LeetCode力扣刷题:290.单词规律

Java实现 LeetCode 290 单词规律 290. 单词规律 给定一种规律 pattern 和一个字符串 str ,判断 str 是否遵循相同的规律。 这里的 遵循 指完全匹配,例如, pattern 里的每个字母和字符串 str 中的每个非空单词之间存在着双向连接的对应规律。 示例1: 输入: pattern = “abba”, str = “dog cat cat dog” 输出: true 示例 2: 输入:pattern = “a... 阅读详情

上思路

嵌套两次遍历,判断两边儿单词相等情况是否相等
直接上解法吧

#include<vector>
#include<string>
class Solution {
public:
    bool wordPattern(string pattern, string s) {
		vector<string> words;
        string temp = "";
        for (int i = 0; i < s.size(); i++) {
            if (s[i] == ' ') {
                words.push_back(temp);
                temp = "";
                i++;
            }
            temp.push_back(s[i]);
            if (i == s.size() - 1) {
                words.push_back(temp);
            }
        }
        
        if (words.size() != pattern.size()) return false;
        for (int i = 0; i < words.size(); i++) {
            
            for (int j = i+1; j < words.size(); j++) {
                if ((pattern[i] == pattern[j]) != (words[i] == words[j]))
                    return false;
            }
        }
        return true;
    }
};

前提是要判断pattern跟s的规模(size)是否相同

思考

虽然做出来了,不过明显感觉时间复杂度有点高
看了一下解法提到了哈希表
ok我要开始狠狠地学数据结构了



—分割线—

哈希表法

2023.11.8
今天去看了一下哈希表的概念,尝试用这个方法写,调试的过程比我上一个解法要慢很多,毕竟刚接触映射。做出来运行时长竟然是0ms

#include<vector>
#include<string>
#include<map>
class Solution {
public:
    bool wordPattern(string pattern, string s) {
vector<string> words;
        string temp = "";
        for (int i = 0; i < s.size(); i++) {
            if (s[i] == ' ') {
                words.push_back(temp);
                temp = "";
                i++;
            }
            temp.push_back(s[i]);
            if (i == s.size() - 1) {
                words.push_back(temp);
            }
        }
        
        if (words.size() != pattern.size()) return false;
           //用哈希表解法
        //用双映射关系解决
        map<char, string> mp;//A映射到B
        map<string, char> rmp;//B映射到A
        for (int i = 0; i < words.size(); i++) {
            //四种情况
            if (!mp.count(pattern[i]) && !rmp.count(words[i] )) {
                //A映射不到B,B映射不到A,说明映射表缺,就补表
                mp.insert(make_pair(pattern[i], words[i]));
                rmp.insert(make_pair(words[i], pattern[i]));
            }
            else if(mp.count(pattern[i]) && rmp.count(words[i])) {
                //A能映射到B,B能映射到A,这时要看双方映射是否全等
                 if(pattern[i] != rmp.find(words[i])->second 
                    || words[i]!=mp.find(pattern[i])->second) return false;
            }
            else {
                //单方面能映射到,这时都不需要补表了,可直接判定规律不一致
                return false;
            }
        }
        return true;
    }
};

在A B都能映射到对方的情况下,我刚开始想的判断规律的算法是

if(pattern[i] != rmp.find( mp.find(pattern[i])->second )->second  ) 
	return false;

后来这个解法被例子
“aba” "dog cat cat"打败了

leetcode 290. 单词规律(Java版) 题目 https://leetcode-cn.com/problems/word-pattern/ 题解 题目要求 pattern 里的每个字母和字符串 str 中的每个非空单词之间存在着 双向连接 的对应规律,因此,建立两个 hashmap,分别验证正向、反向是否对应即可。 class Solution { public boolean wordPattern(String pattern, String s) { HashMap<Character, String> 阅读详情

相关推荐

力扣题目系列:290. 单词规律

刷题系列博客链接:机试题目 目录 题目及示例 我的题解 题目及示例 给定一种规律 pattern和一个字符串str,判断 str 是否遵循相同的规律。 这里的遵循指完全匹配,例如,pattern里的每个字母和字符串str中的每个非空单词之间存在着双向连接的对应规律。 示例1: 输入: pattern = "abba", str = "dog cat cat dog" 输出: true 示例 2: 输入:pattern = "abba", str = "dog ca...

_天涯__的博客 328

​LeetCode刷题实战290:单词规律

算法的重要性,我就不多说了吧,想去大厂,就必须要经过基础知识和业务逻辑面试+算法面试。所以,为了提高大家的算法能力,这个公众号后续每天带大家做一道算法题,题目就从LeetCode上面选 !...

程序IT圈 191

力扣290. 单词规律(哈希表)

力扣290. 单词规律 题目描述: 给定一种规律 pattern 和一个字符串 str ,判断 str 是否遵循相同的规律。 这里的 遵循 指完全匹配,例如, pattern 里的每个字母和字符串 str 中的每个非空单词之间存在着双向连接的对应规律。 示例1️⃣: 输入: pattern = "abba", str = "dog cat cat dog" 输出: true 示例2️⃣: 输入:pattern = "abba", str = "dog cat cat fish" 输出: false 示例

01解题者~博客 1059

LeetCode第290题_单词规律

本文解析LeetCode 290题"单词规律",通过哈希表映射和双向映射两种方法解决字符串模式匹配问题。文章提供了C#、Python、C++三种实现方案,比较了各语言的性能表现,并分析了常见错误。涉及关键算法点包括字符串处理、哈希表应用和双向映射检查。适合中级算法学习者提升字符串处理能力。

qq_40263592的博客 923

jason-2卫星介绍及其数据下载

两台仪器发射脉冲宽度均为105.6μs,带宽320MHz(C频段)和320/100MHz(Ku频段),脉冲重复频率1800Hz(Ku频段)和300Hz(C频段),功率78W,数据传输速率22.5kbit/s。共发射了3颗卫星(Jason - 1/2/3),星上有效载荷均主要为雷达高度计和微波辐射计。Jason - 1卫星主要有效载荷为波塞冬 - 2和“贾森微波辐射计”,Jason - 2卫星进行了改进,主要携带了波塞冬 - 3和先进微波辐射计,此外,Jason - 2卫星还携带了“多里斯”系统。

beautyaaaa的博客 1605

二叉树随机漫步

元旦快乐! 学习到中本聪bitcoin的文章的calculation部分的时候,出现了binomial random walk,不是很明白什么是random walk。发现这个文章写的很好:https://blog.csdn.net/fireguard/article/details/16111603 随机漫步,也叫随机游走,最早是物理学中做"布朗运动"的微观粒子的运动形态来形成的一个模型,布朗运...

gjq5464的博客 1737

LeetCode题练习与总结:单词规律--290

本文详细解析了如何判断字符串是否遵循特定规律的问题,通过使用哈希表建立字符与单词的双向映射关系,实现了高效的匹配检查,涵盖了Java编程中的多个核心知识点。

一直学习永不止步 1985

PEMFC电化学入门:从电流密度到Tafel公式的实战计算指南

本文详细介绍了PEMFC电化学的基础知识,从电流密度计算到Tafel公式的应用,提供了实战计算指南。通过代码示例和常见问题排查,帮助工程师快速掌握燃料电池性能优化的关键参数,如交换电流密度和活化损失计算,适用于汽车动力和分布式发电等领域。

weixin_29229055的博客 550

【简单】力扣算法题解析LeetCode290:单词规律

字符串模式匹配 判断字符串 s 的单词是否遵循 pattern 的字符规律,要求字符与单词双向一一对应。 思路: 分割 s 为单词数组,校验长度是否匹配 pattern。 维护两个哈希表:字符→单词 和 单词→字符。 遍历时检查: 若字符已映射,需匹配当前单词; 若单词被其他字符映射,返回 false; 否则建立双向映射。 代码亮点: 提前长度校验提升效率

ylumwd的博客 636

基于LSTM的多变量温度预测(python从入门到入坑)

基于LSTM的多变量温度预测(python) ——我保证他能够运行,而且结果能够让你满意(如果你和我一样都是一个新手的话) 这里写目录标题基于LSTM的多变量温度预测(python)——我保证他能够运行,而且结果能够让你满意(如果你和我一样都是一个新手的话)一、我为什么要写这些?二、具体做了什么?三、源代码切块加注释,恳请批评指正(●’◡’●)ノ 一、我为什么要写这些? 因为让人抓狂的课程大作业,我小组选择了一个多变量预测方面的课题,在我这个大三基本上还没接触过Python数据处理,甚至对神经网络什么的都

代码之狐的博客 1万+

零基础学GPU KMD--8. 内存管理:GPU 显存与系统内存的协同​8.1 显存分配策略:GEM / TTM 原理

支持 VRAM、GTT(Graphics Translation Table)、SYSTEM 内存的动态迁移与缓存管理。:若缓冲区在 SYSTEM,TTM 分配 GTT 条目并建立页表映射,使 GPU 可直接访问。:系统内存中预留给 GPU 直接访问的区域,通过 GPU 的 MMU 做地址翻译。你需要我继续展开这一部分吗?​ 为复杂离散 GPU 设计,应对大容量 VRAM、多内存域、显存迁移等问题。:重量级、功能全,适合大容量、多内存域的离散 GPU,强调显存迁移与统一管理。

amy_mhd的博客 185

力扣解题-290. 单词规律

双向哈希表法:逻辑直观,清晰体现“一一对应”约束,适合新手理解核心原理;首次位置映射法:减少Map比对开销,内存效率更高,是平衡性能和可读性的优选;纯数组优化版:极致性能,无字符串equals操作,适合大数据量场景;无分割优化版:减少内存开销,避免生成单词数组,适合超长字符串场景;关键技巧:前置校验(长度一致)是必做步骤,可快速过滤无效用例;字符类映射优先用数组(ASCII范围)替代HashMap,提升性能;

qq_38261626的博客 1060

17、非线性动力学特征在情感语音与食管语音分析中的应用

本文探讨了非线性动力学特征在情感语音与食管语音分析中的应用。在情感语音识别中,选取Hurst指数、相关维数和Lempel-Ziv复杂度等混沌特征结合统计量,通过神经网络实现了中性、恐惧和愤怒情感的高效分类,全局成功率高达93.78%。在食管语音分析中,针对其缺乏明显周期性的问题,提出基于改进自相关方法的基频测量流程,包括包络计算、平滑与峰值细化,并对基频的物理意义提出思考。研究展示了两类语音在特征表现与技术方法上的差异,展望了其在客服、安全、医疗康复等领域的应用前景,并指出了未来在特征拓展、算法优化和发声机

sunny的博客 71

LeetCode第 290 题:单词规律(C++)

290. 单词规律 - 力扣(LeetCode) 和这题类似:LeetCode第 205 题:同构字符串(C++)_zj-优快云博客 先来个哈希表的把: class Solution { public: bool wordPattern(string pattern, string str) { int n = pattern.size(); unordered_map<int, string> m; vector<string&g

zj 484

ATT MTU 交换机制:提升 BLE 数据传输效率的关键

在低功耗蓝牙(BLE)技术的面试中,ATT MTU 交换机制始终是高频考点。无论是芯片厂商的固件开发岗,还是物联网设备的协议栈调试岗,面试官都爱通过这个知识点考察候选人对 BLE 数据传输底层逻辑的理解。本文将系统梳理核心考点,结合历年真题详解应答思路,轻松应对这类问题。​

byte轻骑兵的技术小窝 2411

STM32 MCU解除读保护的方法及STM32CubeProgrammer的应用

下面是一个简单的源代码示例,演示如何在STM32CubeProgrammer中使用命令行界面(Command-Line Interface,CLI)来解除STM32 MCU的读保护。通过按照这些步骤操作,您可以成功解除STM32 MCU的读保护,并在需要的时候进行调试、烧录或修改固件。模块调用了STM32CubeProgrammer的命令行界面(CLI),并传递了相应的参数来解除STM32 MCU的读保护。请注意,在进行任何与读保护相关的操作之前,请确保您拥有合法的授权和权利,以避免潜在的安全风险。

ZwcCsharp的博客 3548

290. 单词规律【 力扣(LeetCode) 】

给定一种规律 pattern 和一个字符串 s ,判断 s 是否遵循相同的规律。这里的 遵循 指完全匹配,例如, pattern 里的每个字母和字符串 s 中的每个非空单词之间存在着双向连接的对应规律。

yyh520025的博客 884

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

力扣 LeetCode 290. 单词规律

先把str以空格分开,存入s中,再利用哈希表m,把每个pattern中的字母pattern[i]作为序号,s[i]作为其中的值,进行遍历,如果pattern[i]中有值但是不为s[i]说明此时不遵循规律。此外要注意pattern的长度要与s长度相同, class Solution { public: void split(const string& s,vector<string>& sv,const char flag = ' ') { sv.clear();.

weixin_43304992的博客 425

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

LeetCode第291题_单词规律II

LeetCode 291题解析摘要 题目要求判断字符串str是否遵循给定pattern的规律,其中str可以任意分割。本文提供了回溯算法和哈希表两种解决方案。 关键点: 使用哈希表记录字符与子串的映射关系 回溯算法尝试所有可能的分割方式 需要同时检查字符映射和子串是否已被使用 代码实现特点: C#/Python/C++三语言实现 递归回溯框架 时间复杂度最坏O(n^m),空间复杂度O(m) 适用场景: 字符串模式匹配、回溯算法练习

qq_40263592的博客 1970

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

leetcode题:290. 单词规律(简单)

一、题目描述:290. 单词规律(简单) 给定一种规律 pattern和一个字符串str,判断 str 是否遵循相同的规律。 这里的遵循指完全匹配,例如,pattern里的每个字母和字符串str中的每个非空单词之间存在着双向连接的对应规律。 示例1: 输入: pattern = "abba", str = "dog cat cat dog" 输出: true 示例 2:...

tankpanv的博客 586

力扣290-单词规律(Java详细题解)

力扣每日一题,第290题单词规律java版详细题解

ItDaChuang的博客 448

LeetCode 290. 单词规律:同构字符串思路迁移,轻松破解映射难题

本文解析了LeetCode 290题「单词规律」与205题「同构字符串」的关联性,指出两者核心逻辑相同,只需将字符映射改为字符与单词的映射。文章详细拆解了题目规则,包括映射唯一性、反向唯一性和长度匹配性三个核心要求,并通过示例说明解题思路。原代码直接复用同构字符串的双向映射校验方法,使用两个Map分别维护字符到单词和单词到字符的映射关系。优化方案提出用固定长度数组替代其中一个Map,将空间复杂度优化至O(1),同时保持代码可读性。最后给出了极致优化版本,用对象替代Map进一步提升执行效率。全文强调掌握一类题

2401_86788218的博客 1066

【C语言刷LeetCode】290. 单词规律(E)

【 给定一种规律 pattern和一个字符串str,判断 str 是否遵循相同的规律。 这里的遵循指完全匹配,例如,pattern里的每个字母和字符串str中的每个非空单词之间存在着双向连接的对应规律。 示例1: 输入: pattern = "abba", str = "dog cat cat dog" 输出: true 示例 2: 输入:pattern = "abba...

kinbo88的专栏 864

LeetCode 290 单词规律

LeetCode 290 单词规律 题目链接 给定一种规律 pattern 和一个字符串 str ,判断 str 是否遵循相同的规律。 这里的 遵循 指完全匹配,例如, pattern 里的每个字母和字符串 str 中的每个非空单词之间存在着双向连接的对应规律。 示例1: 输入: pattern = "abba", str = "dog cat cat dog" 输出: true 示例 2: 输入:pattern = "abba", str = "dog cat cat fish" 输出: false

旺崽的博客 5397

Leetcode 290. 单词规律 C++

Leetcode 290. 单词规律 题目 给定一种规律 pattern 和一个字符串 str ,判断 str 是否遵循相同的规律。 这里的 遵循 指完全匹配,例如, pattern 里的每个字母和字符串 str 中的每个非空单词之间存在着双向连接的对应规律。 测试样例 示例1: 输入: pattern = "abba", str = "dog cat cat dog" 输出: true 示例 2: 输入:pattern = "abba", str = "dog cat cat fish" 输出: fal

weixin_43750513的博客 300

力扣 290.单词模式 题解

力扣 290.单词模式 题解 题目 290.给定一种 pattern(模式) 和一个字符串 str ,判断 str 是否遵循相同的模式。 这里的遵循指完全匹配,例如, pattern 里的每个字母和字符串 str 中的每个非空单词之间存在着双向连接的对应模式。 链接:(https://leetcode-cn.com/problems/word-pattern/). 题解:由于题目是要完全匹配,可以...

qinglengguyu的博客 378
上一篇: LeetCode力扣刷题:345.反转字符串中的元音字母
下一篇: 中序遍历二叉树
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值