14. 最长公共前缀

14. 最长公共前缀
本题都用c++实现
代码均来自leetcode题解，这里只作为个人学习记录，多输入几遍代码，孰能生巧

第一次运用到的函数substr

函数原型：
basic_string substr(size_type _Off = 0,size_type _Count = npos) const;
参数
_Off：所需的子字符串的起始位置。字符串中第一个字符的索引为 0,默认值为0。
_Count：复制的字符数目
返回值：一个子字符串，从其指定的位置开始

方法一：横向扫描

基于该结论，可以得到一种查找字符串数组中的最长公共前缀的简单方法。依次遍历字符串数组中的每个字符串，对于每个遍历到的字符串，更新最长公共前缀，当遍历完所有的字符串以后，即可得到字符串数组中的最长公共前缀。

如果在尚未遍历完所有的字符串时，最长公共前缀已经是空串，则最长公共前缀一定是空串，因此不需要继续遍历剩下的字符串，直接返回空串即可。

class Solution
{
public:
	string longestCommonPrefix(vector<string>& strs)
	{
		if (!strs.size())
		{
			return "";
		}
		string prefix = strs[0];
		int count = strs.size();
		for (int i = 0; i < count; i++)
		{
			prefix = longestCommonPrefix(prefix, strs[i]);
			if (!prefix.size())
			{
				break;
			}
		}
		return prefix;
	}
	string longestCommonPrefix(const string &str1, const string& str2)
	{
		int length = min(str1.size(), str2.size());
		int index = 0;
		while (index < length&&str1[index] == str2[index])
		{
			++index;
		}
		return str1.substr(0, index);
	}
};

复杂度分析

• 时间复杂度：O(mn)，其中 mm 是字符串数组中的字符串的平均长度，nn
  是字符串的数量。最坏情况下，字符串数组中的每个字符串的每个字符都会被比较一次。
• 空间复杂度：O(1)。使用的额外空间复杂度为常数。

方法二：纵向扫描

方法一是横向扫描，依次遍历每个字符串，更新最长公共前缀。另一种方法是纵向扫描。纵向扫描时，从前往后遍历所有字符串的每一列，比较相同列上的字符是否相同，如果相同则继续对下一列进行比较，如果不相同则当前列不再属于公共前缀，当前列之前的部分为最长公共前缀。

class Solution
{
public:
	string longestCommonPrefix(vector<string>& strs)
	{
		if (!strs.size())
		{
			return "";
		}
		int length = strs[0].size();
		int count = strs.size();
		for (int i = 0; i < length; i++)
		{
			char c = strs[0][i];
			for (int j = 0; j < count; j++)
			{
				if (i == strs[j].size() || strs[j][i] != c)
				{
					return strs[0].substr(0,i);
				}
			}
		}
		return strs[0];
	}
};

复杂度分析

• 时间复杂度：O(mn)O(mn)，其中 mm 是字符串数组中的字符串的平均长度，nn
  是字符串的数量。最坏情况下，字符串数组中的每个字符串的每个字符都会被比较一次。
• 空间复杂度：O(1)O(1)。使用的额外空间复杂度为常数。

方法三:分治法

分治法简介：字面上的解释是“分而治之”，就是把一个复杂的问题分成两个或更多的相同或相似的子问题，再把子问题分成更小的子问题……直到最后子问题可以简单的直接求解，原问题的解即子问题的解的合并。这个技巧是很多高效算法的基础，如排序算法(快速排序，归并排序)，傅立叶变换(快速傅立叶变换)……

任何一个可以用计算机求解的问题所需的计算时间都与其规模有关。问题的规模越小，越容易直接求解，解题所需的计算时间也越少。例如，对于n个元素的排序问题，当n=1时，不需任何计算。

n=2时，只要作一次比较即可排好序。
n=3时只要作3次比较即可，…。
而当n较大时，问题就不那么容易处理了。要想直接解决一个规模较大的问题，有时是相当困难的。

分治法的设计思想是：将一个难以直接解决的大问题，分割成一些规模较小的相同问题，以便各个击破，分而治之。

分治策略是：对于一个规模为n的问题，若该问题可以容易地解决（比如说规模n较小）则直接解决，否则将其分解为k个规模较小的子问题，这些子问题互相独立且与原问题形式相同，递归地解这些子问题，然后将各子问题的解合并得到原问题的解。这种算法设计策略叫做分治法。

如果原问题可分割成k个子问题，1<k≤n ，且这些子问题都可解并可利用这些子问题的解求出原问题的解，那么这种分治法就是可行的。由分治法产生的子问题往往是原问题的较小模式，这就为使用递归技术提供了方便。在这种情况下，反复应用分治手段，可以使子问题与原问题类型一致而其规模却不断缩小，最终使子问题缩小到很容易直接求出其解。这自然导致递归过程的产生。分治与递归像一对孪生兄弟，经常同时应用在算法设计之中，并由此产生许多高效算法。
分治法所能解决的问题一般具有以下几个特征：

1. 该问题的规模缩小到一定的程度就可以容易地解决
2. 该问题可以分解为若干个规模较小的相同问题，即该问题具有最优子结构性质。
3. 利用该问题分解出的子问题的解可以合并为该问题的解；
4. 该问题所分解出的各个子问题是相互独立的，即子问题之间不包含公共的子问题。

上述的第一条特征是绝大多数问题都可以满足的，因为问题的计算复杂性一般是随着问题规模的增加而增加；第二条特征是应用分治法的前提它也是大多数问题可以满足的，此特征反映了递归思想的应用；第三条特征是关键，能否利用分治法完全取决于问题是否具有第三条特征，如果具备了第一条和第二条特征，而不具备第三条特征，则可以考虑用贪心法或动态规划法。第四条特征涉及到分治法的效率，如果各子问题是不独立的则分治法要做许多不必要的工作，重复地解公共的子问题，此时虽然可用分治法，但一般用动态规划法较好。

回到题目

代码
说实话递归一直没整明白，这里依旧是还没懂！

class Solution
{
public:
	string longestCommonPrefix(vector<string>& strs)
	{
		if (!strs.size())
		{
			return "";
		}
		else
		{
			return longestCommonPrefix(strs, 0, strs.size() - 1);
		}
	}
	string longestCommonPrefix(const vector<string>& strs, int start, int end)
	{
		if (start == end)
		{
			return strs[start];
		}
		else
		{
			int mid = (start + end) / 2;
			string lcpLeft = longestCommonPrefix(strs, start, mid);
			string lcpRight = longestCommonPrefix(strs, mid + 1, end);
			return commonPrefix(lcpLeft, lcpRight);
		}
	}
	string commonPrefix(const string& lcpLeft, const string& lcpRight)
	{
		int minLength = min(lcpLeft.length(), lcpRight.length());
		for (int i = 0; i < minLength; i++)
		{
			if (lcpLeft[i] != lcpRight[i])
			{
				return lcpLeft.substr(0, i);
			}
		}
		return lcpLeft.substr(0, minLength);
	}
};

复杂度分析

方法四：二分查找

二分法简介：
数学上的定义：对于区间[a，b]上连续不断且f(a) · f(b)<0的函数y=f(x)，通过不断地把函数 f(X) 的零点所在的区间一分为二，使区间的两个端点逐步逼近零点，进而得到零点近似值的方法叫二分法。
使用场景：当数据量很大适宜采用该方法。采用二分法查找时，数据需是排好序的。
基本思想：假设数据是按升序排序的，对于给定值x，从序列的中间位置开始比较，如果当前位置值等于x，则查找成功；若x小于当前位置值，则在数列的前半段中查找；若x大于当前位置值则在数列的后半段中继续查找，直到找到为止。
例子：假如有一组数为3，12，24，36，55，68，75，88要查给定的值24.可设三个变量front，mid，end分别指向数据的上界，中间和下界，mid=（front+end）/2.

• 1.开始令front=0（指向3），end=7（指向88），则mid=3（指向36）。因为mid>x，故应在前半段中查找。
• 2.令新的end=mid-1=2，而front=0不变，则新的mid=1。此时x>mid，故确定应在后半段中查找。
• 3.令新的front=mid+1=2，而end=2不变，则新的mid=2，此时a[mid]=x，查找成功。 如果要查找的数不是数列中的数，例如x=25，当第三次判断时，x>a[mid]，按以上规律，令front=mid+1，即front=3，出现front>end的情况，表示查找不成功。

复杂度分析：
时间复杂度最小为O(1),第一个就找到要找的数；
时间复杂度最大为O(log2n)，最后一次找到要找的数；
空间复杂度两种情况下均为O(1)；

回到题目：
显然，最长公共前缀的长度不会超过字符串数组中的最短字符串的长度。用 minLength 表示字符串数组中的最短字符串的长度，则可以在 [0,minLength] 的范围内通过二分查找得到最长公共前缀的长度。每次取查找范围的中间值 mid，判断每个字符串的长度为mid 的前缀是否相同，如果相同则最长公共前缀的长度一定大于或等于 mid，如果不相同则最长公共前缀的长度一定小于 mid，通过上述方式将查找范围缩小一半，直到得到最长公共前缀的长度。

class Solution
{
public:
	string longestCommonPrefix(vector<string>& strs)
	{
		if (!strs.size())
		{
			return "";
		}
		int minLength = min_element(strs.begin(), strs.end(), [](const string& s, const string& t) {return s.size() < t.size(); })->size();
		int low = 0, high = minLength;
		while (low < high)
		{
			int mid = (high - low + 1) / 2 + low;
			if (isCommonPrefix(strs, mid))
			{
				low = mid;
			}
			else
			{
				high = mid - 1;
			}
		}
		return strs[0].substr(0, low);
	}
	bool isCommonPrefix(const vector<string>& strs, int length)
	{
		string str0 = strs[0].substr(0, length);
		int count = strs.size();
		for (int i = 1; i < count; i++)
		{
			string str = strs[i];
			for (int j = 0; j < length; j++)
			{
				if (str0[j]!=str[j])
				{
					return false;
				}
			}
		}
        return true;
	}
};

复杂度分析

• 时间复杂度O(mnlogm)，其中 mm 是字符串数组中的字符串的最小长度，nn 是字符串的数量。二分查找的迭代执行次数是O(logm)，每次迭代最多需要比较 mnmn 个字符，因此总时间复杂度是O(mnlogm)。
• 空间复杂度：O(1)。使用的额外空间复杂度为常数。

min_element()函数简介

上述例子用到了min_element()，第一次见这个函数，详见参考文档
algorithm 头文件中定义了 3 个可以运用到序列的算法：

• min_element()：会返回一个指向输入序列的最小元素的迭代器；
• max_element()：会返回指向最大元素的迭代器；
• minmax_element()：会以 pair 对象的形式返回这两个迭代器。

序列必须由正向迭代器指定，仅仅有输入迭代器是不够的。对于这 3 个算法，除了序列的开始和结束迭代器，可以选择提供第三个参数来定义比较函数。

algorithm 头文件中也定义了 min()、max()、minmax() 的函数模板，它们分别返回最小值、最大值或者两个对象或一个对象的初始化列表的最小值和最大值。

上面例子用到了lamda表达式，这是我第一次见，参考文档