tags:
- 简单
- 遍历
- 二分法
- 分治
flag: green
style: summer
date: ‘2019-6-6’
14.最长公共前缀
一、题目
编写一个函数来查找字符串数组中的最长公共前缀。
如果不存在公共前缀,返回空字符串 ""
。
示例 1:
输入: [“flower”,“flow”,“flight”]
输出: “fl”
示例 2:
输入: [“dog”,“racecar”,“car”]
输出: “”
解释: 输入不存在公共前缀。
说明:
所有输入只包含小写字母 a-z
。
二、解答
方法一:水平扫描法
思路
首先,我们将描述一种查找一组字符串的最长公共前缀
L
C
P
(
S
1
…
S
n
)
LCP(S_1 \ldots S_n)
LCP(S1…Sn)的简单方法。 我们将会用到这样的结论:
L
C
P
(
S
1
…
S
n
)
=
L
C
P
(
L
C
P
(
L
C
P
(
S
1
,
S
2
)
,
S
3
)
,
…
S
n
)
LCP(S_1 \ldots S_n) = LCP(LCP(LCP(S_1, S_2),S_3),\ldots S_n)
LCP(S1…Sn)=LCP(LCP(LCP(S1,S2),S3),…Sn)
算法
为了运用这种思想,算法要依次遍历字符串 [ S 1 … S n ] [S_1 \ldots S_n] [S1…Sn],当遍历到第 i个字符串的时候,找到最长公共前缀 L C P ( S 1 … S i ) LCP(S_1 \ldots S_i) LCP(S1…Si)。当 L C P ( S 1 … S i ) LCP(S_1 \ldots S_i) LCP(S1…Si)是一个空串的时候,算法就结束了。 否则,在执行了 nn 次遍历之后,算法就会返回最终答案 L C P ( S 1 … S n ) LCP(S_1 \ldots S_n) LCP(S1…Sn)
public String longestCommonPrefix(String[] strs) {
if (strs.length == 0) return "";
String prefix = strs[0];
for (int i = 1; i < strs.length; i++)
while (strs[i].indexOf(prefix) != 0) {
prefix = prefix.substring(0, prefix.length() - 1);
if (prefix.isEmpty()) return "";
}
return prefix;
}
复杂度分析
-
时间复杂度:O(S),S 是所有字符串中字符数量的总和。
-
最坏的情况下,n个字符串都是相同的。算法会将 S1 与其他字符串 [ S 2 … S n ] [S_2 \ldots S_n] [S2…Sn]都做一次比较。这样就会进行 S 次字符比较,其中 S 是输入数据中所有字符数量。
-
空间复杂度:O(1),我们只需要使用常数级别的额外空间。
算法二:水平扫描
算法
想象数组的末尾有一个非常短的字符串,使用上述方法依旧会进行 S 次比较。优化这类情况的一种方法就是水平扫描。我们从前往后枚举字符串的每一列,先比较每个字符串相同列上的字符(即不同字符串相同下标的字符)然后再进行对下一列的比较。
public String longestCommonPrefix(String[] strs) {
if (strs == null || strs.length == 0) return "";
for (int i = 0; i < strs[0].length() ; i++){
char c = strs[0].charAt(i);
for (int j = 1; j < strs.length; j ++) {
if (i == strs[j].length() || strs[j].charAt(i) != c)
return strs[0].substring(0, i);
}
}
return strs[0];
}
复杂度分析
-
时间复杂度:O(S)O(S),S 是所有字符串中字符数量的总和。
-
最坏情况下,输入数据为 nn 个长度为 mm 的相同字符串,算法会进行 S = m ∗ n S = m*n S=m∗n次比较。可以看到最坏情况下,本算法的效率与算法一相同,但是最好的情况下,算法只需要进行 n ∗ m i n L e n n n*minLenn n∗minLenn 次比较,其中 minLen是数组中最短字符串的长度。
-
空间复杂度:O(1),我们只需要使用常数级别的额外空间。
算法三:分治
思路
这个算法的思路来自于LCP操作的结合律。 我们可以发现: L C P ( S 1 … S n ) = L C P ( L C P ( S 1 … S k ) , L C P ( S k + 1 … S n ) ) LCP(S_1 \ldots S_n) = LCP(LCP(S_1 \ldots S_k), LCP (S_{k+1} \ldots S_n)) LCP(S1…Sn)=LCP(LCP(S1…Sk),LCP(Sk+1…Sn)),其中 L C P ( S 1 … S n ) LCP(S_1 \ldots S_n) LCP(S1…Sn)是字符串 [ S 1 … S n ] [S_1 \ldots S_n] [S1…Sn]的最长公共前缀,1 < k < n。
算法
为了应用上述的结论,我们使用分治的技巧,将原问题 L C P ( S i ⋯ S j ) LCP(S_i\cdots S_j) LCP(Si⋯Sj) 分成两个子问题 L C P ( S i ⋯ S m i d ) LCP(S_i\cdots S_{mid}) LCP(Si⋯Smid) 与 L C P ( S m i d + 1 , S j ) LCP(S_{mid+1}, S_j) LCP(Smid+1,Sj),其中 m i d = i + j 2 mid = \frac{i+j}{2} mid=2i+j 。 我们用子问题的解 lcpLeft 与 lcpRight 构造原问题的解 L C P ( S i ⋯ S j ) LCP(S_i \cdots S_j) LCP(Si⋯Sj)。 从头到尾挨个比较 lcpLeft 与 lcpRight 中的字符,直到不能再匹配为止。 计算所得的 lcpLeft 与 lcpRight 最长公共前缀就是原问题的解 L C P ( S i ⋯ S j ) LCP(S_i\cdots S_j) LCP(Si⋯Sj)。
public String longestCommonPrefix(String[] strs) {
if (strs == null || strs.length == 0) return "";
return longestCommonPrefix(strs, 0 , strs.length - 1);
}
private String longestCommonPrefix(String[] strs, int l, int r) {
if (l == r) {
return strs[l];
}
else {
int mid = (l + r)/2;
String lcpLeft = longestCommonPrefix(strs, l , mid);
String lcpRight = longestCommonPrefix(strs, mid + 1,r);
return commonPrefix(lcpLeft, lcpRight);
}
}
String commonPrefix(String left,String right) {
int min = Math.min(left.length(), right.length());
for (int i = 0; i < min; i++) {
if ( left.charAt(i) != right.charAt(i) )
return left.substring(0, i);
}
return left.substring(0, min);
}
复杂度分析
最坏情况下,我们有 n 个长度为 m 的相同字符串。
- 时间复杂度:O(S),S 是所有字符串中字符数量的总和,S=m*n。
时间复杂度的递推式为 T ( n ) = 2 ⋅ T ( n 2 ) + O ( m ) T(n)=2\cdot T(\frac{n}{2})+O(m) T(n)=2⋅T(2n)+O(m), 化简后可知其就是 O(S)。最好情况下,算法会进行 m i n L e n ⋅ n minLen\cdot n minLen⋅n 次比较,其中 minLen是数组中最短字符串的长度。
- 空间复杂度: O ( m ⋅ l o g ( n ) ) O(m \cdot log(n)) O(m⋅log(n))
内存开支主要是递归过程中使用的栈空间所消耗的。 一共会进行 l o g ( n ) log(n) log(n) 次递归,每次需要 mm 的空间存储返回结果,所以空间复杂度为 O ( m ⋅ l o g ( n ) ) O(m\cdot log(n)) O(m⋅log(n))。
方法四:二分查找法
这个想法是应用二分查找法找到所有字符串的公共前缀的最大长度 L。 算法的查找区间是
(
0
…
m
i
n
L
e
n
)
(0 \ldots minLen)
(0…minLen),其中 minLen 是输入数据中最短的字符串的长度,同时也是答案的最长可能长度。 每一次将查找区间一分为二,然后丢弃一定不包含最终答案的那一个。算法进行的过程中一共会出现两种可能情况:
-
S[1…mid] 不是所有串的公共前缀。 这表明对于所有的 j > i S[1…j] 也不是公共前缀,于是我们就可以丢弃后半个查找区间。
-
S[1…mid] 是所有串的公共前缀。 这表示对于所有的 i < j S[1…i] 都是可行的公共前缀,因为我们要找最长的公共前缀,所以我们可以把前半个查找区间丢弃。
public String longestCommonPrefix(String[] strs) {
if (strs == null || strs.length == 0)
return "";
int minLen = Integer.MAX_VALUE;
for (String str : strs)
minLen = Math.min(minLen, str.length());
int low = 1;
int high = minLen;
while (low <= high) {
int middle = (low + high) / 2;
if (isCommonPrefix(strs, middle))
low = middle + 1;
else
high = middle - 1;
}
return strs[0].substring(0, (low + high) / 2);
}
private boolean isCommonPrefix(String[] strs, int len){
String str1 = strs[0].substring(0,len);
for (int i = 1; i < strs.length; i++)
if (!strs[i].startsWith(str1))
return false;
return true;
}
复杂度分析
最坏情况下,我们有 n个长度为 m 的相同字符串。
- 时间复杂度: O ( S ⋅ l o g ( n ) ) O(S \cdot log(n)) O(S⋅log(n)),其中 S 所有字符串中字符数量的总和。
算法一共会进行 log(n) 次迭代,每次一都会进行 S = m*n 次比较,所以总时间复杂度为 O ( S ⋅ l o g ( n ) ) O(S \cdot log(n)) O(S⋅log(n))。
- 空间复杂度:O(1),我们只需要使用常数级别的额外空间。
更进一步
让我们看一个有些不同的问题:
给定一些键值字符串 S = [ S 1 , S 2 … S n ] S = [S_1,S_2 \ldots S_n] S=[S1,S2…Sn],我们要找到字符串 q 与 S 的最长公共前缀。 这样的查询操作可能会非常频繁。
我们可以通过将所有的键值 S 存储到一颗字典树中来优化最长公共前缀查询操作。 如果你想学习更多关于字典树的内容,可以从208. 实现 Trie (前缀树) 开始。在字典树中,从根向下的每一个节点都代表一些键值的公共前缀。 但是我们需要找到字符串q 和所有键值字符串的最长公共前缀。 这意味着我们需要从根找到一条最深的路径,满足以下条件:
-
这是所查询的字符串 q 的一个前缀
-
路径上的每一个节点都有且仅有一个孩子。 否则,找到的路径就不是所有字符串的公共前缀
-
路径不包含被标记成某一个键值字符串结尾的节点。 因为最长公共前缀不可能比某个字符串本身长
算法
最后的问题就是如何找到字典树中满足上述所有要求的最深节点。 最有效的方法就是建立一颗包含字符串 [ S 1 … S n ] [S_1 \ldots S_n] [S1…Sn] 的字典树。 然后在这颗树中匹配 q 的前缀。 我们从根节点遍历这颗字典树,直到因为不能满足某个条件而不能再遍历为止。
public String longestCommonPrefix(String q, String[] strs) {
if (strs == null || strs.length == 0)
return "";
if (strs.length == 1)
return strs[0];
Trie trie = new Trie();
for (int i = 1; i < strs.length ; i++) {
trie.insert(strs[i]);
}
return trie.searchLongestPrefix(q);
}
class TrieNode {
// 子节点的链接数组
private TrieNode[] links;
private final int R = 26;
private boolean isEnd;
// 非空子节点的数量
private int size;
public void put(char ch, TrieNode node) {
links[ch -'a'] = node;
size++;
}
public int getLinks() {
return size;
}
// 假设方法 containsKey、isEnd、get、put 都已经实现了
// 可以参考文章:https://leetcode.com/articles/implement-trie-prefix-tree/
}
public class Trie {
private TrieNode root;
public Trie() {
root = new TrieNode();
}
// 假设方法 insert、search、searchPrefix 都已经实现了
// 可以参考文章:https://leetcode.com/articles/implement-trie-prefix-tree/
private String searchLongestPrefix(String word) {
TrieNode node = root;
StringBuilder prefix = new StringBuilder();
for (int i = 0; i < word.length(); i++) {
char curLetter = word.charAt(i);
if (node.containsKey(curLetter) && (node.getLinks() == 1) && (!node.isEnd())) {
prefix.append(curLetter);
node = node.get(curLetter);
}
else
return prefix.toString();
}
return prefix.toString();
}
}
复杂度分析
最坏情况下查询字符串 qq 的长度为 mm 并且它与数组中 nn 个字符串均相同。
-
时间复杂度:预处理过程 O(S)O(S),其中 SS 数组里所有字符串中字符数量的总和,最长公共前缀查询操作的复杂度为 O(m)O(m)。
-
建立字典树的时间复杂度为 O(S)O(S)。在字典树中查找字符串 qq 的最长公共前缀在最坏情况下需要 O(m)O(m) 的时间。
空间复杂度:O(S)O(S),我们只需要使用额外的 SS 空间建立字典树。
作者:LeetCode
链接:https://leetcode-cn.com/problems/two-sum/solution/zui-chang-gong-gong-qian-zhui-by-leetcode/
来源:力扣(LeetCode)
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
- 使用纯遍历做法,和我的类似:
class Solution {
public String longestCommonPrefix(String[] strs) {
StringBuilder commonPrefix = new StringBuilder("");
// 若只有一个字符串则返回第一个字符串
if(strs.length == 1)
return strs[0];
// 若为空集则返回空字符串
else if (strs.length == 0)
return "";
// 获取最短字符串,以其长度参考
int length = strs[0].length();
for(int i = 0; i < strs.length; i ++) {
if(strs[i].length() < length)
length = strs[i].length();
}
// 检索字符串的字母,并逐次比较
for(int j = 0; j < length; j++) {
for(int k = 0; k < strs.length - 1; k++) {
if(strs[k].charAt(j) != strs[k + 1].charAt(j))
return commonPrefix.toString();
}
commonPrefix.append(strs[0].charAt(j));
}
return commonPrefix.toString();
}
}
作者:lui-3
链接:https://leetcode-cn.com/problems/two-sum/solution/wa-wo-zhe-ren-shi-zhen-de-xi-huan-bian-li-by-lui-3/
来源:力扣(LeetCode)
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
自己代码:有问题
输入
[“dog”,“racecar”,“car”]
输出
“d”
预期结果
“”
class Solution {
public String longestCommonPrefix(String[] strs) {
if (strs.length == 0) {
return "";
}else if (strs.length == 1) {
return strs[0];
}else{
//获取数组中最短字符串的长度
int lowLength = strs[0].length();
for (int i = 1; i < strs.length; i++ ) {
if (lowLength > strs[i].length()) {
lowLength = strs[i].length();
}
}
int longFront = 0;
for (int i = 0; i < lowLength; i++) {
for (int j = 0; j < strs.length - 1 ; j++ ) {
if (strs[j].charAt(i) != strs[j + 1].charAt(i)) {
if(i == 0){
longFront = 0;
}else{
longFront = i -1;
}
break;
}
}
}
String ans = new String("");
if(longFront == 0){
return "";
}else{
for (int i = 0;i < longFront ;i++ ) {
ans = ans + strs[0].charAt(i);
}
}
return ans;
}
}
}