题目:
给你一个字符串 s
、一个字符串 t
。返回 s
中涵盖 t
所有字符的最小子串。如果 s
中不存在涵盖 t
所有字符的子串,则返回空字符串 ""
。
注意:
- 对于
t
中重复字符,我们寻找的子字符串中该字符数量必须不少于t
中该字符数量。 - 如果
s
中存在这样的子串,我们保证它是唯一的答案。
示例 1:
输入:s = "ADOBECODEBANC", t = "ABC" 输出:"BANC" 解释:最小覆盖子串 "BANC" 包含来自字符串 t 的 'A'、'B' 和 'C'。
示例 2:
输入:s = "a", t = "a" 输出:"a" 解释:整个字符串 s 是最小覆盖子串。
示例 3:
输入: s = "a", t = "aa" 输出: "" 解释: t 中两个字符 'a' 均应包含在 s 的子串中, 因此没有符合条件的子字符串,返回空字符串。
提示:
m == s.length
n == t.length
1 <= m, n <= 105
s
和t
由英文字母组成
自己编写的超时了
s = "aaaaaaaaaaaabbbbbcdd"
t = "abcdd"
dict1 = {}
for i in set(t):
dict1[i] = t.count(i)
dict2 = {}
end = '' #存放最终的结果
#滑动窗口和哈希表,
#滑动窗口的起始长度是len(t)终止长度是len(s)
k = len(t) #滑动窗口的长度
while end == '' and k <= len(s):
i = 0 #i和j是滑动窗口的起始点和终止点
j = k
while i <= len(s) - k:
flag = True
temporary = s[i:j]
for z in set(temporary): #对temporary进行哈希
dict2[z] = temporary.count(z)
if set(dict1.keys()) <= set(dict2.keys()): #判断dict1里面的键dict2中是否都有
for w in dict1.keys(): #判断dict1中键所对应的键值是否都小于等于dict2中键所对应的键值
if dict1[w] > dict2[w]:
flag = False
break
if flag:
end = s[i:j]
break
dict2 ={}
i += 1
j += 1
k += 1
print(end)
看了Mcdull大佬的题解,真的厉害
题解
滑动窗口的思想:
用i,j表示滑动窗口的左边界和右边界,通过改变i,j来扩展和收缩滑动窗口,可以想象成一个窗口在字符串上游走,当这个窗口包含的元素满足条件,即包含字符串T的所有元素,记录下这个滑动窗口的长度j-i+1,这些长度中的最小值就是要求的结果。
步骤一
不断增加j使滑动窗口增大,直到窗口包含了T的所有元素
步骤二
不断增加i使滑动窗口缩小,因为是要求最小字串,所以将不必要的元素排除在外,使长度减小,直到碰到一个必须包含的元素,这个时候不能再扔了,再扔就不满足条件了,记录此时滑动窗口的长度,并保存最小值
步骤三
让i再增加一个位置,这个时候滑动窗口肯定不满足条件了,那么继续从步骤一开始执行,寻找新的满足条件的滑动窗口,如此反复,直到j超出了字符串S范围。
面临的问题:
如何判断滑动窗口包含了T的所有元素? 我们用一个字典need来表示当前滑动窗口中需要的各元素的数量,一开始滑动窗口为空,用T中各元素来初始化这个need,当滑动窗口扩展或者收缩的时候,去维护这个need字典,例如当滑动窗口包含某个元素,我们就让need中这个元素的数量减1,代表所需元素减少了1个;当滑动窗口移除某个元素,就让need中这个元素的数量加1。 记住一点:need始终记录着当前滑动窗口下,我们还需要的元素数量,我们在改变i,j时,需同步维护need。 值得注意的是,只要某个元素包含在滑动窗口中,我们就会在need中存储这个元素的数量,如果某个元素存储的是负数代表这个元素是多余的。比如当need等于{'A':-2,'C':1}时,表示当前滑动窗口中,我们有2个A是多余的,同时还需要1个C。这么做的目的就是为了步骤二中,排除不必要的元素,数量为负的就是不必要的元素,而数量为0表示刚刚好。 回到问题中来,那么如何判断滑动窗口包含了T的所有元素?结论就是当need中所有元素的数量都小于等于0时,表示当前滑动窗口不再需要任何元素。 优化 如果每次判断滑动窗口是否包含了T的所有元素,都去遍历need看是否所有元素数量都小于等于0,这个会耗费O(k)O(k)O(k)的时间复杂度,k代表字典长度,最坏情况下,k可能等于len(S)。 其实这个是可以避免的,我们可以维护一个额外的变量needCnt来记录所需元素的总数量,当我们碰到一个所需元素c,不仅need[c]的数量减少1,同时needCnt也要减少1,这样我们通过needCnt就可以知道是否满足条件,而无需遍历字典了。 前面也提到过,need记录了遍历到的所有元素,而只有need[c]>0大于0时,代表c就是所需元素
图示
以S="DOABECODEBANC",T="ABC"为例 初始状态:步骤一:不断增加j使滑动窗口增大,直到窗口包含了T的所有元素,need中所有元素的数量都小于等于0,同时needCnt也是0步骤二:不断增加i使滑动窗口缩小,直到碰到一个必须包含的元素A,此时记录长度更新结果步骤三:让i再增加一个位置,开始寻找下一个满足条件的滑动窗口
代码
import collections
s = "doabecodebanc"
t = "abc"
need=collections.defaultdict(int)
for c in t:
need[c] += 1
needCnt = len(t) #记录t的长度
i = 0
res = (0, float('inf')) #inf表示正无穷
for j, c in enumerate(s): #下标和下标所对应的元素
if need[c] > 0:
needCnt -= 1
need[c] -= 1
if needCnt == 0: # 步骤一:滑动窗口包含了所有T元素
while True: # 步骤二:增加i,排除多余元素
c = s[i]
if need[c] == 0:
break
need[c] += 1 #当要让i向前走的时候要把没有出现的元素-1变成0
i += 1
if j - i < res[1] - res[0]: # 记录结果,优先记录短的结果
res = (i, j)
need[s[i]] += 1 # 步骤三:i增加一个位置,寻找新的满足条件滑动窗口
needCnt += 1
i += 1
print('' if res[1] > len(s) else s[res[0]:res[1] + 1])
我们会用j扫描一遍S,也会用i扫描一遍S,最多扫描2次S,所以时间复杂度是O(n)O(n)O(n),空间复杂度为O(k)O(k)O(k),k为S和T中的字符集合。
作者:Mcdull
链接:https://leetcode.cn/problems/minimum-window-substring/solutions/258513/tong-su-qie-xiang-xi-de-miao-shu-hua-dong-chuang-k/
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。
运行截图: