[LeetCode] 187. Repeated DNA Sequences 解题思路

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"].

问题：给定一个字符串序列，代表 DNA 序列，求其中有重复出现的长度为 10 的子序列。

题目中的例子都是不重叠的重复字串，实际上相互重叠的字串也是要统计进去，例如11位的 "AAAAAAAAAA" 就包含两个长度为 10 的"AAAAAAAAAA" 的重复子序列。这一点是题目没有说清楚的。

明确题目后，实现思路也比较简单：

• 将 s 中所有长度为 10 的连续子字符串放入 map<string, int> ss_cnt 中，数各个连续字符串出现的的次数
• 将 [0, 9] 视为窗口，将 ss_cnt 中窗口字符串对于的 value 减 1 ，然后判断 ss_cnt 中是否还存在一个 窗口字符串， 若存在则表示窗口字符串是重复的。
• 将窗口向右移动一个，继续重复第二步，直至窗口移至最右端

    /**
     * 重复子字符串 可以重叠。
     */
    vector<string> findRepeatedDnaSequences(string s) {
        unordered_set<string> res;
        
        unordered_map<string, int> ss_cnt;
        
        int len = 10;
        
        for (int i = 0; i + len -1 < s.size(); i++) {
            string str = s.substr(i, len);
            ss_cnt[str]++;
        }
        
        int i = 0 ;
        while (i + len - 1 < s.size()) {
            
            string cur = s.substr(i, len);
            ss_cnt[cur]--;
            
            if (ss_cnt[cur] > 0) {
                res.insert(cur);
            }
            
            ss_cnt[cur]++;
            i++;
        }
        
        vector<string> result;
        
        unordered_set<string>::iterator s_iter;
        for (s_iter = res.begin(); s_iter != res.end(); s_iter++) {
            result.push_back(*s_iter);
        }
        
        return result;
    }