文章目录 72. 编辑距离:样例 1:样例 2:提示: 分析:题解:rust:二维数组(易懂)滚动数组(更加优化的内存空间) go:c++:python:java: 72
给你两个单词 Word1
和 word2
, 请返回将 word1
转换成 word2
所使用的最少操作数 。
你可以对一个单词进行如下三种操作:
输入:word1 = "horse", word2 = "ros"输出:3解释:horse -> rorse (将 'h' 替换为 'r')rorse -> rose (删除 'r')rose -> ros (删除 'e')
输入:word1 = "intention", word2 = "execution"输出:5解释:intention -> inention (删除 't')inention -> enention (将 'i' 替换为 'e')enention -> exention (将 'n' 替换为 'x')exention -> exection (将 'n' 替换为 'c')exection -> execution (插入 'u')
0 <= word1.length, word2.length <= 500
word1
和 word2
由小写英文字母组成面对这道算法题目,二当家的再次陷入了沉思。
编辑距离算法在实际应用中还是很多的,比如一些命令的参数,当输入了错误的参数时,会提示最相似的命令。
- 想要找最优解,一般就是贪心或者动态规划。
思考后会发现,完整串的编辑距离和子串的编辑距离有关系,所以考虑使用动态规划。
别急,这里还有一个问题,题目中可以对两个单词分别进行三种操作,所以相当于一共有六种操作,其中插入字符依赖较短字符串,而删除字符的操作就反向依赖了较长串,但是动态规划是从一个初识条件开始,朝着一个方向计算的,这里依赖着两种方向,这怎么办?
其实,我们可以将相同效果的操作合并处理:
对单词 A 删除一个字符和对单词 B 插入一个字符是等价的。例如当单词 A 为 doge,单词 B 为 dog 时,我们既可以删除单词 A 的最后一个字符 e,得到相同的 dog,也可以在单词 B 末尾添加一个字符 e,得到相同的 doge;
同理,对单词 B 删除一个字符和对单词 A 插入一个字符也是等价的;
对单词 A 替换一个字符和对单词 B 替换一个字符是等价的。例如当单词 A 为 bat,单词 B 为 cat 时,我们修改单词 A 的第一个字母 b -> c,和修改单词 B 的第一个字母 c -> b 是等价的。
这样一来,本质不同的操作实际上只有三种:
在单词 A 中插入一个字符;
在单词 B 中插入一个字符;
修改单词 A 的一个字符。
这样一来,我们就可以把原问题转化为规模较小的子问题。以样例1为例,我们用 A = horse,B = ros 作为例子,来看一看是如何把这个问题转化为规模较小的若干子问题的:
在单词 A 中插入一个字符:如果我们知道 horse 到 ro 的编辑距离为 a,那么显然 horse 到 ros 的编辑距离不会超过 a + 1。这是因为我们可以在 a 次操作后将 horse 和 ro 变为相同的字符串,只需要额外的 1 次操作,在单词 A 的末尾添加字符 s,就能在 a + 1 次操作后将 horse 和 ro 变为相同的字符串;
在单词 B 中插入一个字符:如果我们知道 hors 到 ros 的编辑距离为 b,那么显然 horse 到 ros 的编辑距离不会超过 b + 1,原因同上;
修改单词 A 的一个字符:如果我们知道 hors 到 ro 的编辑距离为 c,那么显然 horse 到 ros 的编辑距离不会超过 c + 1,原因同上。
那么从 horse 变成 ros 的编辑距离应该为 min(a + 1, b + 1, c + 1)。
因此,我们就可以使用动态规划来解决这个问题了。我们用 D[i][j] 表示 A 的前 i 个字母和 B 的前 j 个字母之间的编辑距离。
如上所述,当我们获得 D[i][j-1],D[i-1][j] 和 D[i-1][j-1] 的值之后就可以计算出 D[i][j]。
D[i][j-1] 为 A 的前 i 个字符和 B 的前 j - 1 个字符编辑距离的子问题。即对于 B 的第 j 个字符,我们在 A 的末尾添加了一个相同的字符,那么 D[i][j] 最小可以为 D[i][j-1] + 1;
D[i-1][j] 为 A 的前 i - 1 个字符和 B 的前 j 个字符编辑距离的子问题。即对于 A 的第 i 个字符,我们在 B 的末尾添加了一个相同的字符,那么 D[i][j] 最小可以为 D[i-1][j] + 1;
D[i-1][j-1] 为 A 前 i - 1 个字符和 B 的前 j - 1 个字符编辑距离的子问题。即对于 B 的第 j 个字符,我们修改 A 的第 i 个字符使它们相同,那么 D[i][j] 最小可以为 D[i-1][j-1] + 1。特别地,如果 A 的第 i 个字符和 B 的第 j 个字符原本就相同,那么我们实际上不需要进行修改操作。在这种情况下,D[i][j] 最小可以为 D[i-1][j-1]。
一般题解到这里就结束了,但其实我们还可以继续优化空间。
由于动态规划中,我们比较两个子串,只依赖于各减少最后一个字符的子串的编辑距离,所以我们的动态规划数组是可以重复利用的,不需要二维数组,只需要一维数组即可,即滚动数组的方式。
impl Solution { pub fn min_distance(word1: String, word2: String) -> i32 { let l1 = word1.len(); let l2 = word2.len(); // 有一个字符串为空串 if l1 == 0 || l2 == 0 { return (l1 + l2) as i32; } // DP 数组 let mut dp = vec![vec![0; l2 + 1]; l1 + 1]; // 边界状态初始化 (0..=l1).for_each(|i| { dp[i][0] = i; }); (0..=l2).for_each(|i| { dp[0][i] = i; }); // 计算所有 DP 值 (1..=l1).for_each(|i| { (1..=l2).for_each(|j| { let insert1 = dp[i - 1][j] + 1; let insert2 = dp[i][j - 1] + 1; let replace1 = if word1.as_bytes()[i - 1] != word2.as_bytes()[j - 1] { dp[i - 1][j - 1] + 1 } else { // 两个字母相同,不用修改,所以操作次数不变 dp[i - 1][j - 1] }; dp[i][j] = insert1.min(insert2).min(replace1); }); }); return dp[l1][l2] as i32; }}
impl Solution { pub fn min_distance(mut word1: String, mut word2: String) -> i32 { let mut l1 = word1.len(); let mut l2 = word2.len(); // 有一个字符串为空串 if l1 == 0 { return l2 as i32; } if l2 == 0 { return l1 as i32; } // 让内层单词较短,可以让dp数组较小 if l1 < l2 { let wt = word1; word1 = word2; word2 = wt; let lt = l1; l1 = l2; l2 = lt; } // DP 滚动数组 let mut dp = (0..=l2).collect::<Vec<_>>(); // 计算所有 DP 值 word1.bytes().enumerate().for_each(|(i1, c1)| { let mut pre = i1; dp[0] = pre + 1; word2.bytes().enumerate().for_each(|(i2, c2)| { let tmp = dp[i2 + 1]; if c1 == c2 { dp[i2 + 1] = pre; } else { // dp[i2 + 1]:相当于向第一个单词插入一个字母 // dp[i2]:相当于向第二个单词插入一个字母 // pre: 相当于修改第一个单词一个字母 dp[i2 + 1] = dp[i2 + 1].min(dp[i2]).min(pre) + 1; } pre = tmp; }); }); dp[l2] as i32 }}
func minDistance(word1 string, word2 string) int { l1 := len(word1)l2 := len(word2)// 有一个字符串为空串if l1 == 0 {return l2}if l2 == 0 {return l1}// 让内层单词较短,可以让dp数组较小if l1 < l2 {word1, word2 = word2, word1l1, l2 = l2, l1}// DP 滚动数组dp := make([]int, l2+1)for i := 1; i <= l2; i++ {dp[i] = i}// 计算所有 DP 值for i1, c1 := range word1 {pre := i1dp[0] = pre + 1for i2, c2 := range word2 {tmp := dp[i2+1]if c1 == c2 {dp[i2+1] = pre} else {// dp[i2 + 1]:相当于向第一个单词插入一个字母// dp[i2]:相当于向第二个单词插入一个字母// pre: 相当于修改第一个单词一个字母if dp[i2+1] > dp[i2] {dp[i2+1] = dp[i2]}if dp[i2+1] > pre {dp[i2+1] = pre}dp[i2+1] += 1}pre = tmp}}return dp[l2]}
class Solution {public: int minDistance(string word1, string word2) { int l1 = word1.length(), l2 = word2.length(); // 有一个字符串为空串 if (l1 == 0) { return l2; } if (l2 == 0) { return l1; } // 让内层单词较短,可以让dp数组较小 if (l1 < l2) { string wt = word1; word1 = word2; word2 = wt; int lt = l1; l1 = l2; l2 = lt; } // DP 滚动数组 int dp[l2 + 1]; for (int i = 1; i <= l2; ++i) { dp[i] = i; } // 计算所有 DP 值 for (int i1 = 0; i1 < l1; ++i1) { int pre = i1; dp[0] = pre + 1; for (int i2 = 0; i2 < l2; ++i2) { const int tmp = dp[i2 + 1]; if (word1[i1] == word2[i2]) { dp[i2 + 1] = pre; } else { // dp[i2 + 1]:相当于向第一个单词插入一个字母 // dp[i2]:相当于向第二个单词插入一个字母 // pre: 相当于修改第一个单词一个字母 dp[i2 + 1] = min(min(dp[i2 + 1], dp[i2]), pre) + 1; } pre = tmp; } } return dp[l2]; }};
class Solution: def minDistance(self, word1: str, word2: str) -> int: l1 = len(word1) l2 = len(word2) # 有一个字符串为空串 if l1 == 0: return l2 if l2 == 0: return l1 # 让内层单词较短,可以让dp数组较小 if l1 < l2: word1, word2 = word2, word1 l1, l2 = l2, l1 # DP 数组 dp = [x for x in range(l2 + 1)] # 计算所有 DP 值 for i1 in range(l1): pre = i1 dp[0] = pre + 1 for i2 in range(l2): tmp = dp[i2 + 1] if word1[i1] == word2[i2]: dp[i2 + 1] = pre else: # dp[i2 + 1]:相当于向第一个单词插入一个字母 # dp[i2]:相当于向第二个单词插入一个字母 # pre: 相当于修改第一个单词一个字母 dp[i2 + 1] = min(dp[i2 + 1], dp[i2], pre) + 1 pre = tmp return dp[l2]
class Solution { public int minDistance(String word1, String word2) { int l1 = word1.length(), l2 = word2.length(); // 有一个字符串为空串 if (l1 == 0) { return l2; } if (l2 == 0) { return l1; } // 让内层单词较短,可以让dp数组较小 if (l1 < l2) { String wt = word1; word1 = word2; word2 = wt; int lt = l1; l1 = l2; l2 = lt; } // DP 滚动数组 int[] dp = new int[l2 + 1]; for (int i = 1; i <= l2; ++i) { dp[i] = i; } // 计算所有 DP 值 for (int i1 = 0; i1 < l1; ++i1) { int pre = i1; dp[0] = pre + 1; for (int i2 = 0; i2 < l2; ++i2) { final int tmp = dp[i2 + 1]; if (word1.charAt(i1) == word2.charAt(i2)) { dp[i2 + 1] = pre; } else { // dp[i2 + 1]:相当于向第一个单词插入一个字母 // dp[i2]:相当于向第二个单词插入一个字母 // pre: 相当于修改第一个单词一个字母 dp[i2 + 1] = Math.min(Math.min(dp[i2 + 1], dp[i2]), pre) + 1; } pre = tmp; } } return dp[l2]; }}
非常感谢你阅读本文~
欢迎【点赞】【收藏】【评论】三连走一波~
放弃不难,但坚持一定很酷~
希望我们大家都能每天进步一点点~
本文由 二当家的白帽子:https://le-yi.blog.csdn.net/ 博客原创~
来源地址:https://blog.csdn.net/leyi520/article/details/132403173
--结束END--
本文标题: 算法leetcode|72. 编辑距离(rust重拳出击)
本文链接: https://www.lsjlt.com/news/397861.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
下载Word文档到电脑,方便收藏和打印~
2024-04-01
2024-04-03
2024-04-03
2024-01-21
2024-01-21
2024-01-21
2024-01-21
2023-12-23
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
一口价域名售卖能注册吗?域名是网站的标识,简短且易于记忆,为在线用户提供了访问我们网站的简单路径。一口价是在域名交易中一种常见的模式,而这种通常是针对已经被注册的域名转售给其他人的一种方式。
一口价域名买卖的过程通常包括以下几个步骤:
1.寻找:买家需要在域名售卖平台上找到心仪的一口价域名。平台通常会为每个可售的域名提供详细的描述,包括价格、年龄、流
443px" 443px) https://www.west.cn/docs/wp-content/uploads/2024/04/SEO图片294.jpg https://www.west.cn/docs/wp-content/uploads/2024/04/SEO图片294-768x413.jpg 域名售卖 域名一口价售卖 游戏音频 赋值/切片 框架优势 评估指南 项目规模
0