[leetcode] Anagrams

本文介绍了一种通过排序和哈希映射来解决Anagrams问题的有效算法。该算法使用unordered_map来存储已排序的字符串及其原始位置,以便找出所有互为Anagrams的字符串组。此外,还提供了一种优化方案,利用字符计数代替排序,提高处理效率。

Anagrams

Given an array of strings, return all groups of strings that are anagrams.

Note: All inputs will be in lower-case.

思路:

什么是anagrams?傻逼了,百度吧。一百度全是别人的方法,看到了有map存在,正是这个提示导致此题并没有用很长的时间。

方法很简单,将vector中的每个string先排序,然后在map中寻找是否已经有排序后的string,如果有则说明找到了一个anagrams,如果没有则把排序后的string作为key存在map中,对应的value就是它在vector中的序号,方便以后的比较。有一个难点就是如果找到了一个anagrams,不仅需要把存储本次的string,还需要存储一次key对应的value在排序前的string。

有两种方法,一种是如果在map中第一次找到,就把value在排序前的string存下来,同时使得这个value为负数。这样,只需要判断key对应的value是否大于等于0,如果小于0说明之前已经存储过排序前的value。还有一种方法更直观,直接开个数组flag,如果map中的元素找到了,就将flag对应下标的元素+1,表明这一组anagram出现了多少次。这样在如果flag的某个下标大于0,就在容器中对应的位置插入排序之前的元素即可。第二种方法比较复杂,所以用的第一种方法实现的。

最终的方案将Eason Liu中的map改成了unordered_map,AC之后发现和他的方法完全一样。这就是提前看到答案的不好之处,哪怕是一丁点信息。

题解:

class Solution {
public:
    vector<string> anagrams(vector<string> &strs) {
        vector<string> res;
        string str;
        unordered_map<string, int> map;
        for(int i=0;i<strs.size();i++) {
            str = strs[i];
            sort(str.begin(), str.end());
            if(map.find(str)==map.end())
                map[str] = i;
            else {
                res.push_back(strs[i]);
                if(map[str]>=0) {
                    res.push_back(strs[map[str]]);
                    map[str] = -1;
                }
            }
        }
        return res;
    }
};
View Code

后话:

似乎还有一种更高大上的方法,其他的一样,只是map比较的Key变了,这种思路个人觉得很好,将出现的字符串变成26个字母出现的次数,可以有效避免标点符号和过长的string。详见此处例题1

转载于:https://www.cnblogs.com/jiasaidongqi/p/4273325.html

多源数据接入 支持校园各业务系统数据接入:包括教务系统(学生成绩、课程信息)、学工系统(奖惩记录、资助信息)、后勤系统(宿舍分配、能耗数据)、图书馆系统(借阅记录、馆藏信息)、一卡通系统(消费数据、门禁记录)等。 接入方式:提供数据库直连(MySQL、SQL Server)、文件导入(CSV、Excel、JSON)、API 接口调用等多种方式,支持实时同步与定时批量同步。 数据标准化与治理 建立校园数据标准体系:统一数据格式(如日期格式、学号编码规则)、定义核心数据元(如 “学生” 包含学号、姓名、专业等必选字段)、规范代码集(如性别代码 “1 - 男,2 - 女”)。 数据清洗:自动检测并处理缺失值、重复值、异常值(如成绩 > 100 分),通过规则引擎实现数据校验(如 “学生年龄需在 16-30 岁之间”)。 元数据管理:记录数据来源、格式、更新频率、负责人等信息,生成数据血缘图谱,追踪数据从产生到应用的全生命周期。 二、数据共享与交换核心功能 分布式数据存储 基于 Hadoop HDFS 实现海量数据存储:结构化数据(成绩、消费记录)存入 HBase,非结构化数据(文档、图片、视频)直接存储于 HDFS,日志类数据通过 Flume 采集至 HDFS。 支持数据分片与副本机制,确保数据高可用(默认 3 副本存储),满足校园 PB 级数据存储需求。 数据交换引擎 构建点对点数据交换通道:各部门系统可通过交换引擎向平台上传数据或申请获取授权数据,支持同步 / 异步交换模式。 交换流程管理:定义数据交换规则(如 “学工系统每日向平台同步新增学生信息”),记录交换日志(成功 / 失败状态、数据量),失败时自动重试。 数据脱敏:对敏感数据(如身份证号、银行卡号)在交换过程中进行脱敏处理(如显示 “110********5678”),兼顾共享与隐私保护。
用户信息管理 支持用户注册(手机号 / 社交账号登录)、个人信息完善(如年龄、性别、饮食禁忌、偏好菜系等)。 记录用户行为数据:浏览历史、收藏 / 点赞美食、评分记录(1-5 星)、消费记录(如外卖订单、到店消费)、搜索关键词等。 美食数据管理 存储美食基础信息:名称、分类(中餐 / 西餐 / 日料等)、子类别(川菜 / 粤菜 / 汉堡等)、食材、口味标签(辣 / 甜 / 清淡等)、价格区间、商家信息(名称、地址、评分)、图片等。 支持商家入驻与信息更新,管理员审核美食数据合规性(如食材描述真实性)。 二、协同过滤推荐核心功能 基于用户的协同过滤(User-based CF) 计算用户相似度:通过用户对美食的评分、浏览记录等行为,使用余弦相似度 / 皮尔逊相关系数识别 “相似用户群体”(如用户 A 和用户 B 对 80% 的川菜评分一致)。 生成推荐:向目标用户推送 “相似用户喜欢但目标用户未体验过” 的美食(如相似用户高分推荐的新川菜馆)。 基于物品的协同过滤(Item-based CF) 计算美食相似度:分析用户对不同美食的共同评分 / 点击行为,挖掘美食间的关联(如 “点过麻婆豆腐的用户中有 70% 也点过回锅肉”)。 生成推荐:为用户推送 “与已喜欢美食相似” 的菜品(如用户刚收藏了水煮鱼,推荐酸菜鱼、毛血旺)。 混合推荐策略 结合两种协同过滤算法结果,根据场景动态调整权重(如冷启动用户优先基于物品的推荐,活跃用户侧重基于用户的推荐)。 融合用户显式偏好(如标注 “不吃辣”)过滤推荐结果,避免无效推荐。 三、用户交互与推荐展示 个性化推荐页 首页展示 “为你推荐” 列表,按推荐优先级排序,显示美食图片、名称、匹配度(如 “98% 的相似用户喜欢”)、用户评分、距离(适用于到店推荐)等。 支持按场景筛选推荐(如 “午餐推荐”“周末聚餐推荐”“性价比推荐”)。
评论
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