DNA序列
描述
一个 DNA 序列由 A/C/G/T 四个字母的排列组合组成。 G 和 C 的比例(定义为 GC-Ratio )是序列中 G 和 C 两个字母的总的出现次数除以总的字母数目(也就是序列长度)。在基因工程中,这个比例非常重要。因为高的 GC-Ratio 可能是基因的起始点。
给定一个很长的 DNA 序列,以及限定的子串长度 N ,请帮助研究人员在给出的 DNA 序列中从左往右找出 GC-Ratio 最高且长度为 N 的第一个子串。
DNA序列为 ACGT 的子串有: ACG , CG , CGT 等等,但是没有 AGT , CT 等等
数据范围:字符串长度满足 1≤n≤1000,输入的字符串只包含 A/C/G/T 字母
输入描述:
输入一个string型基因序列,和int型子串的长度
输出描述:
找出GC比例最高的子串,如果有多个则输出第一个的子串
示例1:
输入
ACGT
2
输出
CG
说明
ACGT长度为2的子串有AC,CG,GT3个,其中AC和GT2个的GC-Ratio都为0.5,CG为1,故输出CG
示例2:
输入
AACTGTGCACGACCTGA
5
输出
GCACG
说明
虽然CGACC的GC-Ratio也是最高,但它是从左往右找到的GC-Ratio最高的第2个子串,所以只能输出GCACG。
思路分析:
题目中主要信息:
- 输入的字符串中只有ACGT四种字符
- 限定长度为nnn的子串,求其中CG比例最高的第一个子串
- 解读: 长度限定的情况下,要找比例越高即找出现次数越多
可以有两种方法:
-
暴力搜索:遍历字符串每个位置作为起始,然后遍历以这个字符作为起始的长为n的子串,分别统计子串中CG的数量,与之前记录的最大值比较,然后更新记录下最大值及最大CG含量子串的起始位置。
最后根据最终的起始位置和长度n利用substr函数输出,这样由左到右地找出来的就一定是第一个。
时间复杂度:O(mn),其中m为字符串的长度,n为限定的子串长度,需要遍历字符串每个位置为起点的子串
这里就不写了。
-
滑动窗口:首先用一个长度为n的窗口覆盖字符串前n部分子串,统计这里的CG数量,并暂时作为最大值。然后窗口右移,如果左边出去的是CG那么窗口内的CG数量减少一个,如果右边进来的是CG那么窗口内的CG数量增加一个,每次滑动都统计窗口内的CG数量&#