【LeetCode】797 and 1189（图论基础）

图论基础

图的逻辑结构和具体实现

⼀幅图是由节点和边构成的，逻辑结构如下：

什么叫「逻辑结构」？就是说为了⽅便研究，我们把图抽象成这个样⼦。
该逻辑结构等价于「多叉树」，其中每个节点可以定义为：

/* 图节点的逻辑结构 */
class Vertex {
	int id;
	Vertex[] neighbors;
}

但为了方便和易于理解，通常使用邻接表和邻接矩阵来实现：

「邻接表」很直观，我把每个节点 x 的邻居都存到⼀个列表⾥，然后把 x 和这个列表关联起来，这样就可以通过⼀个节点 x 找到它的所有相邻节点。
「邻接矩阵」则是⼀个⼆维布尔数组，我们权且称为 matrix，如果节点 x 和 y 是相连的，那么就把 matrix[x][y] 设为 true（上图中绿⾊的⽅格代表 true）。如果想找节点 x 的邻居，去扫⼀圈 matrix[x][…] 就⾏了。
两种实现方式的优缺点为，对于邻接表，好处是占⽤的空间少。但是，邻接表⽆法快速判断两个节点是否相邻。所以说，使⽤哪⼀种⽅式实现图，要看具体情况。
好了，对于「图」这种数据结构，能看懂上⾯这些就绰绰够⽤了。下⾯通过实例来看看所有数据结构都逃不过的问题：遍历。

797. 所有可能的路径

解法：深度优先搜索
有关图的遍历，可以参考多叉树的遍历框架，

图和多叉树最⼤的区别是，图是可能包含环的，你从图的某⼀个节点开始遍历，有可能⾛了⼀圈⼜回到这个节点。
所以，如果图包含环，遍历框架就要⼀个 visited 数组进⾏辅助：

由于该题是无环的，因此可以直接套用多叉树的遍历框架，进行深度优先遍历求解即可。

class Solution:
    def allPathsSourceTarget(self, graph: List[List[int]]) -> List[List[int]]:
        result = []
        n = len(graph) - 1
        # path 用于维护递归过程中经过的路径
        def traverse(value, path):
            nonlocal result
            nonlocal n
            # 遍历到终点，添加路径
            if value == n:
                result.append(path + [value])
                return
        	# 添加节点到当前路径
            path.append(value)
            # 递归每个相邻节点
            for num in graph[value]:
                traverse(num, path)
            # 从路径中移除节点
            path.pop()
        traverse(0, [])
        return result

1189. "气球"的最大数量（每日一题）

解法：数学
统计"a"，“b”，“l”，“o”，“n"的出现次数。由于"l”，"o"在"balloon"出现2次，需要对统计次数整除2才为其能够拼凑次数。最后取所有单词拼凑次数的最小值作为结果。

class Solution:
    def maxNumberOfBalloons(self, text: str) -> int:
        count = {
            "a": 0,
            "b": 0,
            "l": 0,
            "o": 0,
            "n": 0
        }

        for char in text:
            if char in count:
                count[char] += 1
            
        count['l'] //= 2
        count['o'] //= 2
        return min(count.values())

总结

最后总结⼀下，图的存储⽅式主要有邻接表和邻接矩阵，⽆论什么花⾥胡哨的图，都可以⽤这两种⽅式存储。
在笔试中，最常考的算法是图的遍历，和多叉树的遍历框架是⾮常类似的。