if key in self.cache: # 键已存在，更新值并移到末尾 self.cache.move_to_end(key) self.cache[key] = value # 检查容量，超出则删除最久未使用的键（头部元素） if len(self.cache) > self.capacity: self.cache.popitem(last=False) # Your LRUCache object will be instantiated and called as such: # obj = LRUCache(capacity) # param_1 = obj.get(key) # obj.put(key,value)程序运行截图展示
总结
本文介绍了LRU缓存机制的实现方法。通过使用Python的OrderedDict数据结构，既保证了O(1)时间复杂度的查找操作，又维护了元素的访问顺序。当缓存容量超出时，自动淘汰最久未使用的元素。该实现满足题目要求的get和put操作均为O(1)时间复杂度，并通过测试用例验证了正确性。关键点在于利用OrderedDict的move_to_end和popitem方法高效处理最近访问标记和元素淘汰。
