【LeetCode 中等题】84-重复的DNA序列

题目描述：所有 DNA 由一系列缩写为 A，C，G 和 T 的核苷酸组成，例如：“ACGAATTCCG”。在研究 DNA 时，识别 DNA 中的重复序列有时会对研究非常有帮助。

编写一个函数来查找 DNA 分子中所有出现超多一次的10个字母长的序列（子串）。

示例:

输入: s = "AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT"

输出: ["AAAAACCCCC", "CCCCCAAAAA"]

解法1。利用python里对字符串切片和字典的便利性，使用一个字典存储出现过的长度为10的子串，一次只取长度为10的子串

class Solution:
    def findRepeatedDnaSequences(self, s):
        """
        :type s: str
        :rtype: List[str]
        """
        if len(s)<10:
            return []
        else:
            res = []
            appeared = {}
            for i in range(len(s)-9): # 注意次数的上限，经过验算是len(s)-9而非len(s)-10
                tmp = s[i:i+10]
                if tmp not in appeared:
                    appeared[tmp] = 1
                elif appeared[tmp] == 1: # 在tmp出现2次时放到res里，之后就不放，避免重复
                    res.append(tmp)
                    appeared[tmp] += 1
            return res

解法2。位运算的方法，其实就是将键值由字符串转译成了二进制int数，节省空间和时间。

• 此题由于构成输入字符串的字符只有四种，分别是A, C, G, T，下面我们来看下它们的ASCII码用二进制来表示：
  • A: 0100 0001
  • C: 0100 0011
  • G: 0100 0111
  • T: 0101 0100
• 所以对每个字符得到其ord('')后&7获得后3位，这样得到一个30位长的键值，存在字典，若出现2次就放到res里
• 初始化就先获得前9个字符的后三位，例如取出前9个字符AAAAACCCC，根据上面的分析，我们用三位来表示一个字符，所以这9个字符可以用二进制表示为001001001001001011011011011，然后从第10个字符开始遍历，取后27位（后9个字符）再或新的字符后3位，实现将当前字符加进来和第一个最先出现的字符去掉

class Solution:
    def findRepeatedDnaSequences(self, s):
        """
        :type s: str
        :rtype: List[str]
        """
        if len(s)<10:
            return []
        else:
            res = []
            appeared = {}
            mask = 0x7ffffff
            cur = 0
            for i in range(9):
                cur = (cur<<3) | (ord(s[i])&7)
            for i in range(9,len(s)):
                cur = (cur&mask)<<3 | (ord(s[i])&7)
                if cur not in appeared:
                    appeared[cur] = 1
                else:
                    if appeared[cur] == 1:
                        res.append(s[i-9:i+1])
                    appeared[cur] += 1
            return res

参考链接：https://www.cnblogs.com/grandyang/p/4284205.html