1583 统计不开心的朋友（字典）

1. 问题描述：

给你一份 n 位朋友的亲近程度列表，其中 n 总是 偶数 。对每位朋友 i，preferences[i] 包含一份 按亲近程度从高到低排列 的朋友列表。换句话说，排在列表前面的朋友与 i 的亲近程度比排在列表后面的朋友更高。每个列表中的朋友均以 0 到 n-1 之间的整数表示。所有的朋友被分成几对，配对情况以列表 pairs 给出，其中 pairs[i] = [xi, yi] 表示 xi 与 yi 配对，且 yi 与 xi 配对。
但是，这样的配对情况可能会是其中部分朋友感到不开心。在 x 与 y 配对且 u 与 v 配对的情况下，如果同时满足下述两个条件，x 就会不开心：
x 与 u 的亲近程度胜过 x 与 y，且
u 与 x 的亲近程度胜过 u 与 v

示例 1：
输入：n = 4, preferences = [[1, 2, 3], [3, 2, 0], [3, 1, 0], [1, 2, 0]], pairs = [[0, 1], [2, 3]]
输出：2
解释：
朋友 1 不开心，因为：
- 1 与 0 配对，但 1 与 3 的亲近程度比 1 与 0 高，且
- 3 与 1 的亲近程度比 3 与 2 高。
朋友 3 不开心，因为：
- 3 与 2 配对，但 3 与 1 的亲近程度比 3 与 2 高，且
- 1 与 3 的亲近程度比 1 与 0 高。
朋友 0 和 2 都是开心的。

示例 2：

输入：n = 2, preferences = [[1], [0]], pairs = [[1, 0]]
输出：0
解释：朋友 0 和 1 都开心。

示例 3：

输入：n = 4, preferences = [[1, 3, 2], [2, 3, 0], [1, 3, 0], [0, 2, 1]], pairs = [[1, 3], [0, 2]]
输出：4

提示：

2 <= n <= 500
n 是偶数
preferences.length == n
preferences[i].length == n - 1
0 <= preferences[i][j] <= n - 1
preferences[i] 不包含 i
preferences[i] 中的所有值都是独一无二的
pairs.length == n/2
pairs[i].length == 2
xi != yi
0 <= xi, yi <= n - 1
每位朋友都恰好被包含在一对中

来源：力扣（LeetCode）
链接：https://leetcode-cn.com/problems/count-unhappy-friends

2. 思路分析：

① 当一看到题目的时候感觉题目的意思有点绕，看了好一会儿才大概理清楚是啥意思，其实这道题目的本质上是需要理解清楚题目的意思，根据题目的要求计算出满足条件的不开心的数目，所以需要解决两个问题，第一个是找到对应的u，x对u比x对y亲近，第二个是判断u与x是否比u对v更加亲近，因为是需要知道当前元素的配对情况，所以需要使用哈希表来做映射，对于python来说则可以使用字典来存储对应的映射关系

② preferences[x]中排列在y = pairs[x]前面的都是x与u比x与y要亲近的，所以我们需要找到这些元素集合，在领扣的题解中一个比较好的解决办法是使用Index函数来找到在列表中第一次出现元素的位置，所以我们可以通过index函数来找到preferences[x]的配对y出现的位置，所以在preferences[x]中y位置之前的元素都是：x与u比x与y要亲近

③ 找到了u之后那么我们就可以通过哈希表找到对应的配对v，u与x的关系比u与v的关系也是可以通过index函数进行判断，主要是索引位置的前后来判断，索引位置在前面的肯定是比较亲近的

3. 代码如下：

下面是一位领扣大佬的代码，思路非常清晰，非常值得学习，主要是理清楚题目的要求，我们需要做什么怎么样解决当前的问题：

from typing import List


class Solution:
    def unhappyFriends(self, n: int, preferences: List[List[int]], pairs: List[List[int]]) -> int:
        hm = {}  # 配对情况表，用一个哈希表代替，O(1)
        for i, j in pairs:  # 核心在于建立这个双向的表，因为题目中[x, y]不具有自反性
            hm[i] = j
            hm[j] = i
        not_happy = 0
        for x in range(n):
            y = hm[x]
            # 二维矩阵的切片操作
            for u in preferences[x][0:preferences[x].index(y)]:  # 对每一个比y更亲近的 | 这里请复习一下index函数
                v = hm[u]
                # 索引较小的肯定是较亲近
                if preferences[u].index(x) < preferences[u].index(v): # 如果"u对x"比"u对v"还熟悉的话
                    not_happy += 1  # x可就不开心了哼!
                    break
        return not_happy