标签：子串 map right 套路 window 算法 need match left
目录滑动窗口算法
《代码大全》推荐先用伪代码来写框架，从最上层思考可以将抽象能力最大化，不会先陷入任何编程语言的实现细节中，通俗地说就是在蓝图层面解决问题。
滑动窗口算法非常适用用来查找数组连续区间，核心就是：
- while循环嵌套while循环
- 窗口收缩
- 窗口匹配
下面我们写出伪代码框架套路，并用这个套路来解相应的题，该思路来自labuladong的算法小抄，我自己改成了个人觉得更通用的版本，只需要实现is_need_shrink和is_match方法即可。
注意：先搞出来，再谈优化，别一开始就纠结是不是重复调用了，搞出来了这都简单
框架套路
求最小窗口（缩小后更新结果集）
结果集=[]
left=0
right=0
end = 数组大小
while right < end:
right++;
while 窗口需要收缩：
if 窗口满足要求:
结果集.添加([left,right])
left++;
return 结果集
求最大窗口（缩小前更新结果集）
结果集=[]
left=0
right=0
end = 数组大小
while right < end:
right++;
while 窗口需要收缩：
left++;
结果集.添加([left,right])
return 结果集
实现大同小异，但是python代码几乎都是最少的，以下都用python实现
python翻译框架套路
求最小窗口
def min_window(array):
left = 0
right = 0
end = len(array)
res = []
while right < end:
right += 1
while is_need_shrink():
if is_match():
res.append([left, right]) # 在窗口缩小前更新
left += 1
return res
# 窗口需要收缩 todo
def is_need_shrink():
return True
# 窗口满足要求 todo
def is_match():
return True
求最大窗口
def max_window(array):
left = 0
right = 0
end = len(array)
res = []
while right < end:
right += 1
while is_need_shrink():
left += 1
if is_match():
res.append([left, right]) # 在窗口扩大后更新
return res
# 窗口需要收缩 todo
def is_need_shrink():
return True
# 窗口满足要求 todo
def is_match():
return True
res相当于添加了所有满足要求的[left, right]
1.is_need_shrink代表要收缩窗口
2.is_match函数代表窗口满足要求
我们大多时候只需要改这个两个函数即可
示例算法题
最小覆盖子串
题目
给你一个字符串 s 、一个字符串 t 。返回 s 中涵盖 t 所有字符的最小子串。如果 s 中不存在涵盖 t 所有字符的子串，则返回空字符串 "" 。
注意：
对于 t 中重复字符，我们寻找的子字符串中该字符数量必须不少于 t 中该字符数量。
如果 s 中存在这样的子串，我们保证它是唯一的答案。
示例 1：
输入：s = "ADOBECODEBANC", t = "ABC"
输出："BANC"
示例 2：
输入：s = "a", t = "a"
输出："a"
示例 3:
输入: s = "a", t = "aa"
输出: ""
解释: t 中两个字符 'a' 均应包含在 s 的子串中，
因此没有符合条件的子字符串，返回空字符串。
实现
# 最小覆盖子串，用了min_window框架
def minimum_window_substring(s, t):
left = 0
right = 0
end = len(s)
res = []
while right < end:
right += 1
while is_need_shrink(s, left, right, t):
if is_match(s, left, right, t):
res.append([left, right])
left += 1
return res
# 窗口需要收缩。完全匹配的时候收缩，和is_match效果一样
def is_need_shrink(s, left, right, t):
return is_match(s, left, right, t)
# 窗口已经匹配（当need_map的字符串数量和window_map的字符串数量完全匹配时）
def is_match(s, left, right, t):
need_map = {} # 构造需要匹配t的字符串的数量字典
for c in t:
need_map[c] = need_map.get(c, 0) + 1
need_cnt = len(need_map) # 需要匹配的数量
window_map = {} # 记录窗口已经匹配的字符串数量
match_cnt = 0 # 记录已经满足need_map的数量
for c in s[left:right]:
if c not in need_map:
continue
window_map[c] = window_map.get(c, 0) + 1
if window_map[c] == need_map[c]: # 如果数量相等，说明已经匹配
match_cnt += 1
return match_cnt == need_cnt
if __name__ == '__main__':
s = "ADOBECODEBANC"
t = "ABC"
res = minimum_window_substring(s, t)
# 在结果集中计算最小的，即为最小子串
min_len = len(s)
answer = ""
for v in res:
left, right = v[0], v[1]
if right - left < min_len:
min_len = right - left
answer = s[left:right]
if min_len == len(s):
print("")
else:
print(answer)
运行输出如下
字符串全排列子串
题目
给你两个字符串 s1 和 s2 ，写一个函数来判断 s2 是否包含 s1 的排列。
换句话说，s1 的排列之一是 s2 的 子串 。
示例 1：
输入：s1 = "ab" s2 = "eidbaooo"
输出：true
解释：s2 包含 s1 的排列之一 ("ba").
示例 2：
输入：s1= "ab" s2 = "eidboaoo"
输出：false
实现
# 字符串全排列子串，用了min_window框架
def permutation_in_string(s, t):
left = 0
right = 0
end = len(s)
res = []
while right < end:
right += 1
while is_need_shrink(s, left, right, t):
if is_match(s, left, right, t):
res.append([left, right])
left += 1
return res
# 窗口需要收缩.窗口大于等于t长度时需要收缩
def is_need_shrink(s, left, right, t):
if right - left >= len(t):
return True
return False
# 窗口已经匹配。当need_map和window_map的所有字符串计数相同时
def is_match(s, left, right, t):
need_map = {} # 构造需要匹配t的字符串的数量字典
for c in t:
need_map[c] = need_map.get(c, 0) + 1
need_cnt = len(need_map) # 需要匹配的数量
window_map = {} # 记录窗口已经匹配的字符串数量
match_cnt = 0 # 记录已经满足need_map的数量
for c in s[left:right]:
if c not in need_map:
return False
window_map[c] = window_map.get(c, 0) + 1
if window_map[c] == need_map[c]: # 如果数量相完成等，说明匹配了c字符串
match_cnt += 1
return match_cnt == need_cnt
if __name__ == '__main__':
s = "eidbaooo"
t = "ab"
res = permutation_in_string(s, t)
for v in res:
print(f'{v[0]}~{v[1]} {s[v[0]:v[1]]}')
运行输出如下：
找出所有字母异位词
题目
find-all-anagrams-in-a-string/
给定两个字符串 s 和 p，找到 s 中所有 p 的 异位词 的子串，返回这些子串的起始索引。不考虑答案输出的顺序。
异位词 指字母相同，但排列不同的字符串。
示例 1:
输入: s = "cbaebabacd", p = "abc"
输出: [0,6]
解释:
起始索引等于 0 的子串是 "cba", 它是 "abc" 的异位词。
起始索引等于 6 的子串是 "bac", 它是 "abc" 的异位词。
示例 2:
输入: s = "abab", p = "ab"
输出: [0,1,2]
解释:
起始索引等于 0 的子串是 "ab", 它是 "ab" 的异位词。
起始索引等于 1 的子串是 "ba", 它是 "ab" 的异位词。
起始索引等于 2 的子串是 "ab", 它是 "ab" 的异位词。
这和上面的字符串排列子串完全相同套路，不同的是上面的只需要一个解即可，这个需要所有解。
实现
# 查找所有异位词，用了min_window框架
def find_all_anagrams_in_a_string(s, t):
left = 0
right = 0
end = len(s)
res = []
while right < end:
right += 1
while is_need_shrink(s, left, right, t):
if is_match(s, left, right, t):
res.append([left, right])
left += 1
return res
# 窗口需要收缩.窗口大于等于t长度时需要收缩
def is_need_shrink(s, left, right, t):
if right - left >= len(t):
return True
return False
# 窗口已经匹配。当need_map和window_map的所有字符串计数相同时
def is_match(s, left, right, t):
need_map = {} # 构造需要匹配t的字符串的数量字典
for c in t:
need_map[c] = need_map.get(c, 0) + 1
need_cnt = len(need_map) # 需要匹配的数量
window_map = {} # 记录窗口已经匹配的字符串数量
match_cnt = 0 # 记录已经满足need_map的数量
for c in s[left:right]:
if c not in need_map:
return False
window_map[c] = window_map.get(c, 0) + 1
if window_map[c] == need_map[c]: # 如果数量相完成等，说明匹配了c字符串
match_cnt += 1
return match_cnt == need_cnt
if __name__ == '__main__':
s = "cbaebabacd"
t = "abc"
res = find_all_anagrams_in_a_string(s, t)
for v in res:
print(f'{v[0]}~{v[1]} {s[v[0]:v[1]]}')
运行输出如下
最长无重复子串
题目
longest-substring-without-repeating-characters
给定一个字符串 s ，请你找出其中不含有重复字符的 最长子串 的长度。
示例 1:
输入: s = "abcabcbb"
输出: 3
解释: 因为无重复字符的最长子串是 "abc"，所以其长度为 3。
示例 2:
输入: s = "bbbbb"
输出: 1
解释: 因为无重复字符的最长子串是 "b"，所以其长度为 1。
示例 3:
输入: s = "pwwkew"
输出: 3
解释: 因为无重复字符的最长子串是 "wke"，所以其长度为 3。
请注意，你的答案必须是 子串 的长度，"pwke" 是一个子序列，不是子串。
示例 4:
输入: s = ""
输出: 0
名字叫最长，这里需要的是最大窗口框架，也就是在窗口收缩前更新结果集
实现
# 最长无重复子串，用了max_window框架
def longest_substring_without_repeating_characters(s):
res = []
left = 0
right = 0
end = len(s)
while right < end:
right += 1
while is_need_shrink(s, left, right):
left += 1
if is_match(s, left, right):
res.append([left, right])
return res
# 窗口需要收缩。当有重复子串时，和is_match正好相反
def is_need_shrink(s, left, right):
return not is_match(s, left, right)
# 窗口已经匹配。没有重复子串
def is_match(s, left, right):
substr = s[left:right]
# 计算每个字符串个数
window_map = {}
for c in substr:
window_map[c] = window_map.get(c, 0) + 1
# 数量大于1说明有重复
if window_map[c] > 1:
return False
return True
if __name__ == '__main__':
s = "abcabcbb"
res = longest_substring_without_repeating_characters(s)
# 在结果集中计算最小的
max_len = 0
answer = ""
for v in res:
left, right = v[0], v[1]
if right - left > max_len:
max_len = right - left
answer = s[left:right]
print(answer)
运行输出如下
优化
先搞出来了，我们就可以优化了
- 比如is_match和is_need_shrink可能相同，用一个就行了
- 比如循环里面重复计算need_map构造字典的操作，避免重复计算，可以提取到函数外部
- 比如有时候不需要所有的解，可以直接在is_match匹配时return
代码都搞出来了，这种优化都相对简单，套路才是最重要的，就是这样，giao~
标签：子串,map,right,套路,window,算法,need,match,left 来源： https://www.cnblogs.com/chenqionghe/p/15076219.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。