重复的DNA序列[hash判定重复+滑动窗口+二进制编码之位运算]

前言

判定数组中重复的数字时，可用hash记录；把数组变成字符串，判定字串是否重复时，可hash记录滑动窗口中的字串；但是字符串的hashcode获取可是要扫描字符串，而Character/Integer是直接获取原值作为hashcode（hashcode需要干扰之后作为hash值。），所以当字串字符进行二进制编码，让字符串映射到数值，快速获取hashcode.

一、“重复” 的DNA序列

二、hash配重复 + 二进制编码

1、hash寻找重复

public List<String> findRepeatedDnaSequences(String s) {
        int n = s.length();

        Set<String> pool = new HashSet<>();
        Set<String> ans = new HashSet<>();

        for(int i = 0;i < n - 9;i++){
            String str = s.substring(i,i + 10);
            if(pool.contains(str) && !ans.contains(str)) ans.add(str);

            pool.add(str);
        }
        return new ArrayList<>(ans);
    }

2、二进制编码之位运算练习

package everyday.bitManipulation;

import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

// 重复的DNA序列。
public class FindRepeatedDnaSequences {
    /*
    由于获取字符串的hashcode需要扫描整个字符串，所以可将少量字符串编码，即为了10子串的编码。
     */
    public List<String> findRepeatedDnaSequences(String s) {
        int n = s.length();
        List<String> ans = new ArrayList<>();

        if (n <= L) return ans;
        // 初始化前9个数。
        int x = 0, i = 0;
        while (i < L - 1) x = x << 2 | fx.get(s.charAt(i++));
        // 开始用滑动窗口拿子串的integer编码作为hash的key
        Map<Integer, Integer> cnt = new HashMap<>();
        while (i < n) {
            x = (x << 2 | fx.get(s.charAt(i))) & (1 << L * 2) - 1;

            cnt.put(x, cnt.getOrDefault(x, 0) + 1);

            if (cnt.get(x) == 2) ans.add(s.substring(i - L + 1, i + 1));

            ++i;
        }
        return ans;
    }

    final static int L = 10;
    static Map<Character, Integer> fx = new HashMap<>();

    static {
        fx.put('A', 0);
        fx.put('C', 1);
        fx.put('G', 2);
        fx.put('T', 3);
    }
}

总结

1）二进制编码不仅可为字符串编码，常见的还有子集场景中，二进制映射到子集；二进制还可以将0/1 hash降维，比如一个值可以代替31位0-1hash，对付26个字母等绰绰有余。
2）二进制/位运算很重要，多练习，对很多问题优化有帮助。
3）字符串的hashcode获取不是O(1)，而是O(n)，字符/整数是O(1).

参考文献

[1] LeetCode 187.重复的DNA序列