Repeated DNA Sequences 重复的DNA序列-优快云博客

所有 DNA 由一系列缩写为 A，C，G 和 T 的核苷酸组成，例如：“ACGAATTCCG”。在研究 DNA 时，识别 DNA 中的重复序列有时会对研究非常有帮助。

编写一个函数来查找 DNA 分子中所有出现超多一次的10个字母长的序列（子串）。

示例:

输入: s = "AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT"

输出: ["AAAAACCCCC", "CCCCCAAAAA"]

思路：这道题用滑动窗口的做法就可以，但是为了节省空间，我们可以把扫描的字符串转化成二进制数字，刚好也对应了本题的tag，具体做法为（参考网上的思路），由于A，C，T，G四个字母写成ASCLL码以后的后三位不同：

A: 0100 0001　　C: 0100 0011　　G: 0100 0111　　T: 0101 0100

所以通过一个过滤器只保留后三位就可以区别四个字母，总体思路还是滑动窗口的方法，一共10个字符，先读入9个字符（每个字符3位二进制，我们一共需要30位字符的数组来存储），然后每次和过滤器mask（0x7ffffff，一共27个1）做与操作，保留右27位数字，左移3位，右边空余的3位用新进来的数字填充。最后在hashmap中寻找对应字符串出现次数大于1的即可。

参考代码：

class Solution {
public:
    vector<string> findRepeatedDnaSequences(string s) {
	vector<string> res;
	if (s.size() <= 10) return res;
	unordered_map<int, int> hash_map;
	int cur = 0, i = 0,mask=0x7ffffff;
	while (i < 9) {
		cur = (cur << 3) | (s[i++] & 7);
	}
	while (i < s.size()) {
		cur = ((cur&mask) << 3) | (s[i++] & 7);
		if (hash_map.find(cur) != hash_map.end()) {
			if (hash_map[cur] == 1) res.push_back(s.substr(i - 10, 10));
			hash_map[cur]++;
		}
		else {
			hash_map[cur] = 1;
		}
	}
	return res;     
    }
};