给你一个字符串 s
和一个字符串列表 wordDict
作为字典。如果可以利用字典中出现的一个或多个单词拼接出 s
则返回 true
。
注意:不要求字典中出现的单词全部都使用,并且字典中的单词可以重复使用。
示例 1:
输入: s = "leetcode", wordDict = ["leet", "code"] 输出: true 解释: 返回 true 因为 "leetcode" 可以由 "leet" 和 "code" 拼接成。
示例 2:
输入: s = "applepenapple", wordDict = ["apple", "pen"] 输出: true 解释: 返回 true 因为 "applepenapple" 可以由 "apple" "pen" "apple" 拼接成。 注意,你可以重复使用字典中的单词。
示例 3:
输入: s = "catsandog", wordDict = ["cats", "dog", "sand", "and", "cat"] 输出: false
提示:
1 <= s.length <= 300
1 <= wordDict.length <= 1000
1 <= wordDict[i].length <= 20
s
和wordDict[i]
仅由小写英文字母组成wordDict
中的所有字符串 互不相同
思路:
- 创建一个布尔型数组
dp
,长度为字符串s
的长度加1。dp[i]
表示字符串s
的前i
个字符是否可以被拆分成单词。 - 将
dp[0]
设置为True
,表示空字符串可以被拆分。 - 遍历字符串
s
,从索引1开始到字符串的末尾。对于每个索引i
,遍历单词字典wordDict
。 - 对于单词字典中的每个单词
word
,检查s
中是否存在以索引i
结尾且长度与word
相等的子串,如果存在并且该子串在单词字典中,同时dp[i - word.length()]
为True
,则将dp[i]
设置为True
,并退出内层循环。 - 最后,返回
dp[s.length()]
,即字符串s
的整个长度是否可以被拆分成单词。
动态规划的思想是通过保存已经计算过的子问题的结果,避免重复计算,从而提高算法的效率。在这个问题中,dp[i]
的值取决于之前的dp[i - word.length()]
的值,通过这种方式逐步推导出整个字符串的可拆分性。
class Solution:
def wordBreak(self, s: str, wordDict: List[str]) -> bool:
wordDictSet = set(wordDict)
dp = [False] * (len(s) + 1)
dp[0] = True
for i in range(1, len(s) + 1):
for j in range(0, i):
if dp[j] and s[j:i] in wordDictSet:
dp[i] = True
break
return dp[len(s)]
这段代码的时间复杂度为O(n^2),空间复杂度为O(n)。其中,n为字符串`s`的长度。
在代码中,使用了两层循环来遍历字符串`s`和单词字典`wordDict`。外层循环的次数为字符串`s`的长度,内层循环的次数为单词字典`wordDict`的大小。
因此,总的时间复杂度为O(n^2)。 在空间方面,使用了一个布尔型数组`dp`来保存中间结果,其长度为字符串`s`的长度加1。
此外,还使用了一些常数级别的额外空间来存储其他变量。因此,总的空间复杂度为O(n)。