leetcode187. Repeated DNA Sequences

题目要求

All DNA is composed of a series of nucleotides abbreviated as A, C, G, and T, for example: "ACGAATTCCG". 
When studying DNA, it is sometimes useful to identify repeated sequences within the DNA.

Write a function to find all the 10-letter-long sequences (substrings) that occur more than once in a DNA molecule.

For example,
Given s = "AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT",

Return:
["AAAAACCCCC", "CCCCCAAAAA"].

所有的DNA都是有A,C,G,T这四个字母组成的，比如“ACGAATTCCG”。在研究DNA的时候，从DNA序列中找到重复出现的模式是很有用的。这个问题要求我们在一个DNA序列中找到出现超过两次的长度为10的子序列。

比如，假设DNA序列为AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT，那么找到的满足条件的子序列为["AAAAACCCCC", "CCCCCAAAAA"]

思路一：直接比较String

其实，我们只需要找到所有的长度为10的子序列并且判断这些子序列是否存在重复就可以了。如果不考虑生成子字符串的过程，那么这个算法只需要遍历一次字符串就可以完成了。
代码如下：

    public List<String> findRepeatedDnaSequences(String s) {
        //记录不是第一次遍历到的结果
        Set<String> result = new HashSet<String>();
        //记录第一次遍历到的结果
        Set<String> visited = new HashSet<String>();
        for(int i = 0 ; i<s.length()-9 ; i++){
            //获得以i作为起点的长度为10的字符串
            String cur  = s.substring(i, i+10);
            if(!visited.add(cur)){
                result.add(cur);
            }
        }
        return new ArrayList<String>(result);
    }

思路二：将String转化为Integer

上一题的思路其实基本没有问题，唯一的缺点是，一个长度为n的字符串能够产生n-9个长度为10的子字符串。这n-9个子字符串所占用的空间将会远远超过n-9个整数所占用的空间。如果之间存储字符串，那么很可能会造成内存溢出。因此我们需要考虑将字符串转化为整数并存储。

其实如果是将26个字母全部转化为整数，并用整数表示任意10个字母所组成的字符串是不可能的。因为26个字母意味着每个字母至少需要5位才能表示出来。比如00000代表A， 00001代表B。而10个字母意味着需要5*10=50位，而一个整形是32位。

而本题中，只有四个字母A，C，G和T，只需要两位就可以表示这四个字母，分别是:
A----00----0
C----01----1
G----10----2
T----11----3

那么ACGAATTCCG对应的二进制码就是00 01 10 00 00 11 11 01 01 10, 再将这个二进制数转换成对应的十进制数。因为每个字符串对应的二进制长度为20，小于整数的32，因此是可行的。

代码如下：

    public List<String> findRepeatedDnaSequences2(String s){
        
        List<String> result = new ArrayList<String>();
        Set<Integer> firstTime = new HashSet<Integer>();
        Set<Integer> secondTime = new HashSet<Integer>();

        //也可以使用hashmap，但是用数组的话可以很好的提升性能
        char[] map = new char[26];
        map['A'-'A'] = 0;//00
        map['C'-'A'] = 1;//01
        map['G'-'A'] = 2;//10
        map['T'-'A'] = 3;//11

        char[] sArray = s.toCharArray();
        for(int i = 0 ; i<sArray.length-9 ; i++){
            int v = 0;
            for(int j = i ; j<i+10 ; j++){
                v <<= 2;
                v |= map[sArray[j] - 'A'];
            }
            
            //这里使用了短路原理。也就是在字符串被第一次添加到firstTime的时候，将不会触发secondTime的添加
            //而第二次遍历时，会触发secondTime的添加行为并将子字符串添加到结果集中
            //超过第二次遍历以为这secondTime的添加会返回false，说明已经添加过，从而避免了重复添加至结果集
            if(!firstTime.add(v) && secondTime.add(v)){
                result.add(s.substring(i, i+10));
            }
        }
        return result;
        
    }

想要了解更多开发技术，面试教程以及互联网公司内推，欢迎关注我的微信公众号！将会不定期的发放福利哦~