Repeated DNA Sequences

View Code

hash table plus bit manipulation method

（view the Show Tags and Runtime 10ms !）

算法分析

首先考虑将ACGT进行二进制编码

A -> 00

C -> 01

G -> 10

T -> 11

在编码的情况下，每10位字符串的组合即为一个数字，且10位的字符串有20位；一般来说int有4个字节，32位，即可以用于对应一个10位的字符串。例如

ACGTACGTAC -> 00011011000110110001

AAAAAAAAAA -> 00000000000000000000

20位的二进制数，至多有2^20种组合，因此hash table的大小为2^20，即1024 * 1024，将hash table设计为bool hashTable[1024 * 1024];

遍历字符串的设计

每次向右移动1位字符，相当于字符串对应的int值左移2位，再将其最低2位置为新的字符的编码值，最后将高2位置0。例如

src CAAAAAAAAAC

subStr CAAAAAAAAA

int 0100000000

subStr AAAAAAAAAC

int 0000000001

时间复杂度

字符串遍历O(n)，hash tableO(1)；总时间复杂度O(n)

public class Solution {
    public List<String> findRepeatedDnaSequences(String s) {
        List<String> result = new ArrayList<String>();
        if(s == null || s.length() < 10) return result;
        HashMap<Integer, Integer> map = new HashMap<Integer, Integer>();
        Integer val = 0;
        for(int i = 0; i < 10; i ++){
            val = val << 2;
            val |= toInt(s.charAt(i));
        }
        map.put(val, 1);
        for(int i = 10; i < s.length(); i ++){
            val = ((val & 0x3ffff) << 2) | toInt(s.charAt(i));
            if(map.containsKey(val)) map.put(val, map.get(val) + 1);
            else map.put(val, 1);
        }
        for(Integer v : map.keySet())
            if(map.get(v) > 1) result.add(toDNA(v));
        return result;
    }
    
    private Integer toInt(char c){
        if(c == 'A') return 0;
        else if(c == 'C') return 1;
        else if(c== 'G') return 2;
        else return 3;//T
    }
    
    private String toDNA(Integer i){
        StringBuilder sb = new StringBuilder();
        for(int j = 0; j < 10; j ++){
            int tmp = i % 4;
            i = i / 4;
            char c = 'T';
            if(tmp == 0) c = 'A';
            else if(tmp == 1) c = 'C';
            else if(tmp == 2) c ='G';
            sb.insert(0, c);
        }
        return sb.toString();
    }
}