【字符串】重复的DNA序列

题目描述

DNA序列由一系列核苷酸组成，缩写为'A','C','G'和'T'。

例如，"ACGAATTCCG"是一个 DNA序列 。
在研究 DNA 时，识别 DNA 中的重复序列非常有用。

给定一个表示 DNA序列 的字符串 s ，返回所有在 DNA 分子中出现不止一次的长度为10的序列(子字符串)。你可以按 任意顺序 返回答案。

示例 1：

输入：s = "AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT"
输出：["AAAAACCCCC","CCCCCAAAAA"]

解题思路

这是一道字符串处理题，由于使用java语言，字符处理直接使用内置函数。

基本思路：

• 使用map，对每次出现的字符串进行计数；
• 如果字符串出现次数大于2则直接加入到结果集中。

代码实现如下：

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

class Solution1 {
    public List<String> findRepeatedDnaSequences(String s) {

        Map<String, Integer> map = new HashMap<>();
        for (int i = 0; i <= s.length() - 10; i++) {
            String v = s.substring(i, i + 10);
            int count = map.getOrDefault(v, 0);
            map.put(v, ++count);
        }
        List<String> res = new ArrayList<>(map.size());

        for (Map.Entry<String, Integer> entry : map.entrySet()) {
            if (entry.getValue() > 1) {
                res.add(entry.getKey());
            }
        }
        return res;
    }

    public static void main(String[] args) {
        Solution1 solution = new Solution1();
        System.out.println(solution.findRepeatedDnaSequences("AAAAAAAAAAAAA"));
    }
}

---

性能调优-方案1

这里直接使用2个HashSet优化，思路如下（set用于记录出现次数、res用于结果去重）：

• 如果set.add(subString)为true，则不加入到res中，否则就加入到res中。

import java.util.*;

class Solution {

    public List<String> findRepeatedDnaSequences(String s) {
        if (s.length() <= 10) {
            return new ArrayList<>();
        }

        Set<String> set = new HashSet<>(s.length() - 10);
        Set<String> res = new HashSet<>();

        for (int i = 0; i <= s.length() - 10; i++) {
            String subString = s.substring(i, i + 10);
            if (!set.add(subString)) {
                res.add(subString);
            }
        }
        return new ArrayList<>(res);
    }

    public static void main(String[] args) {
        Solution solution = new Solution();
        System.out.println(solution.findRepeatedDnaSequences("AAAAAAAAAAAAA"));
        System.out.println(solution.findRepeatedDnaSequences("AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT"));
    }
}

---

性能调优-方案2

这块参考了其他人的解法，核心思路就是把字符串比较切换成数字比较：

1. 对字符做映射 A->0, C->1, G->2, T->3; 这里记录为map；
2. 定义int x = 0;  x =( (x<<2) | map(s.charAt(i)) )，将x左移2位，再和map(s.charAt(i))做按位或运算；
3. 遍历字符串s，x = ( (x<<2) | map(s.charAt(i)) )  & ((1<<20)-1)，这里使用((1<<20)-1) 按位与之后，确保只有20位。

按照上述思路代码实现：

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

class Solution3 {

    // 10个字符
    int N = 10;
    // 20位
    int FF = ((1 << 20) - 1);

    public List<String> findRepeatedDnaSequences(String s) {
        if (s.length() <= N) {
            return new ArrayList<>();
        }

        Map<Character, Integer> map = new HashMap<>();
        map.put('A', 0);
        map.put('C', 1);
        map.put('G', 2);
        map.put('T', 3);

        int x = 0;
        for (int i = 0; i < N; i++) {
            x = ((x << 2) | map.get(s.charAt(i)));
        }

        Map<Integer, Integer> countMap = new HashMap<>();
        countMap.put(x, 1);

        List<String> res = new ArrayList<>();
        for (int i = N; i < s.length(); i++) {
            x = FF & ((x << 2) | map.get(s.charAt(i)));
            int count = countMap.getOrDefault(x, 0);
            count++;
            if (count == 2) {
                // 坑点
                res.add(s.substring(i - N + 1, i + 1));
            }
            countMap.put(x, count);
        }

        return res;
    }

    public static void main(String[] args) {
        Solution3 solution = new Solution3();
        System.out.println(solution.findRepeatedDnaSequences("AAAAAAAAAAAAA"));
        System.out.println(solution.findRepeatedDnaSequences("AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT"));
    }
}

总结

这道题核心还是做优化，有点像孔乙己说茴香豆的茴有多少种写法；这里我提供了3种，如果有更高效、更简洁的代码欢迎回复。