前缀和&差分

原创于 2024-12-06 10:53:12 发布 · 929 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#算法

算法专栏收录该内容

14 篇文章

订阅专栏

1. 前缀和

前缀和可以简单理解为「数列的前 n 项的和」，是一种重要的预处理方式，能大大降低查询的时间复杂度。

二维/多维前缀和：

常见的多维前缀和的求解方法有两种。

基于容斥原理：
这种方法多用于二维前缀和的情形。给定大小为 $m\times n$ 的二维数组 A，要求出其前缀和 S。那么，S 同样是大小为 $m\times n$ 的二维数组，且

$S_{i,j} = \sum_{i'\le i}\sum_{j'\le j}A_{i',j'}$

类比一维的情形， $S_{i,j}$ 应该可以基于 $S_{i-1,j}$ 或 $S_{i,j-1}$ 计算，从而避免重复计算前面若干项的和。但是，如果直接将 $S_{i-1,j}$ 和 $S_{i,j-1}$ 相加，再加上 $A_{i,j}$ ，会导致重复计算 $S_{i-1,j-1}$ 这一重叠部分的前缀和，所以还需要再将这部分减掉。这就是容斥原理。由此得到如下递推关系：

在这里插入图片描述

实现时，直接遍历 $(i, j)$ 求和即可。

在这里插入图片描述
同样的道理，在已经预处理出二位前缀和后，要查询左上角为 $i_1,j_1)$ 、右下角为 $i_2,j_2)$ 的子矩阵的和，可以计算

这可以在 O(1) 时间内完成。

在二维的情形，以上算法的时间复杂度可以简单认为是 O(mn)，即与给定数组的大小成线性关系。但是，当维度 k 增大时，由于容斥原理涉及的项数以指数级的速度增长，时间复杂度会成为 $O(2^kN)$ ，这里 $k$ 是数组维度，而 $N$ 是给定数组大小。因此，该算法不再适用。

逐维前缀和：

对于一般的情形，给定 $k$ 维数组 $A$ ，大小为 $N$ ，同样要求得其前缀和 $S$ 。这里，

在这里插入图片描述
从上式可以看出， $k$ 维前缀和就等于 $k$ 次求和。所以，一个显然的算法是，每次只考虑一个维度，固定所有其它维度，然后求若干个一维前缀和，这样对所有 $k$ 个维度分别求和之后，得到的就是 $k$ 维前缀和。

三维前缀和的参考实现：

N1, N2, N3 = map(int,input().split())

a = [[[0 for _ in range(N3+1)] for _ in range(N2+1)] for _ in range(N1+1)]

for i in range(1, N1+1):
    for j in range(1, N2+1):
        for k in range(1, N3+1):
            a[i][j][k] = int(input())

ps = [list(map(list, x)) for x in a]

for i in range(1, N1+1):
    for j in range(1, N2+1):
        for k in range(1, N3+1):
            ps[i][j][k] += ps[i][j][k-1]

for i in range(1, N1+1):
    for j in range(1, N2+1):
        for k in range(1, N3+1):
            ps[i][j][k] += ps[i][j-1][k]

for i in range(1, N1+1):
    for j in range(1, N2+1):
        for k in range(1, N3+1):
            ps[i][j][k] += ps[i-1][j][k]

for i in range(1, N1+1):
    for j in range(1, N2+1):
        for k in range(1, N3+1):
            print(ps[i][j][k], end=' ')
        print()
    print()

2. 差分

一维差分：

差分思想和前缀和是相反的。

首先我们先定义数组a, 其中a[1], a[2] … a[n]作为前缀和。

然后构造数组b，b[1], b[2] … b[n]为差分数组。其中通过差分数组的前缀和来表示a数组，即a[n] = b[1] + b[2]+…+b[n]。

一维差分数组的构造也很简单，即a[1] = b[1], b[2] = a[2] - a[1], b[n] = a[n] - a[n-1]；

在做初始化的时候现将a，b全部初始化为0，然后可以按照下面的方式流式进行：

//eg:对于b[1]:
b[1] = 0 + a[1]
b[2] = 0 - a[1] 	# 最终：b[1] = a[1]
//对于b[2]:
b[2] = b[2] + a[2]  # ==> 最终：b[2] = a[2] - a[1]
b[3] = b[3] - a[2]

差分数组的好处是可以简化运算，例如想要给一个区间 [l,r] 上的数组加一个常数c，原始的方法是依次加上c，这样的时间复杂度是O(n)的。但是如果采用差分数组的话，可以大大降低时间复杂度到O(1)。

由于a[n] = b[1] + b[2]+…+b[n]，因此只需要将b[l] = b[l] + c 即可，这样l之后的数字会依次加上常数c，而在 b[r]处，将b[r+1] = b[r+1] - c ，这样r之后的数组又会恢复原值，仅需要处理这两个边界的差分数组即可，时间复杂度大大降低。

在这里插入图片描述

这里不是说真的变成O(1)了，而是说如果多次给一个序列上的某些区间上的数组加一个常数，可以先在这个序列的差分数组上先给相应位置l和r+1进行操作，多次操作后再对整个差分数组求前缀和就可以得到结果了。比如给元素组的一些区间加了m次常数，原数组的长度为n，则相比在元素组上操作的时间复杂度为m*n，在它的差分数组上操作的时间复杂度为n。

例题：差分

输入一个长度为 n 的整数序列。

接下来输入 m 个操作，每个操作包含三个整数 l,r,c，表示将序列中 [l,r] 之间的每个数加上 c。

请你输出进行完所有操作后的序列。

输入格式

第一行包含两个整数 n 和 m。

第二行包含 n 个整数，表示整数序列。

接下来 m 行，每行包含三个整数 l，r，c表示一个操作。

输出格式

共一行，包含 n 个整数，表示最终序列。

数据范围

1≤n,m≤100000,
1≤l≤r≤n,
−1000≤c≤1000,
−1000≤整数序列中元素的值≤1000

N = 100010

m,n = 0,0
a = [0]*N
b = [0]*N

def insert(l, r , c):
    b[l] += c
    b[r+1] -= c

n, m = map(int,input().split())
a = list(map(int,input().split()))
for i in range(1, n+1): 
    insert(i, i, a[i-1])

for _ in range(m):
    l, r ,c = map(int,input().split())
    insert(l, r, c)
    
for i in range(1, n+1): 
    b[i] += b[i - 1]

for i in range(1, n+1): 
    print(b[i], end=" ")