581. Shortest Unsorted Continuous Subarray(python+cpp)

本文介绍了一种高效算法,用于找出使整个数组有序所需的最短连续子数组长度。通过对比原数组与排序后的数组,使用双指针技术确定未排序部分的边界。

题目:

Given an integer array, you need to find one continuous subarray that if you only sort this subarray in ascending order, then the whole array will be sorted in ascending order, too.
You need to find the shortest such subarray and output its length.
Example 1:

Input: [2, 6, 4, 8, 10, 9, 15] 
Output: 5 
Explanation: You need to sort [6, 4, 8, 10, 9] in ascending order to make the whole array sorted in ascending order. 

Note:
Then length of the input array is in range [1, 10,000].
The input array may contain duplicates, so ascending order here means <=.

解释:
先把原数组排序以后,双指针诸葛比较即可。
python代码:

class Solution(object):
    def findUnsortedSubarray(self, nums):
        """
        :type nums: List[int]
        :rtype: int
        """
        sorted_nums=sorted(nums)
        if sorted_nums==nums:
            return 0  
        left=0
        n=len(nums)
        right=n-1
        while left<n and nums[left]==sorted_nums[left]:
            left+=1
        while right>=0 and nums[right]==sorted_nums[right]:
            right-=1
        return right-left+1

c++代码:

class Solution {
public:
    int findUnsortedSubarray(vector<int>& nums) {
        vector<int>sorted_nums(nums);
        sort(sorted_nums.begin(),sorted_nums.end());
        if (sorted_nums==nums)
            return 0;
        int n=nums.size();
        int left=0,right=n-1;
        while (left<n && sorted_nums[left]==nums[left])
            left++;
        while(right>=0 && sorted_nums[right]==nums[right])
            right--;
        return right-left+1;
    }
};

总结:

<think>我们正在讨论的是networkx中的最短路径函数nx.shortest_path的用法。根据用户提供的引用内容,我们可以总结如下: 引用[1]指出:shortest_path函数用于寻找最短路径,shortest_path_length用于求最短路径长度。函数调用形式为: shortest_path(G, source=None, target=None, weight=None) shortest_path_length(G, source=None, target=None, weight=None) 引用[2]说明:当图中两个节点间存在多条边时,使用nx.shortest_path(G, source, target, weight='length')会根据指定的权重(例如'length')找到源节点和目标节点之间权重最小的路径。 引用[3]展示了使用nx.all_pairs_shortest_path_length计算全图最短路径长度的例子,不过这个函数是计算所有节点对之间的最短路径长度。 用户现在想了解nx.shortest_path函数的用法解释。 因此,我们需要详细解释nx.shortest_path函数的参数、行为以及使用示例。 函数签名: nx.shortest_path(G, source=None, target=None, weight=None, method='dijkstra') 参数说明: - G:NetworkX图 - source:源节点,如果未指定,则返回所有节点对的最短路径(以字典形式) - target:目标节点,如果未指定,则返回从源节点到所有其他节点的最短路径(以字典形式) - weight:边权重的属性名。默认None,表示所有边权重为1(即按边数计算最短路径)。指定该参数则使用边权重。 - method:算法选择。默认是'dijkstra',对于无权图可以使用'bfs'(广度优先搜索),对于带权图还可以使用'bellman-ford'。注意,如果权重为负,只能使用'bellman-ford'。 返回值: - 如果指定了source和target,则返回从source到target的最短路径(节点列表)。 - 如果只指定了source,则返回一个字典,键为目标节点,值为从source到该目标节点的最短路径(节点列表)。 - 如果只指定了target(但通常需要同时指定source和target,或者都不指定,或者只指定source),实际上当target不指定时,返回的是以source为起点的所有最短路径。如果source和target都不指定,则返回所有节点对的最短路径(以字典的字典形式:{source: {target: 路径列表}})。 注意:当图中存在多条最短路径时,该函数默认只返回其中一条(具体哪条取决于算法实现,通常是最先找到的一条)。 我们还可以通过示例来展示其用法。 示例1:计算两个节点之间的最短路径(无权图) ```python import networkx as nx # 创建图 G = nx.Graph() G.add_edges_from([(1,2), (1,3), (2,4), (3,4), (4,5)]) # 计算节点1到节点5的最短路径 path = nx.shortest_path(G, source=1, target=5) print(path) # 输出: [1, 2, 4, 5] 或 [1,3,4,5] 取决于哪条先被找到(实际上nx.shortest_path在无权图中使用bfs,返回的顺序可能取决于节点邻居的顺序) ``` 示例2:计算两个节点之间的最短路径(带权图) ```python import networkx as nx # 创建带权图 G = nx.Graph() G.add_weighted_edges_from([(1,2,2.0), (1,3,1.5), (2,4,1.0), (3,4,3.0), (4,5,0.5)]) # 计算节点1到节点5的最短路径(按权重) path = nx.shortest_path(G, source=1, target=5, weight='weight') print(path) # 输出: [1, 2, 4, 5] 因为这条路径的总权重为2+1+0.5=3.5,而另一条路径1-3-4-5的权重是1.5+3+0.5=5.0,所以选择第一条 ``` 示例3:获取从单个源节点到所有节点的最短路径 ```python import networkx as nx G = nx.Graph() G.add_edges_from([(1,2), (1,3), (2,4), (4,5)]) # 以节点1为源节点 paths = nx.shortest_path(G, source=1) # paths是一个字典,键是目标节点,值是从1到该节点的最短路径列表 print(paths) # 输出可能类似于:{1: [1], 2: [1,2], 3: [1,3], 4: [1,2,4], 5: [1,2,4,5]} ``` 示例4:获取所有节点对之间的最短路径 ```python import networkx as nx G = nx.Graph() G.add_edges_from([(1,2), (1,3), (2,4), (4,5)]) all_pairs = nx.shortest_path(G) # 不指定source和target # all_pairs是一个字典,键是源节点,值是一个字典(键为目标节点,值为路径列表) print(all_pairs[1][5]) # 输出节点1到节点5的路径:[1,2,4,5] ``` 注意事项: 1. 如果图中存在负权边,必须指定method='bellman-ford',并且确保没有负权环(否则会报错)。 2. 如果两个节点之间不可达,则会抛出NetworkXNoPath异常(当指定了source和target时)或者在不指定target时返回的字典中不包含该目标节点(或包含但路径为空?实际上不可达的节点不会出现在返回的字典中,因为根本找不到路径)。 引用[2]中提到了当两个节点间有多条边时,会按照指定的权重属性选择最小权重的边。实际上,在NetworkX中,两个节点之间只能有多条边(即MultiGraph)的情况下,shortest_path函数默认会使用任意一条边?但注意,在MultiGraph中,当指定权重时,算法会取两个节点之间所有边中权重最小的那条边的权重作为这两个节点之间的边权重。如果不指定权重,则每条边的权重为1,那么两个节点之间无论有几条边,都相当于一条边(因为边数还是1,即按一条边计算)。具体行为可以查看文档,但一般情况下,我们使用简单图(Graph)即可。 根据引用[2]的解释,当指定权重时,它会根据权重找到最小权重的路径。在MultiGraph中,两个节点之间的多条边会被视为一条边,其权重为所有边中权重的最小值?还是可以累积?实际上,在最短路径计算中,两个节点之间即使有多条边,我们也只关心最小权重的那条边,因为我们要求的是路径上所有边的权重之和最小。因此,在MultiGraph中,两个节点之间有多条边时,算法会自动使用权重最小的那条边来计算(前提是权重属性存在且指定了weight参数)。 因此,我们可以总结: - 在简单图中,两个节点之间最多一条边(无向图)或两条边(有向图,方向相反),所以直接使用。 - 在多重图中,使用最短路径算法时,两个节点之间的边权重取所有边中权重最小的那条(等效于在两个节点间只保留权重最小的那条边)。 最后,我们列出相关问题。 </think>### `nx.shortest_path` 函数详解 `nx.shortest_path()` 是 NetworkX 中用于计算图中节点间最短路径的核心函数,支持多种算法和场景。以下基于引用内容详细解释其用法: --- #### 1. **基本语法与参数说明** ```python path = nx.shortest_path(G, source=None, target=None, weight=None, method='dijkstra') ``` 参数解析: - **`G`**:NetworkX 图对象(支持 `Graph`, `DiGraph`, `MultiGraph` 等) - **`source`**:路径起点节点(默认为 `None`,计算全局路径) - **`target`**:路径终点节点(默认为 `None`,计算起点到所有节点的路径) - **`weight`**:边权重属性名(默认为 `None` 表示无权图,使用权重要指定属性名如 `'length'`[^2]) - **`method`**:算法选择(默认 `'dijkstra'`,其他选项包括 `'bellman-ford'`, `'bfs'` 等) 返回值: - 若指定 `source` 和 `target`:返回节点列表表示的路径(如 `[1, 2, 4, 5]`) - 若仅指定 `source`:返回字典 `{target: 路径列表}` - 若未指定起点/终点:返回嵌套字典 `{source: {target: 路径列表}}` --- #### 2. **典型使用场景** ##### (1) 两点间最短路径(引用[^1]) ```python # 计算节点1到节点5的最短路径(无权图) path = nx.shortest_path(G, source=1, target=5) # 输出可能为: [1, 2, 4, 5] # 带权图(使用边属性'length'作为权重) weighted_path = nx.shortest_path(G, source=1, target=5, weight='length') ``` ##### (2) 单源最短路径(起点到所有节点) ```python # 计算节点1到所有可达节点的最短路径 paths_from_1 = nx.shortest_path(G, source=1) # 输出: {2: [1,2], 3: [1,3], 4: [1,2,4], 5: [1,2,4,5]} ``` ##### (3) 全局最短路径(引用[^3]) ```python # 计算所有节点对之间的最短路径 all_pairs_paths = nx.shortest_path(G) # 输出: {1: {2: [1,2], 3: [1,3], ...}, 2: {1: [2,1], 4: [2,4], ...}} ``` --- #### 3. **多重边处理机制(引用[^2])** 当节点间存在多条边时: 1. 若未指定 `weight`,默认选择**边数最少**的路径(即最少跳数) 2. 若指定 `weight`,选择**权重总和最小**的路径 ```python # 图中(2,4)有两条边:权重分别为3和7 nx.shortest_path(G, source=1, target=4, weight='weight') # 自动选择权重更小的路径:可能为[1,2,4],而非[1,5,6,4] ``` --- #### 4. **算法选择指南** | **算法** (`method`) | **适用场景** | **时间复杂度** | |----------------------|----------------------------------|------------------------| | `'dijkstra'` (默认) | 非负权重图 | $O(|E| + |V|\log|V|)$ | | `'bellman-ford'` | 含负权重的图(需无负权环) | $O(|V||E|)$ | | `'bfs'` | 无权图(等效于 Dijkstra 无权特例)| $O(|V|+|E|)$ | --- #### 5. **关联函数对比** | **函数** | **返回内容** | **典型应用** | |-----------------------------------|----------------------------|-------------------------------| | `nx.shortest_path()` | 完整节点路径序列 | 路径可视化/节点遍历 | | `nx.shortest_path_length()`[^1] | 路径长度(跳数或权重和) | 路径成本分析 | | `nx.all_pairs_shortest_path_length()`[^3] | 全局路径长度字典 | 网络平均最短路径计算 | --- #### 6. **完整示例:带权最短路径** ```python import networkx as nx # 创建带权图 G = nx.Graph() G.add_weighted_edges_from([(1,2,2), (2,3,1), (5,6,2), (1,5,3), (2,4,7)]) # 计算节点1->4的最短路径(按权重) path = nx.shortest_path(G, source=1, target=4, weight='weight') print("最短路径节点序列:", path) # 输出: [1, 2, 4] 或 [1,5,6,4](取决于权重) # 计算路径总权重 path_length = nx.shortest_path_length(G, source=1, target=4, weight='weight') print("路径总权重:", path_length) # 输出: 2+7=9 或 3+2+? ```
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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