lc面试准备:Repeated DNA Sequences

1 题目

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"].

接口

public List<String> findRepeatedDnaSequences(String s);

2 思路

寻找重复出现1次以上的10个字符串。

思路1：TLE。从第一个子字符串开始遍历，并存储在List中，如果某个子字符串出现两次，就将其添加到结果List中。

思路2：映射4个字符'A''C''G''T'为整数，对整数进行移位以及位与操作，以获取相应的子字符串。

①将ACGT进行二进制编码

A -> 00

C -> 01

G -> 10

T -> 11

②在编码的情况下，每10位字符的组合是一个数字value，且10位的字符串有20位；int是32位，可以储存。例如

ACGTACGTAC -> 00011011000110110001

AAAAAAAAAA -> 00000000000000000000

采用HashSet来存储这些value。20位的二进制数，至多有2^20种组合，因此hash set的大小最大为2^20，即1024 * 1024。

③遍历字符串

每次向右移动1位字符，相当于字符串对应的int值左移2位，再将其最低2位置为新的字符的编码值，最后将高2位置0。

 value = (value << 2) + 字符的编码值int;
 value &= (1 << 20) - 1;//整数占32个位，获取其低20位（题中要求是长度为10的子字符串，映射为整数后，子字符串总共占用20位）

例如

src CAAAAAAAAAC

subStr CAAAAAAAAA

int 0100000000

subStr AAAAAAAAAC

int 0000000001

复杂度

Time:O(n)  Space:O(n) 

3 代码

 import java.util.HashMap;
 import java.util.HashSet;
 import java.util.LinkedList;
 import java.util.List;
 import java.util.Map;
 import java.util.Set;

 public class Solution {
     // Time:O(n)  Space:O(n)
     private final static Map<Character, Integer> chsMap = new HashMap<Character, Integer>(
             4);
     static {
         chsMap.put('A', 0);
         chsMap.put('C', 1);
         chsMap.put('G', 2);
         chsMap.put('T', 3);
     }

     public List<String> findRepeatedDnaSequences(String s) {
         Set<String> res = new HashSet<String>();
         final int length = s.length();
         if (length <= 10)
             return new LinkedList<String>(res);
         Set<Integer> intSet = new HashSet<Integer>();
         int value = 0;
         for (int i = 0; i < 9; i++) {
             value = (value << 2) + chsMap.get(s.charAt(i));
         }
         for (int i = 9; i < length; i++) {
             value = (value << 2) + chsMap.get(s.charAt(i));
             value &= (1 << 20) - 1;
             if (intSet.contains(value)) {
                 res.add(s.substring(i - 9, i + 1));
             }
             intSet.add(value);
         }
         return new LinkedList<String>(res);
     }
 }

4  扩展

• 当该字符串中没有出现长度为10的子字符串出现两次以上时，返回结果为[]，而不是null。
• 若输入'AAAAAAAAAAA', 输出['AAAAAAAAAA']

5 参考

1. leetcode
2. Leetcode：Repeated DNA Sequences详细题解