【算法训练】3.无重复字符的最长子串

参考链接：力扣

题目：

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：

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。

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。

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。

思路：

1.经典解法

遍历。从i=0出发的最长无重复字符串长度，然后i=1，i=2依次判断...

每次i位置，都需要求解最长不重复子串，有两种情况：

a. 字符串本身

b. 遍历过程中遇到了出现过的字符

代码：

class Solution:
    def lengthOfLongestSubstring(self, s: str) -> int:
        s_list = [i for i in s]
        result_rlen = 0
        for i in range(len(s_list)):
            # 从i开始的子字符串列表
            i_list = s_list[i:]
            i_result = []  # i位置开始的不重复子字符列表
            for char in i_list:
                if char in i_result:
                    break

                i_result.append(char)

            # 上述遍历完成，为i位置开始的不重复列表
            result_rlen = max(result_rlen, len(i_result))

        return result_rlen

可以看到这个方法非常慢，整个过程就是遍历拿i位置出发的不重复字符串列表，拿的过程，就是遍历过程，一旦遇到重复的就跳出

时间复杂度O(N^2)

2.进阶解法

滑动窗口法：滑动窗口法是一种算法思想，一种相对大众的解题思路，具体是谁提出的不详，类似于二分法，是属于算法训练中常用的思想。

过程：

建立一个窗口lookup，左指针left

遍历数组，不停的将字符加入窗口中，若出现重复字符，从左边开始去掉重复字符，缩小窗口，过程中记录无重复窗口的长度，遍历完成后返回最大长度

核心：在于维护了一个无重复窗口，并不是遍历完成后，窗口里就是最长无重复子串，比如一个反例

abcdaede

过程如下：

a

ab

abc

abcd

abcda->bcda

bcdae

bcdaed->aed

aede->de

过程中的最长无重复子串为bcdae，最长长度为5

代码思路：

"""
思路已经清晰:
窗口lookup    lookup=set()
左指针left    left = 0
最大长度      max_len = 0
窗口加入字符  lookup.add(s[i])
维护一个窗口，如果有重复，从左边删除字符，直到没有当前字符 while循环
while s[i] in lookup:
    lookup.remove(s[left])
    left += 1

过程中记录窗口的长度，一直维持一个最大长度，最后遍历完成返回
max_len = max(max_len, len(lookup))

"""

【算法到代码的翻译】

这一步其实没有看上去这么简单，需要考虑清楚先干啥后干啥

遍历过程中：

1.判断当前元素，删窗口重复元素

2.加当前元素

3.维护最大长度

这个过程一定不能乱，核心不在于加元素，也不在于维护最大长度，在于维护干净的无重复窗口lookup，维护由两步组成，先删后加或者先加后删，取长度一定是最后一步。

为什么不能先加后删呢？

因为先加后删，根本第一步都开始不了，所以只能先删后加。

class Solution:
    def lengthOfLongestSubstring(self, s: str) -> int:
        if not s:
            return 0
        lookup = set()
        left = 0
        max_len = 0
        for i in range(len(s)):
            # 上来就判断是否在窗口中，相当于如果有重复的，会先删干净窗口
            while s[i] in lookup:
                lookup.remove(s[left])
                left += 1
            # 再加元素到窗口，此时窗口一定不重复
            lookup.add(s[i])
            # 再维护最大窗口长度max(max_len, len(lookup))
            max_len = max(max_len, len(lookup))

        return max_len

效果：

 可以发现，优化了非常多，同时说明，该种方法并不是最佳解法，最佳的解法往往都是一步一步磨出来的，所以不要奢求一步到位，该代码虽然不是最佳，但已经足以应付面试。

考察点：数组，滑动窗口法，滑动窗口法的实现