nums1 中数字 x 的 下一个更大元素 是指 x 在 nums2 中对应位置 右侧 的 第一个 比 x 大的元素。 给你两个 没有重复元素 的数组 nums1 和 nums2 ，下标从 0 开始计数，其中nums1 是 nums2 的子集。 对于每个 0 <= i < nums1.length ，找出满足 nums1[i] == nums2[j] 的下标 j ，并且在 nums2 确定 nums2[j] 的 下一个更大元素 。如果不存在下一个更大元素，那么本次查询的答案是 -1 。 返回一个长度为 nums1.length 的数组 ans 作为答案，满足 ans[i] 是如上所述的 下一个更大元素 。

示例 1:

输入: nums1 = [4,1,2], nums2 = [1,3,4,2]
输出: [-1,3,-1]
解释:
对于 num1 中的数字 4 ，nums2 中下一个更大的数字是 3 。
对于 num1 中的数字 1 ，nums2 中下一个更大的数字是 3 。
对于 num1 中的数字 2 ，nums2 中下一个更大的数字是 -1 。

示例 2:

输入: nums1 = [2,4], nums2 = [1,2,3,4]
输出: [3,-1]
解释:
对于 num1 中的数字 2 ，nums2 中下一个更大的数字是 3 。
对于 num1 中的数字 4 ，nums2 中下一个更大的数字是 -1 。

提示:

1 <= nums1.length <= nums2.length <= 1000
0 <= nums1[i], nums2[i] <= 104
nums1和nums2中所有整数 互不相同
nums1 中的所有整数同样出现在 nums2 中

相关问题

给定两个没有重复元素的数组nums1和nums2，其中nums1是nums2的子集。请找出nums1中每个元素在nums2中的下一个更大元素。Nums1中数字x的下一个更大元素是指x在nums2中对应位置的右边第一个比x大的元素。如果不存在，则输出-1。时间复杂度 O(n+m)。

这是一个常见的编程问题，通常被称为“寻找子集中每个元素的下一个更大的元素”或“跳跃搜索”。给定两个已排序数组`nums1`和`nums2`，你需要找到`nums1`中的每个元素在`nums2`中的第一个大于它的元素的位置。如果`nums2`中不存在这样的元素，那么结果就是`-1`。

解决这个问题的一个常见算法是采用双指针策略。首先对两个数组进行合并，并维护两个指针，一个指向`nums1`的当前元素，另一个指向`nums2`。然后，在`nums2`中从当前指针开始向右查找，如果找到了一个大于`nums1`指针处元素的数，就更新`nums1`的该位置的结果。如果没有找到，就把`nums2`的指针向右移动一位继续搜索。这个过程持续到遍历完`nums1`的所有元素。

以下是伪代码描述：

result = []
i = 0  # nums1 的索引
j = 0  # nums2 的索引

while i < len(nums1):
    while j < len(nums2) and nums1[i] <= nums2[j]:
        j += 1
    if j == len(nums2):
        result.append(-1)
    else:
        result.append(j - 1)
    i += 1

return result

给定两个大小分别为 m 和 n 的正序（从小到大）数组 nums1 和 nums2。请你找出并返回这两个正序数组的 中位数 。 算法的时间复杂度应该为 O(log (m+n)) 。 来源：力扣（LeetCode） 链接：https://leetcode.cn/problems/median-of-two-sorted-arrays 著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。

可以使用二分查找算法来解决这个问题。

首先，我们可以将两个数组合并成一个有序数组，然后求出中位数。但是，这个方法的时间复杂度为 $O(m + n)$，不符合题目要求。因此，我们需要寻找一种更快的方法。

我们可以使用二分查找算法在两个数组中分别找到一个位置，使得这个位置将两个数组分成的左右两部分的元素个数之和相等，或者两部分的元素个数之差不超过 1。这个位置就是中位数所在的位置。

具体来说，我们分别在两个数组中二分查找，假设现在在第一个数组中找到了一个位置 $i$，那么在第二个数组中对应的位置就是 $(m + n + 1) / 2 - i$。如果 $i$ 左边的元素个数加上 $(m + n + 1) / 2 - i$ 左边的元素个数等于 $m$ 个，或者 $i$ 左边的元素个数加上 $(m + n + 1) / 2 - i$ 左边的元素个数等于 $m + 1$ 个，则这个位置就是中位数所在的位置。

具体的实现可以参考以下 Java 代码：

public double findMedianSortedArrays(int[] nums1, int[] nums2) {
    int m = nums1.length, n = nums2.length;
    if (m > n) { // 保证第一个数组不大于第二个数组
        int[] tmp = nums1; nums1 = nums2; nums2 = tmp;
        int t = m; m = n; n = t;
    }
    int imin = 0, imax = m, halfLen = (m + n + 1) / 2;
    while (imin <= imax) {
        int i = (imin + imax) / 2;
        int j = halfLen - i;
        if (i < imax && nums2[j - 1] > nums1[i]) {
            imin = i + 1; // i 太小了，增大 i
        } else if (i > imin && nums1[i - 1] > nums2[j]) {
            imax = i - 1; // i 太大了，减小 i
        } else { // i 是合适的位置
            int maxLeft = 0;
            if (i == 0) { // nums1 的左边没有元素
                maxLeft = nums2[j - 1];
            } else if (j == 0) { // nums2 的左边没有元素
                maxLeft = nums1[i - 1];
            } else {
                maxLeft = Math.max(nums1[i - 1], nums2[j - 1]);
            }
            if ((m + n) % 2 == 1) { // 总元素个数是奇数
                return maxLeft;
            }
            int minRight = 0;
            if (i == m) { // nums1 的右边没有元素
                minRight = nums2[j];
            } else if (j == n) { // nums2 的右边没有元素
                minRight = nums1[i];
            } else {
                minRight = Math.min(nums1[i], nums2[j]);
            }
            return (maxLeft + minRight) / 2.0;
        }
    }
    return 0.0;
}

时间复杂度为 $O(\log\min(m, n))$。