Leetcode(524)——通过删除字母匹配到字典里最长单词
题目
给你一个字符串 s 和一个字符串数组 dictionary ,找出并返回 dictionary 中最长的字符串,该字符串可以通过删除 s 中的某些字符得到。
如果答案不止一个,返回长度最长且字母序最小的字符串。如果答案不存在,则返回空字符串。
示例 1:
输入:s = “abpcplea”, dictionary = [“ale”,“apple”,“monkey”,“plea”]
输出:“apple”
示例 2:
输入:s = “abpcplea”, dictionary = [“a”,“b”,“c”]
输出:“a”
提示:
- 1 1 1 <= s.length <= 1000 1000 1000
- 1 1 1 <= dictionary.length <= 1000 1000 1000
- 1 1 1 <= dictionary[i].length <= 1000 1000 1000
- s 和 dictionary[i] 仅由小写英文字母组成
题解
方法一:贪心+双指针
思路
根据题意,我们需要解决两个问题:
- 如何判断 dictionary \textit{dictionary} dictionary 中的字符串 t t t 是否可以通过删除 s s s 中的某些字符得到;
- 如何找到长度最长且字典序最小的字符串。
第 1 1 1 个问题实际上就是判断 t t t 是否是 s s s 的子序列。因此只要能找到任意一种 t t t 在 s s s 中出现的方式,即可认为 t t t 是 s s s 的子序列。而当我们从前往后匹配时,可以发现每次贪心地匹配最靠前的字符(直到找到 s s s 中第一位与 d i c t i o n a r y [ x ] [ j ] dictionary[x][j] dictionary[x][j] 对得上的位置)是最优决策。
假定当前需要匹配字符 c c c,而字符 c c c 在 s s s 中的位置 x 1 x_1 x1 和 x 2 x_2 x2 出现( x 1 < x 2 x_1 < x_2 x1<x2),那么贪心取 x 1 x_1 x1 是最优解,因为 x 2 x_2 x2 后面能取到的字符, x 1 x_1 x1 也都能取到,并且通过 x 1 x_1 x1 与 x 2 x_2 x2 之间的可选字符,更有希望能匹配成功。
这样,我们初始化两个指针 i i i 和 j j j,分别指向 t t t 和 s s s 的初始位置。每次贪心地匹配,匹配成功则 i i i 和 j j j 同时右移,匹配 t t t 的下一个位置,匹配失败则 j j j 右移, i i i 不变,尝试用 s s s 的下一个字符匹配 t t t 。
最终如果 i i i 移动到 t t t 的末尾,则说明 t t t 是 s s s 的子序列。
第 2 2 2 个问题可以通过遍历 dictionary \textit{dictionary} dictionary 中的字符串,并维护当前长度最长且字典序最小的字符串来找到。
代码实现
我自己的:
class Solution {
public:
string findLongestWord(string s, vector<string>& dictionary) {
// 遍历 dictionary 中的字符串,然后逐一对比 s ,并判断是否可以通过删除 s 中的某些字符得到
// maxL 长度最长且字母序最小的字符串在 dictionary 中的下标
int maxL = -1, ptr, size_d = dictionary.size(), size_s = s.size();
for(int n = 0; n < size_d; n++){
// 先比较当前字符串和 maxL 代表的字符串的长度
// 如果当前字符串长度短于 maxL 或两者长度相等但字母序大于等于 maxL 则查找下一个字符串
if(maxL != -1 && (dictionary[n].size() < dictionary[maxL].size() ||
(dictionary[n].size() == dictionary[maxL].size() && dictionary[n] >= dictionary[maxL]))) continue;
ptr = 0; // 指向当前字符串
for(int i = 0; i < size_s && ptr < dictionary[n].size(); i++)
if(s[i] == dictionary[n][ptr]) ptr++;
if(ptr == dictionary[n].size()) maxL = n;
}
return maxL == -1? "": dictionary[maxL];
}
};
复杂度分析
时间复杂度:
O
(
d
×
(
m
+
n
)
)
O(d×(m+n))
O(d×(m+n)),其中
d
d
d 表示
dictionary
\textit{dictionary}
dictionary 的长度,
m
m
m 表示字符串
s
s
s 的长度,
n
n
n 表示
dictionary
\textit{dictionary}
dictionary 中字符串的平均长度。我们需要遍历
dictionary
\textit{dictionary}
dictionary 中的
d
d
d 个字符串,每个字符串需要
O
(
n
+
m
)
O(n+m)
O(n+m) 的时间复杂度来判断该字符串是否为
s
s
s 的子序列。
空间复杂度:
O
(
1
)
O(1)
O(1)
方法二:双指针+排序预处理
思路
在方法一的基础上,我们尝试通过对
dictionary
\textit{dictionary}
dictionary 的预处理,来优化第
2
2
2 个问题的处理。
我们可以先将
dictionary
\textit{dictionary}
dictionary 依据字符串长度的降序和字典序的升序进行排序,然后从前向后找到第一个符合条件的字符串直接返回即可。
代码实现
我自己的:
class Solution {
public:
string findLongestWord(string s, vector<string>& dictionary) {
// 排序
sort(dictionary.begin(), dictionary.end(),
[](string& A, string& B){return A.size() > B.size() || (A.size() == B.size() && A < B);});
int ptr, size_d = dictionary.size(), size_s = s.size();
for(int n = 0; n < size_d; n++){
ptr = 0; // 指向当前字符串
for(int i = 0; i < size_s && ptr < dictionary[n].size(); i++)
if(s[i] == dictionary[n][ptr]) ptr++;
if(ptr == dictionary[n].size()) return dictionary[n];
}
return "";
}
};
复杂度分析
时间复杂度:
O
(
d
×
m
×
l
o
g
d
+
d
×
(
m
+
n
)
)
O(d×m×logd+d×(m+n))
O(d×m×logd+d×(m+n)),其中
d
d
d 表示
dictionary
\textit{dictionary}
dictionary 的长度,
m
m
m 表示
s
s
s 的长度,
n
n
n 表示
dictionary
\textit{dictionary}
dictionary 中字符串的平均长度。我们需要
O
(
d
×
m
×
log
d
)
O(d \times m \times \log d)
O(d×m×logd) 的时间来排序
dictionary
\textit{dictionary}
dictionary;在最坏的情况下,我们需要
O
(
d
×
(
m
+
n
)
)
O(d \times (m+n))
O(d×(m+n)) 来找到第一个符合条件的字符串。
空间复杂度:
O
(
d
×
m
)
O(d×m)
O(d×m),为排序的开销。
方法三:双指针+DP预处理
思路
在方法一的基础上,我们考虑通过对字符串 s s s 的预处理,来优化第 1 1 1 个问题的处理。
考虑前面的双指针的做法,我们注意到我们有大量的时间用于在 s s s 中找到下一个匹配字符。
这样我们通过预处理,得到:对于字符串 s s s 的每一个位置,从该位置开始往后每一个字符第一次出现的位置(包括该位置)。
我们可以使用动态规划的方法实现预处理,令 f [ i ] [ j ] f[i][j] f[i][j] 表示字符串 s s s 中从位置 i i i 开始往后字符 j j j 第一次出现的位置。在进行状态转移时,如果 s s s 中位置 i i i 的字符就是 j j j,那么 f [ i ] [ j ] = i f[i][j]=i f[i][j]=i,否则 j j j 出现在位置 i + 1 i+1 i+1 开始往后,即 f [ i ] [ j ] = f [ i + 1 ] [ j ] f[i][j]=f[i+1][j] f[i][j]=f[i+1][j];因此我们要反向进行动态规划,从后往前枚举 i i i。
这样我们可以写出状态转移方程:
f
[
i
]
[
j
]
=
{
i
,
s
[
i
]
=
j
f
[
i
+
1
]
[
j
]
,
s
[
i
]
≠
j
f[i][j]= \begin{cases} i, & s[i]=j \\ f[i+1][j], & s[i] \ne j \end{cases}
f[i][j]={i,f[i+1][j],s[i]=js[i]=j
假定下标从 0 0 0 开始,那么 f [ i ] [ j ] f[i][j] f[i][j] 中有 0 ≤ i ≤ m − 1 0 \leq i \leq m-1 0≤i≤m−1,对于边界状态 f [ m − 1 ] [ . . ] f[m-1][..] f[m−1][..],我们令 f [ m ] [ . . ] f[m][..] f[m][..] 的值为 m m m,让 f [ m − 1 ] [ . . ] f[m-1][..] f[m−1][..] 正常进行转移。这样如果 f [ i ] [ j ] = m f[i][j]=m f[i][j]=m,则表示从位置 i i i 开始往后不存在字符 j j j。
这样,我们可以利用 f f f 数组,每次 O ( 1 ) O(1) O(1) 地跳转到下一个位置,直到位置变为 m m m 或 t t t 中的每一个字符都匹配成功。
代码实现
Leetcode 官方题解:
class Solution {
public:
string findLongestWord(string s, vector<string>& dictionary) {
const int n = s.size();
int next[26];
fill_n(next, 26, -1);
int trans[n + 1][26];
fill_n(trans[n], 26, -1);
for (int i = n - 1;0 <= i;--i) {
next[s[i] - 'a'] = i + 1;
copy_n(next, 26, trans[i]);
}
string_view ans = "";
for (const auto& e : dictionary) {
int state = 0;
for (char c : e) {
state = trans[state][c - 'a'];
if (state == -1) break;
}
if (state == -1) continue;
if (e.size() > ans.size() || e.size() == ans.size() && e < ans)
ans = e;
}
return string(ans);
}
};
我自己的(STL版本):
class Solution {
public:
string findLongestWord(string s, vector<string>& dictionary) {
int maxL = -1, ptr, s_size = s.size(), d_size = dictionary.size();
vector<vector<int>> s_letter(s_size, vector<int>(26, -1));
for(int n = s_size-1; n >= 0; n--){
if(n != s_size-1) s_letter[n] = s_letter[n+1];
s_letter[n][s[n]-'a'] = n;
}
for(int n = 0; n < d_size; n++){
if(maxL != -1 && (dictionary[n].size() < dictionary[maxL].size() ||
(dictionary[n].size() == dictionary[maxL].size() && dictionary[n] >= dictionary[maxL]))) continue;
ptr = 0;
for(int i = 0; i < s_size && ptr < dictionary[n].size(); i++){
i = s_letter[i][dictionary[n][ptr]-'a'];
if(i == -1) break;
ptr++;
}
if(ptr == dictionary[n].size()) maxL = n;
}
return maxL == -1? "": dictionary[maxL];
}
};
我自己的(基本数组类型):
class Solution {
public:
string findLongestWord(string s, vector<string>& dictionary) {
int maxL = -1, ptr, s_size = s.size(), d_size = dictionary.size();
int s_letter[s_size][26];
fill_n(s_letter[s_size-1], 26, -1); //只需要给最后一个数组赋值完即可,后面在DP处理时会赋值给别的数组
for(int n = s_size-1; n >= 0; n--){
if(n != s_size-1) copy_n(s_letter[n+1], 26, s_letter[n]);
s_letter[n][s[n]-'a'] = n;
}
for(int n = 0; n < d_size; n++){
if(maxL != -1 && (dictionary[n].size() < dictionary[maxL].size() ||
(dictionary[n].size() == dictionary[maxL].size() && dictionary[n] >= dictionary[maxL]))) continue;
ptr = 0;
for(int i = 0; i < s_size && ptr < dictionary[n].size(); i++){
i = s_letter[i][dictionary[n][ptr]-'a'];
if(i == -1) break;
ptr++;
}
if(ptr == dictionary[n].size()) maxL = n;
}
return maxL == -1? "": dictionary[maxL];
}
};
复杂度分析
时间复杂度:
O
(
m
×
∣
Σ
∣
+
d
×
n
)
O(m \times |\Sigma|+d \times n)
O(m×∣Σ∣+d×n),其中
d
d
d 表示
dictionary
\textit{dictionary}
dictionary 的长度,
Σ
\Sigma
Σ 为字符集,在本题中字符串只包含英文小写字母,故
∣
Σ
∣
=
26
|\Sigma|=26
∣Σ∣=26;
m
m
m 表示字符串
s
s
s 的长度,
n
n
n 表示
dictionary
\textit{dictionary}
dictionary 中字符串的平均长度。预处理的时间复杂度为
O
(
m
×
∣
Σ
∣
)
O(m \times |\Sigma|)
O(m×∣Σ∣);判断
d
d
d 个字符串是否为
s
s
s 的子序列的事件复杂度为
O
(
d
×
n
)
O(d \times n)
O(d×n)。
空间复杂度:
O
(
m
×
∣
Σ
∣
)
O(m×∣\Sigma∣)
O(m×∣Σ∣),为动态规划数组的开销。