【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"].
【解析】
题意:找出DNA序列中所有出现次数大于1的长度为10的子串。
我觉得题目给的例子有问题,例子中除了给出的两个子串,还有“ACCCCCAAAA", "AACCCCCAAA", "AAACCCCCAA", "AAAACCCCCA"也都符合条件。
参考 https://oj.leetcode.com/discuss/24478/i-did-it-in-10-lines-of-c 我来解释一下思路:
首先看这道题的Tags是Hash Table和Bit Manipulation,那么如何把字符串转化为位操作呢?我们首先来看字母 ”A" "C" “G" "T" 的ASCII码,分别是65, 67, 71, 84,二进制表示为 1000001, 1000011, 1000111, 1010100。可以看到它们的后四位是不同,所以用后四位就可以区分这四个字母。一个字母用3bit来区分,那么10个字母用30bit就够了。用int的第29~0位分表表示这0~9个字符,然后把30bit转化为int作为这个子串的key,放入到HashTable中,以判断该子串是否出现过。
【Java代码】
public class Solution { public List<String> findRepeatedDnaSequences(String s) { List<String> ans = new ArrayList<String>(); HashMap<Integer, Integer> map = new HashMap<Integer, Integer>(); int key = 0; for (int i = 0; i < s.length(); i++) { key = ((key << 3) | (s.charAt(i) & 0x7)) & 0x3fffffff; if (i < 9) continue; if (map.get(key) == null) { map.put(key, 1); } else if (map.get(key) == 1) { ans.add(s.substring(i - 9, i + 1)); map.put(key, 2); } } return ans; } }
【补充】
如果说不记得A,C,G,T的ASCII码了,而且也不想计算它们的二进制表示,那么可以用一种替代的方法,即把A,C,G,T映射成0,1,2,3,这样用两个bit就可以区分它们00,01,10,11了。还有这里是长度为10的子串,而且这四个字符用3bit就可以区分,加起来总共30bit,如果子串长度再长些,或者字符种类再多些需要3bit以上来区分,总共bit数超过32,那么采用映射不失为一种很好的解决方法。可参见http://bookshadow.com/weblog/2015/02/06/leetcode-repeated-dna-sequences/