n的p进制下的数码之和问题

hammingWeight的动态规划

以前做过一道题（191. Number of 1 Bits ）讲的是给定一个数，求它二进制下的1的个数。如果是对于一个数，那么可以用位运算黑魔法：（对末尾做与1的与运算）

class Solution(object):
    def hammingWeight(self, n):
        ans=0
        while n:
            if n&1==1:
                ans+=1
            n=n>>1
        return ans

今天碰到了一个进阶版的题目，（338. Counting Bits ）题目要求是在$O(n)$的时间和空间里计算出$[0,n]$区间里所有整数的二进制下的1的个数(Hamming weight - Wikipedia)。

$O(n)$的时间要求是有点小苛刻的，首先遍历一次$[0,n]$区间里所有整数就需要$O(n)$，那么每次小操作需要在$O(1)$内才是可以的，首先想到的是能不能用上面leetcode191的做法来套用呢？不妨分析一下复杂度。

容易看出对于一个数$n$，这样的操作（主要是移位操作）时间复杂度是$O(log_2n)$，那么利用斯特林公式可以估算区间$[0,n]$区间里所有整数就需要大约

$$T(n)=\sum_{i=1}^nlog_2i=log_2n! \sim log_2n^n=nlog_2n$$
很遗憾的是并不能直接满足题目中所要求的 $O(n)$复杂度，如果消耗一点空间换时间，利用上述的方法还是有机会降到 $O(n)$的动态规划的思路：

用$res$表示最终的结果，改写上述方法为一个一维的递推式：

$$res(n)=res([\frac{n}{2}])+n \&1$$

也就是说一直维护这样的一个一维数组，每次都记录其结果，显然时间复杂度是$O(n)$，空间也是$O(n)$，满足题目要求。不过这并不是我首先想到的思路，我首先想到的是，直接从n的p进制下的数码之和角度入手。

class Solution(object):
    def countBits(self, num):
        ans=[0]
        for x in range(1,num+1):
            ans+=[ans[x>>1]+(x&1)]
        return ans

n的p进制下的数码之和

用$S_p(n)$表示n的p进制下的数码之和，用$a_p$表示$n!$的标准分解中$p$的幂次，即$p^{a_p}\nmid n!$，但$p^{a_p+1}|n!$。首先写出表达式：

$$n=a_kp^k+...+a_1p+a_0=(a_k...a_1a_0)_p$$
容易得出每一项系数的准确公式：
$$a_i=\left[\frac{n}{p^i}\right]-p\left[\frac{n}{p^{i+1}}\right]$$
接着进行一下数学推导：

$$\begin{equation} \begin{aligned} {S_p}(n) &= \sum\limits_{i = 0}^k {{a_i}} \\ &= \sum\limits_{i = 0}^k {\left[ {\frac{n}{{{p^i}}}} \right]} - p\sum\limits_{i = 0}^k {\left[ {\frac{n}{{{p^{i + 1}}}}} \right]} \\ &= n + \sum\limits_{i = 1}^k {\left[ {\frac{n}{{{p^i}}}} \right]} - p\sum\limits_{i = 0}^k {\left[ {\frac{n}{{{p^{i + 1}}}}} \right]} \\ &= n - \left( {p - 1} \right)\sum\limits_{i = 1}^k {\left[ {\frac{n}{{{p^i}}}} \right]} - p\left[ {\frac{n}{{{p^{k + 1}}}}} \right]\\ &= n - \left( {p - 1} \right)\sum\limits_{i = 1}^\infty {\left[ {\frac{n}{{{p^i}}}} \right]} - 0\\ &=n-\left( {p - 1} \right)a_p \end{aligned} \end{equation}$$
这个推导需要用到勒让德公式，即 $n!$中 $p$的幂次为$\sum_{i=1}^\infty \left[ {\frac{n}{{{p^i}}}} \right]$ ,显然这种办法主要复杂度回耗在勒让德公式上，可以观察到 $p$的幂次$i$达到 $log_pn$时候，勒让德公式后面的每一项均为0，即对于二进制而言，完成一次勒让德运算需要 $O(log_2n)$，那么对于原问题一共需要 $O(nlog_2n)$的时间。