[H前缀和] lc1074. 元素和为目标值的子矩阵数量(前缀和+哈希优化+知识理解)

1. 题目来源

链接：1074. 元素和为目标值的子矩阵数量

同类题：[H前缀和] lc363. 矩形区域不超过 K 的最大数值和(二维前缀和+lower_bound()+好题)

相关题目：[线性dp] 最强对手矩阵(牛客+线性dp+二维前缀和+代码优化+思维+好题)

2. 题目解析

是一个经典题目了，二维前缀和枚举子矩阵左上方、右下方的点，时间复杂度 $O(n^2{m}^2)$。

class Solution {
public:
    int numSubmatrixSumTarget(vector<vector<int>>& matrix, int target) {
        int n = matrix.size(), m = matrix[0].size();
        vector<vector<int>> s(n + 1, vector<int>(m + 1));

        for (int i = 1; i <= n; i ++ ) 
            for (int j = 1; j <= m; j ++ ) 
                s[i][j] = s[i - 1][j] + s[i][j - 1] - s[i - 1][j - 1] + matrix[i - 1][j - 1];

        int res = 0;
        for (int x1 = 1; x1 <= n; x1 ++ ) 
            for (int y1 = 1; y1 <= m; y1 ++ )
                for (int x2 = x1; x2 <= n; x2 ++ )
                    for (int y2 = y1; y2 <= m; y2 ++ ) {
                        int cnt = s[x2][y2] - s[x2][y1 - 1] - s[x1 - 1][y2] + s[x1 - 1][y1 - 1];
                        if (cnt == target) res ++ ;
                    }
        return res;
    }
};

---

在 lc 上超时，只能枚举三重循环，那么就枚举上边界，下边界，再枚举右边界，同时利用哈希表记录右边界左边的子矩阵值，相当于针对每一个右边界都记录了其左边的子矩阵大小。当存在 cur-target 时，即找到一个 左边界，则答案累加上出现的次数即可。

这样就将确定左边界的时间复杂度降到了 $O(1)$。

这种方法就是枚举边，是朴素二维前缀和枚举点的进阶版本。

注意：

• 我们每次是最后插入当前枚举的右边界子矩阵大小，为什么哈希表不能直接先插入当前子矩阵大小呢？

• 这就是一个经典误区了。

• 最后插入的话，右边界无法直接作为自己的左边界。

• 如果先插入，那么右边界可以作为自己的左边界。 当 target!=0 时没有影响。但当 target==0 时，cur-target=cur-0=cur 必然存在，但 右边界此时可以作为自己的左边界了，故这个左边界必然存在，就是右边界它自己。不论枚举的右边界是多少，子矩阵是值到底是多少，答案一定会 ++，相当于每次 cur 进行了自我更新一次，导致了错误。故每次都需要将自我更新的一次答案减去。

• 当 target != 0 时，不会出现这个情况，因为不会让 cur 进行自我更新，即右边界还是得正确的查找 cur-target 的值，它一定是前面先出现过的，再进入哈希表的，而不是由当前 cur 更新作为左边界的。

• 前缀和计算 (x1, y1)、(x2, y2) 构成矩阵大小的时候，右边界枚举是从 1~n 的，而左边界枚举的是从 0~n-1 的，这样才能正确算出前缀和。也就是常见的一维前缀和中 s[i]-s[j-1] 才是区间 [j,i] 的区间和。在二维前缀和中同样如此，需要提前将下标 0 这个插入进哈希表中。它所代表的面积是 0，方案数是 1。

当 n>m 时，可以枚举列，再枚举行，转化为 $O(n{m}^2)$，这也是常见的转化方法。

也可以这样理解吧，关于前缀和数组是需要 s[0] 的，在此 s[0] 大小为 0，但也是一种方案，方案为 1。

---

时间复杂度：$O(n^{2}m)$

空间复杂度：$O(n^2)$

---

代码：

class Solution {
public:
    int numSubmatrixSumTarget(vector<vector<int>>& matrix, int target) {
        int n = matrix.size(), m = matrix[0].size();
        vector<vector<int>> s(n + 1, vector<int>(m + 1));

        for (int i = 1; i <= n; i ++ ) 
            for (int j = 1; j <= m; j ++ ) 
                s[i][j] = s[i - 1][j] + s[i][j - 1] - s[i - 1][j - 1] + matrix[i - 1][j - 1];

        int res = 0;
        for (int x1 = 1; x1 <= n; x1 ++ )
            for (int x2 = x1; x2 <= n; x2 ++ ) {
                unordered_map<int, int> h;
                h[0] = 1;               // 注意处理 cur=target 这个情况，因为 cur 是在最后才累加的
                for (int y = 1; y <= m; y ++ ) {
                    int cur = s[x2][y] - s[x1 - 1][y];
                    if (h.count(cur - target)) res += h[cur - target];
                    h[cur] ++ ;         // 累加需要放到后面
                }
            }
        return res;
    }
};

// 更为直观的写法
class Solution {
public:
    int numSubmatrixSumTarget(vector<vector<int>>& matrix, int target) {
        int n = matrix.size(), m = matrix[0].size();
        vector<vector<int>> s(n + 1, vector<int>(m + 1));

        for (int i = 1; i <= n; i ++ ) 
            for (int j = 1; j <= m; j ++ ) 
                s[i][j] = s[i - 1][j] + s[i][j - 1] - s[i - 1][j - 1] + matrix[i - 1][j - 1];

        int res = 0;
        for (int x1 = 1; x1 <= n; x1 ++ )
            for (int x2 = x1; x2 <= n; x2 ++ ) {
                unordered_map<int, int> h;
                for (int y = 1; y <= m; y ++ ) {
                    int cur = s[x2][y] - s[x1 - 1][y];
                    if (cur == target) res ++ ;     // 这个写法更加直观，右边界刚好即为 target，答案 +1
                    // 再找右边界之前的满足的左边界
                    if (h.count(cur - target)) res += h[cur - target];
                    h[cur] ++ ;         // 累加需要放到后面
                }
            }
        return res;
    }
};