LeetCode Repeated DNA Sequences

LeetCode Repeated DNA Sequences

All DNA is composed of a series of nucleotides abbreviated as A, C, G, and T, for example: "ACGAATTCCG". When studying DNA, it is sometimes useful to identify repeated sequences within the DNA.

Write a function to find all the 10-letter-long sequences (substrings) that occur more than once in a DNA molecule.

For example,

Given s = "AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT",

Return:
["AAAAACCCCC", "CCCCCAAAAA"].

根据题目意思，很容易想到最直接的办法：取所有可能的子串，逐个比较。

<span style="white-space:pre">	</span>vector<string> res;
	if (s.length() <=10)
	{
		return res;
	}

	int len = s.length();
	for (int i = 0; i < len - 10; i++)
	{
		string str1 = s.substr(i, 10);
		for (int j = i + 1; j < len - 10; j++)
		{
			string str2 = s.substr(j, 10);
			if (str1 == str2)
			{
				res.push_back(str1);
				break;
			}
		}
	}

	return res;

时间复杂度O(n^2)，结果很明显：超时。

这时想到另外一个办法，用空间换时间：哈希。将所有可能出现的字符序列保存在map<string,int> table中（其中第一个字段表示出现的子串，第二个字段表示此子串出现的次数），然后对map遍历，如果table中第二个字段>1表示此子串有重复，加入返回数组中。

<span style="white-space:pre">	</span>vector<string> res;
	if (s.length() < 11)
		return res;

	int len = s.length();
	map<string, int> table;
	for (int i = 0; i < len - 10; i++)
	{
		string str = s.substr(i, 10);
		if (table.find(str) != table.end())
		{
			table[str]++;
		}
		else
		{
			table[str] = 1;
		}
	}

	for (map<string, int>::iterator it = table.begin(); it != table.end(); ++it)
	{
		if (it->second > 1)
			res.push_back(it->first);
	}

	return res;

结果：超内存。。。

超内存的原因是什么？肯定是table中的第一个字段，它是字符串，肯定需要很多空间。能不能换个思维，把字符串哈希一下，哈希成可以用比较小的空间就能表示的？因为可能出现的字符只有四种：AGCT，那么这么设计哈希函数：A->0,C->1,G->2,T->3。如此一来，把长度为10的字符串映射（哈希）成整数。

int hash_fun1(string s)
{
	int n = 0;
	for (int i = 0; i < s.length(); i++){
		n <<= 2;
		char c = s[i];
		if (c == 'C'){
			n += 1;
		}
		else if (c == 'G'){
			n += 2;
		}
		else if (c == 'T'){
			n += 3;
		}
	}
	return n;
}

vector<string> findRepeatedDnaSequences(string s) 
{
	vector<string> res;
	if (s.length() < 11)
		return res;

	int len = s.length();
	map<int, int> table;
	for (int i = 0; i <= len - 10; i++)
	{
		string str = s.substr(i, 10);
		int val = hash_fun1(str);//把字符串哈希成int
		map<int, int>::iterator it = table.find(val);

		if (it != table.end())
		{
			if (it->second == 1)//出现过一次，则加入
				res.push_back(str);
			
				it->second++;
		}
		else
		{
			table[val] = 1;
		}
	}

	return res;
}

当然还有其他哈希办法。比如网上一位朋友的代码，利用位运算（AGCT后3为的位各不相同）

int str2int(string s) {
    int str=0;
    for (int i = 0; i < s.size(); ++i)
        str = (str<<3) +(s[i]&7);
    return str;
}
vector<string> findRepeatedDnaSequences(string s) {
    vector<string> res;
    unordered_map<int,int> coll;
    for (int i = 0; i+10 <= s.size(); ++i)
        if (coll[str2int(s.substr(i,10))]++ == 1)
            res.push_back(s.substr(i,10));
    return res;
}