算法——三数之和(M)

题目

在这里插入图片描述

问题分析

在这一题一开始直接使用的是深搜,但是最后20例数据超时,采取剪枝后仍然有三组数据过不过去。(在去重部分,采用的是book数组进行记录,将相同数据进行统一记载,内层再一个min(3,book[i])~1的循环)。
然后,看题解,这题的正确过法就是双指针了。采取固定第一位,查找第二位和第三位,指针的左右移动要去重,当然,固定的第一位也要去重。

去重方法:
在这里插入图片描述
引用自Krahets

编码

Python题解

这里是深搜+剪枝

class Solution:
    def threeSum(self, nums):
        nums.sort()
        self.book = dict()
        for i in nums:
            if i in self.book.keys():
                self.book[i] += 1
            else:
                self.book[i] = 1
        self.max2 = nums[-1]+nums[-2]
        self.max1 = nums[-1]
        self.nums = list(self.book.keys())
        self.book = list(self.book.values())
        self.ans = []
        self.dfs(0, [], 0, 2)
        return self.ans

    def dfs(self, start: int, num, tsum: int, n):
        if (n == -1):
            self.ans.append(num)
        else:
            for i in range(start, len(self.book)):
                for m in range(1, min(self.book[i]+1,4))[::-1]:
                    self.book[i] -= m
                    ts = tsum + self.nums[i] * m
                    if ts > 0:
                        return
                    if (n - m == 1 and ts + self.max2 < 0) or (n - m == 0 and ts + self.max1 < 0) or (n - m == -1 and ts != 0):
                        self.book[i] += m
                        break
                    self.dfs(i+1, num + [self.nums[i]]*m, ts, n - m)
                    ts -= self.nums[i] * m
                    self.book[i] += m
运行结果

在这里插入图片描述

C++题解
class Solution {
public:
    vector<vector<int>> threeSum(vector<int>& nums) {
        vector<vector<int>> res;
        if(nums.size() < 3){
            return res;
        }
        sort(nums.begin(), nums.end());
        for(int i = 0; i < nums.size(); ++i){
            if(i == 0 || nums[i] != nums[i-1]){ // 去重
                findTarget(i+1, res, nums, -1 * nums[i]);
            }
        }
        return res;
    }

    void findTarget(int l, vector<vector<int>> &ans, vector<int>& nums, int target){
        int r = nums.size() - 1, start = l, end = nums.size() - 1;
        vector<int> sum_zero;
        while(l < r){
            if(nums[l] + nums[r] == target){
                if(l == start || r == end){ // 保证有左右值
                    vector<int> sum_zero({-target, nums[l], nums[r]});
                    ans.push_back(sum_zero);
                    ++l;
                    --r;
                }else if(nums[l] == nums[l-1] || nums[r] == nums[r+1]){ // 去重(保证之前没有被记录过)
                    ++l; 
                    --r;
                }else{
                    vector<int> sum_zero({-target, nums[l], nums[r]});
                    ans.push_back(sum_zero);
                    ++l; 
                    --r;
                }
                
            }else if(nums[l] + nums[r] > target){
                --r;
            }else{
                ++l;
            }
        }
    }
};
运行结果

在这里插入图片描述

容器使用总结
vector<vector<int>> res
nums.size()
sort(nums.begin(), nums.end());
vector<int> sum_zero({-target, nums[l], nums[r]});
ans.push_back(sum_zero);
补充题

最邻近的三数之和

class Solution {
public:
    int threeSumClosest(vector<int>& nums , int target) {
        int ans = 9999;
        sort(nums.begin(), nums.end());
        for(int i = 0; i < nums.size(); ++i){
            if(i == 0 || nums[i] != nums[i-1]){ // 去重
                findTarget(i+1, ans, nums, target - nums[i]);
            }
        }
        return target - ans;
    }

    void findTarget(int l, int &ans, vector<int>& nums, int target){
        int r = nums.size() - 1, start = l, end = nums.size() - 1;
        while(l < r){
            int tempsub = target - nums[l] - nums[r];
            if(fabs(tempsub) < fabs(ans)){
                ans = tempsub;
            }    
            if(tempsub > 0){
                ++l;
            }else{
                --r;
            }
        }
    }
};
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Levenshtein Distance算法是一常见的字符串相似度算法,也被称为编辑距离算法。其主要思想是通过计算两个字符串之间的编辑距离来确定它们的相似程度。 编辑距离指的是将一个字符串转换成另一个字符串所需的最少操作次数,其中每次操作可以是插入、删除或替换一个字符。例如,将字符串“kitten”转换成字符串“sitting”需要进行3次操作,即将“k”替换为“s”,将“e”替换为“i”,将“n”替换为“g”。 Levenshtein Distance算法的实现一般使用动态规划的方法,通过填充一个二维矩阵来计算两个字符串之间的编辑距离。具体实现过程可以参考以下伪代码: ``` function LevenshteinDistance(s1, s2): m = length(s1) n = length(s2) d = new matrix(m+1, n+1) for i from 0 to m: d[i, 0] = i for j from 0 to n: d[0, j] = j for j from 1 to n: for i from 1 to m: if s1[i] == s2[j]: cost = 0 else: cost = 1 d[i, j] = min(d[i-1, j]+1, d[i, j-1]+1, d[i-1, j-1]+cost) return d[m, n] ``` 在以上代码中,变量s1和s2分别表示两个待比较的字符串,m和n分别表示它们的长度,矩阵d用于存储编辑距离的计算结果。首先,将矩阵d的第一行和第一列分别初始化为0到n和0到m的整数。然后,对于每个(i, j)位置,如果s1[i]等于s2[j],则将cost设为0,否则设为1。最后,根据递推公式d[i, j] = min(d[i-1, j]+1, d[i, j-1]+1, d[i-1, j-1]+cost)来填充矩阵d,并返回d[m, n]作为编辑距离的结果。 Levenshtein Distance算法的时间复杂度为O(m*n),其中m和n分别为两个字符串的长度。在实际应用中,该算法可用于拼写检查、数据去重等场景。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值