【每日一题Day369】LC187重复的DNA序列 | 字符串哈希

重复的DNA序列【LC187】

DNA序列 由一系列核苷酸组成，缩写为 'A', 'C', 'G' 和 'T'.。

• 例如，"ACGAATTCCG" 是一个 DNA序列 。

在研究 DNA 时，识别 DNA 中的重复序列非常有用。

给定一个表示 DNA序列 的字符串 s ，返回所有在 DNA 分子中出现不止一次的 长度为 10 的序列(子字符串)。你可以按 任意顺序 返回答案。

• 思路

  计算每个长度为10的子字符串的字符串哈希编码值，当遇到相同的哈希编码值时，将该字符串放入结果集中

  • 注意：不严谨，未判断长度是否相同

• 实现

  • 字符串哈希的「构造 数组」和「计算哈希」的过程，不会溢出吗？

    会溢出，溢出就会变为负数，当且仅当两个哈希值溢出程度与 Integer.MAX_VALUE 呈**不同【相同？】**的倍数关系时，会产生错误结果（哈希冲突），此时考虑修改 或者采用表示范围更大的 long 来代替 int。->不取余也是可以的

    • 溢出1->Integer.MIN_VALUE:-2147483648

  class Solution {
      // private final static long MOD = 1000000007;
      public List<String> findRepeatedDnaSequences(String s) {
          int n = s.length();
          int base = 7;
          int[] h = new int[n + 1];
          int[] p = new int[n + 1];
          p[0] = 1;
          Map<Integer, Integer> count = new HashMap<>();
          List<String> res = new ArrayList<>();
          for (int i = 1; i <= n; i++){
              h[i] = h[i - 1] * base + s.charAt(i - 1);
              p[i] = p[i - 1] * base;
          }
          for (int i = 0; i <= n - 10; i++){
              int code = hash(h, p, i, i + 10 - 1);
              int cnt = count.getOrDefault(code, 0);
              if (cnt == 1){
                  res.add(s.substring(i, i + 10));
              }
              count.put(code, cnt + 1);
          }
          return res;
      }
      private int hash(int[] h, int[] p, int l, int r){
          return h[r + 1] - h[l] * p[r - l + 1];
      }
  }
  

  • 复杂度
    • 时间复杂度：$O(n)$
    • 空间复杂度：$O(n)$