Python实现数据结构与算法——打开转盘锁

题目描述：

你有一个带有四个圆形拨轮的转盘锁。每个拨轮都有10个数字： ‘0’, ‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’ 。每个拨轮可以自由旋转：例如把 ‘9’ 变为 ‘0’，‘0’ 变为 ‘9’ 。每次旋转都只能旋转一个拨轮的一位数字。

锁的初始数字为 ‘0000’ ，一个代表四个拨轮的数字的字符串。

列表 deadends 包含了一组死亡数字，一旦拨轮的数字和列表里的任何一个元素相同，这个锁将会被永久锁定，无法再被旋转。

字符串 target 代表可以解锁的数字，你需要给出最小的旋转次数，如果无论如何不能解锁，返回 -1。

示例1：

输入：deadends = ["0201","0101","0102","1212","2002"], target = "0202"
输出：6
解释：
可能的移动序列为 "0000" -> "1000" -> "1100" -> "1200" -> "1201" -> "1202" -> "0202"。
注意 "0000" -> "0001" -> "0002" -> "0102" -> "0202" 这样的序列是不能解锁的，
因为当拨动到 "0102" 时这个锁就会被锁定。

示例2：

输入: deadends = ["8888"], target = "0009"
输出：1
解释：
把最后一位反向旋转一次即可 "0000" -> "0009"。

示例3：

输入: deadends = ["8887","8889","8878","8898","8788","8988","7888","9888"], target = "8888"
输出：-1
解释：
无法旋转到目标数字且不被锁定。

示例4：

输入: deadends = ["0000"], target = "8888"
输出：-1

提示：

1. 死亡列表 deadends 的长度范围为 [1, 500]。
2. 目标数字 target 不会在 deadends 之中。
3. 每个 deadends 和 target 中的字符串的数字会在 10,000 个可能的情况 ‘0000’ 到 ‘9999’ 中产生。

来源：力扣（LeetCode）
链接：https://leetcode-cn.com/problems/open-the-lock
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。

解题思路：

0000-9999相当于10000个节点。10000个节点以满足题目要求的形式组成一个网状结构，从0000到目标target点的最短路径且路径上没有deadends节点，则最短路径则为所求。既然是最短路径，那么又可以使用BFS算法。简单直接，实现代码如下：
实现代码1：（注意该代码自己测试没有问题，但是提交会运算超时）

from collections import deque
class Solution:
    def openLock(self, deadends, target) -> int:
        if ('0000') in deadends:
            return -1
        if ('0000') in target:
            return 0

        startNode = (0,0,0,0)
        neighbors = [(1,0,0,0),(0,1,0,0),(0,0,1,0),(0,0,0,1),(9,0,0,0),(0,9,0,0),(0,0,9,0),(0,0,0,9)]
        # 输入的字符串转为数字
        deadends = [tuple([int(i) for i in deadend]) for deadend in deadends]
        target = tuple([int(i) for i in list(target)])
        # searchList: 待遍历的列表
        searchList = deque()
        # distance：记录步长
        distance = {}
        marked = []
        distance[startNode] = 0
        searchList.append(startNode)
        while searchList:
            node = searchList.popleft()
            if node == target:
                return distance[node]
            if node in deadends:
                continue
            for neighbor in neighbors:
                neighbor_node = tuple([(node[i]+neighbor[i])%10 for i in range(4)])
                if neighbor_node not in marked:
                    distance[neighbor_node] = distance[node] + 1
                    marked.append(neighbor_node)
                    searchList.append(neighbor_node)
        return -1

测试结果：

看解题思路和代码实现，并没有什么大问题，而且本地测试是通过的。所以思考提高速度的方式要么提高数据处理速度，要么提升算法。这里想到在大量数据的情况下，提高数据搜索处理速度的一种方法，可以采用集合代替数组，将所有in操作的数据都采用集合，时间复杂度为O(1)。反观代码1，可以采用集合替换数组的对象为marked和deadends，这个对象只需要记录被搜索的节点，不需要有序。则对代码做了如下更改，只更改了marked：

marked = []
#改为：
marked = set()

相应的，添加元素的操作，也要做出更改：

marked.append(neighbor_node)
#改为：
marked.add(neighbor_node)

改好后，再次提交进行测试，在其他代码不变的情况下，奇迹发生了：

只是改动了一点点，执行结果就通过了。再进一步修改代码，让代码更加简洁，省去字符串转换数字过程，最终代码修改如下：

from collections import deque
import time
class Solution:
    def openLock(self, deadends, target) -> int:
        if ('0000') in deadends:
            return -1
        if ('0000') in target:
            return 0
        startNode = "0000"
        # deadends转为集合
        deadends = set(deadends)
        # searchList: 待遍历的列表
        searchList = deque()
        # distance：记录步长a
        distance = 0
        marked = set(startNode)
        searchList.append((startNode, distance))

        while searchList:
            node, distance_node = searchList.popleft()
            if node in deadends:
                continue
            for i in range(4):
                for j in (1,-1):
                    neighbor_node = (node[:i]+str((int(node[i])+j)%10)+node[i+1:])
                    if neighbor_node == target:
                        return distance_node+1
                    if neighbor_node not in marked:
                        distance_neighbor = distance_node + 1
                        marked.add(neighbor_node)
                        searchList.append((neighbor_node, distance_neighbor))
        return -1													

测试结果：

总结：

这道题本身思路很清晰，难点在是否记得集合（set）在in查询时的优势，时间复杂度为O(1)。但是在内存消耗上，还有待优化，有好的方法欢迎下方评论。