LeeCode 解题报告:2097. Valid Arrangement of Pairs-优快云博客

本文链接：https://blog.youkuaiyun.com/liuhui244/article/details/144163567

零：为什么要写这个blog

这题是一个hard的题目，这题我自己的算法复杂度是很吓人的，因为涉及到遍历，我使用的DFS深度优先搜索算法，然后我的depth和node相关，原文要求100000个node,我的DFS在600个节点的时候已经Time out了，我的具体做法大家可以看我的问题初探

但是这个题目的正解也是dfs，但是复杂度居然是O(E)的，我觉得里面有一个非常牛而且很巧妙的思考，所以我写下了这个blog

注意：这个算法的核心是Hierholzer算法，如果你已经非常了解，可以跳过这个blog，如果你也跟我一样刚刚接触，我有一个自己对于这个算法逻辑的总结，大家可以一起讨论下

一、题目分析

附上原文题目的链接

1. 问题描述

给定一组数对pairs，每个数对[a,b]表示一条从a到b的有向边
要求重新排列这些数对，使得每个数对的第二个数字等于下一个数对的第一个数字
返回任意一个合法的重排序列
注意题目确认了一定存在一个这样的解

2. 问题特点

输入：pairs = [[5,1],[4,5],[11,9],[9,4]]
输出：[[11,9],[9,4],[4,5],[5,1]]

二、解题思路

原文是一个数列的问题，但是既然考虑到前后的逻辑关系，我们将其转变成图论的问题，每一个pair是一条边，对应两个Node。

1. 关键观察

每个数对代表一条有向边
要求找到一条通路，走完所有边恰好一次
符合欧拉通路的特征（欧拉通路：一笔遍历了所有的边）

2.初步思考

每个节点入度是可以到这个点的有向边的数量，出度是从这个节点出去的边的数量，既然题目报保证了是欧拉通路，那么我们可以简单的保证最多只有两个点的出度不等于入度，则很容易找到起点，要么是唯一的起点，要么是一个欧拉环路，可以随便找一个起点

理论上来说，我们可以认为是一个主环带着无数个子环，以及子环的子环，正确的欧拉路径的逻辑是，每次都先走更深层次的子环，但是问题是我们怎么知道一个点的出入边哪个是主的路径，哪个是子的路径
举个例子：节点如下
[[1,2],[2,3],[3,4],[4,1],[3,5],[5,6],[6,7],[7,3]]
显然1是入口，主环是1-2-3-4-1，3-5-6-7-3是子环，正确的路径就是走到3的时候去走567的路径，但是问题是你其实并不知道5和4到底谁是子环

3.算法初探

理论上来说，欧拉可以认为是从任意一个节点拉通的任意一条环，所以我开始了我的算法思路

首先从起点出发，如果有分支那么我们选一个节点加入，然后DFS，如果不可以，则回溯。结果：肉眼可见的超时了
然后经过分析发现超时是因为长度太长，depth有点高，那么我们把没有分支的节点不进行递归，而是直接加入，这里涉及到很多的出度入度的计算和回溯来保证，依然超时了，因为很多节点加入然后回溯依然很耗时
我发现可以把所有的出度和入度为1的节点，全部缩减成一条边，那么大大的减少了回溯的层数，每次把一个节点加入到路径后，我们就遍历当前出度和入度为1的边，然后将他们和start和end合并，然后保存整条路径，依然需要回溯，解决了600的问题，显然无法解决的10w节点的问题
到这个时候，python代码超过200行了，已经我已经很难往下思考了，去看了很多人的解法包括欧拉的一些算法当然涉及到Hierholzer算法，为了给大家一点我感受到的震撼，我直接放这个代码的最核心的代码

4. Hierholzer算法核心

def dfs(node):
    while graph[node]:
        next_node = graph[node].pop()
        dfs(next_node)
    stack.append(node)

node是我们选出来的起点节点，graph放的是这个node的邻接边，如果你初看这个算法也是一个DFS的算法平平无奇，你仔细看：这个DFS是不回溯的，换句话说，这个算的复杂度是O(E)，E是边的数量

如果你已经对Hierholzer算法和熟悉了，那这篇文章你可以跳过了。

5. 算法框架

整体的算法框架和实现

class Solution:
    def validArrangement(self, pairs: List[List[int]]) -> List[List[int]]:
        # 1. 建图
        graph = defaultdict(list)
        in_degree = defaultdict(int)
        out_degree = defaultdict(int)
        
        # 2. 找起点
        for u, v in pairs:
            graph[u].append(v)
            out_degree[u] += 1
            in_degree[v] += 1
        
        start = pairs[0][0]
        for node in graph:
            if out_degree[node] - in_degree[node] == 1:
                start = node
                break
        
        # 3. Hierholzer算法
        stack = []
        def dfs(node):
            while graph[node]:
                next_node = graph[node].pop()
                dfs(next_node)
            stack.append(node)
        
        dfs(start)
        #回溯stack
        stack = stack[::-1]
        
        # 4. 构建结果
        return [[stack[i], stack[i+1]] for i in range(len(stack)-1)]

三、算法详解

如果你对这个算法其实也还有一点疑问，我们可以一起来讨论这个事情。

初看这个算法我是很懵的，我一直在问，凭什么？凭什么我这么努力的做回溯的时候，这个算法就可以直接访问下去了。

这个算法有很多个说法
1：所有的路径都是对的，因为是环
2：所有的路径都会自我调整，因为是环
显然这个依然没法解释我的疑问，如何选择优先选择子环的问题，虽然都是环，怎么保证选到主环在后呢？

然后从某一个角度我想通了这个算法的核心的原理，再发一下代码

def dfs(node):
    while graph[node]:
        next_node = graph[node].pop()
        dfs(next_node)
    stack.append(node)

注意代码逻辑while(只要有边)，就dfs到下一层。
问题来了这个DFS，什么时候会返回？算法的核心逻辑在于：因为dfs的压栈，真正最开始能返回的一定是出口的那条路径（主环）。换句话说：栈头一定是出口，经过最后的反转，出口一定在队尾。

一个反问：凭什么最后的是主环？逻辑就是，因为先走子环最终会回到自己这个节点，而这个时候，主环依然还有路径可以继续往下dfs，就不会执行到while下面的stack.append()操作

这个逻辑进一步展开，还是刚刚的例子：主环是1-2-3-4-1，3-5-6-7-3是子环

DFS,1,2到3的时候，如果是走到5的分支（子环），子环一圈到3，是不会执行stack操作的，因为转了一圈回到3是依然有别的路径可以走的4到1，dfs深度是9，所以压栈的顺序是[1,4,3,7,6,5,3,2,1]。
但是如果在3优先选择了4，必然从end节点1返回到3，此时最大depth深度是5，栈的压栈（返回）路径是[1,4]，但是注意这个时候是不会stack.append()加3，因为3的while还在执行，会走向5，显然dfs顺序5,6,7,3，depth =7，到最后的3的时候，已经没有其他的node可以去访问了，所以会立即返回，注意此时的stack已经是[1,4]了，所以变成[1,4,3,7,6,5]此时返回到3的node的while，4,5都已经访问完毕，开始回溯自己[1,4,3,7,6,5,3,2.1]

但是这么拆开理解是比较散的，我依然用我自己的逻辑去理解：
因为dfs的压栈，真正最开始能返回的一定是出口的那条路径（主环），翻转后就是最后执行的路径
如同我们一开始说的，一切时候先走子环，反过来理解就是：一切时候后走主环