代码随想录训练营第五十八天打卡|392.判断子序列 115.不同的子序列

392.判断子序列

1.动规。dp[i][j] 表示以下标i-1为结尾的字符串s，和以下标j-1为结尾的字符串t，相同子序列的长度为dp[i][j]。（这样定义的优势在之前的博客中已经解释过，在此不多赘述）

if (s[i - 1] == t[j - 1])，那么dp[i][j] = dp[i - 1][j - 1] + 1;，因为找到了一个相同的字符，相同子序列长度自然要在dp[i-1][j-1]的基础上加1（如果不理解，在回看一下dp[i][j]的定义）

if (s[i - 1] != t[j - 1])，此时相当于t要删除元素，t如果把当前元素t[j - 1]删除，那么dp[i][j] 的数值就是 看s[i - 1]与 t[j - 2]的比较结果了，即：dp[i][j] = dp[i][j - 1];

（一开始我用最长公共子序列那题的模板也过了，但是在状态转移部分稍显冗余。看了随想录的题解才明白，本题求的是s是否是t的子序列，所以出现不匹配情况时s不用“回溯”只需要将t的位置往前移一步就行，事实上我感觉这里类似于双指针的思想。）

class Solution {
public:
    bool isSubsequence(string s, string t) {
        vector<vector<int>> dp(s.size() + 1, vector<int>(t.size() + 1, 0));
        for (int i = 1; i <= s.size(); i++) {
            for (int j = 1; j <= t.size(); j++) {
                if (s[i - 1] == t[j - 1])
                    dp[i][j] = dp[i - 1][j - 1] + 1;
                else
                    dp[i][j] = dp[i][j - 1];
            }
        }
        if (dp[s.size()][t.size()] == s.size())
            return true;
        return false;
    }
};

2.双指针法，了解到双指针法也能做的时候我自己尝试写了写，缝缝补补几次也AC了。但是当我重新看自己的代码时需要想一会才能弄清楚逻辑，不像官解，一眼就能明白甚至不需要注释，在此贴上官解代码。

class Solution {
public:
    bool isSubsequence(string s, string t) {
        int n = s.length(), m = t.length();
        int i = 0, j = 0;
        while (i < n && j < m) {
            if (s[i] == t[j]) {
                i++;
            }
            j++;
        }
        return i == n;
    }
};

115.不同的子序列

1.动规，二维数组版。dp[i][j]：以i-1为结尾的s子序列中出现以j-1为结尾的t的个数为dp[i][j]。

确定递推公式：（这一部分我觉得随想录讲的比较好就贴上来了）

这一类问题，基本是要分析两种情况s[i - 1] 与 t[j - 1]相等s[i - 1] 与 t[j - 1] 不相等当s[i - 1] 与 t[j - 1]相等时，dp[i][j]可以有两部分组成。一部分是用s[i - 1]来匹配，那么个数为dp[i - 1][j - 1]。即不需要考虑当前s子串和t子串的最后一位字母，所以只需要 dp[i-1][j-1]。一部分是不用s[i - 1]来匹配，个数为dp[i - 1][j]。这里可能有录友不明白了，为什么还要考虑 不用s[i - 1]来匹配，都相同了指定要匹配啊。例如： s：bagg 和 t：bag ，s[3] 和 t[2]是相同的，但是字符串s也可以不用s[3]来匹配，即用s[0]s[1]s[2]组成的bag。当然也可以用s[3]来匹配，即：s[0]s[1]s[3]组成的bag。所以当s[i - 1] 与 t[j - 1]相等时，dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j];当s[i - 1] 与 t[j - 1]不相等时，dp[i][j]只有一部分组成，不用s[i - 1]来匹配（就是模拟在s中删除这个元素），即：dp[i - 1][j]所以递推公式为：dp[i][j] = dp[i - 1][j];这里可能有录友还疑惑，为什么只考虑 “不用s[i - 1]来匹配” 这种情况， 不考虑 “不用t[j - 1]来匹配” 的情况呢。（下面的话是关键，这也是为什么不用s[i - 1]来匹配时，只有s需要开倒车而t不需要开倒车的原因）这里大家要明确，我们求的是 s 中有多少个 t，而不是 求t中有多少个s，所以只考虑 s中删除元素的情况，即 不用s[i - 1]来匹配 的情况。

初始化也有坑：dp[i][0] 表示：以i-1为结尾的s可以随便删除元素，出现空字符串的个数。那么dp[i][0]一定都是1，因为也就是把以i-1为结尾的s，删除所有元素，出现空字符串的个数就是1。再来看dp[0][j]，dp[0][j]：空字符串s可以随便删除元素，出现以j-1为结尾的字符串t的个数。那么dp[0][j]一定都是0，s如论如何也变成不了t。最后就要看一个特殊位置了，即：dp[0][0] 应该是多少。dp[0][0]应该是1，空字符串s，可以删除0个元素，变成空字符串t。

还有就是int会溢出，开辟数组最好使用uint64_t型变量。

class Solution {
public:
    int numDistinct(string s, string t) {
        vector<vector<uint64_t>> dp(s.size() + 1,
                                    vector<uint64_t>(t.size() + 1, 0));
        for (int i = 0; i <= s.size(); i++)
            dp[i][0] = 1;
        for (int j = 1; j <= t.size(); j++)
            dp[0][j] = 0;
        for (int i = 1; i <= s.size(); i++) {
            for (int j = 1; j <= t.size(); j++) {
                if (s[i - 1] == t[j - 1]) {
                    dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j];
                } else {
                    dp[i][j] = dp[i - 1][j];
                }
            }
        }
        return dp[s.size()][t.size()];
    }
};

2.一维数组优化，不借助临时变量逆序滚动。

class Solution {
public:
    int numDistinct(string s, string t) {
        vector<uint64_t> dp(t.size() + 1, 0);
        dp[0] = 1;
        for (int i = 1; i <= s.size(); i++) {
            for (int j = t.size(); j > 0; j--) {
                if (s[i - 1] == t[j - 1]) {
                    dp[j] += dp[j - 1];
                }
            }
        }
        return dp[t.size()];
    }
};

3.借助临时变量正序滚动。（做多了都是套路，我现在也讲不好……）

class Solution {
public:
    int numDistinct(string s, string t) {
        vector<uint64_t> dp(t.size() + 1, 0);
        dp[0] = 1;
        int temp1;
        for (int i = 1; i <= s.size(); i++) {
            temp1 = 1;
            for (int j = 1; j <= t.size(); j++) {
                int temp2 = dp[j];
                if (s[i - 1] == t[j - 1]) {
                    dp[j] += temp1;
                }
                temp1 = temp2;
            }
        }
        return dp[t.size()];
    }
};

今日总结：子序列问题。