图
200. 岛屿数量¶
给你一个由 '1'（陆地）和 '0'（水）组成的的二维网格，请你计算网格中岛屿的数量。
岛屿总是被水包围，并且每座岛屿只能由水平方向和/或竖直方向上相邻的陆地连接形成。
此外，你可以假设该网格的四条边均被水包围。
class Solution:
def numIslands(self, grid):
m, n = len(grid), len(grid[0])
res = 0
def dfs(l, r):
if l<0 or l>=m or r<0 or r>=n or grid[l][r] != "1":
return
grid[l][r] = "0"
dfs(l-1, r)
dfs(l+1, r)
dfs(l, r-1)
dfs(l, r+1)
for i in range(m):
for j in range(n):
if grid[i][j] == "1":
dfs(i, j)
res += 1
return res
grid = [['1', '1', '0', '0', '0'],
['1', '1', '0', '0', '0'],
['0', '0', '1', '0', '0'],
['0', '0', '0', '1', '1'],]
print(Solution().numIslands(grid))
3
核心思路
该问题本质是 二维网格中的连通分量统计问题（Connected Components）。
每一块由 '1' 组成且通过 上下左右四个方向相连 的区域就是一个岛屿。
基本思想是：
当遍历到一个未访问过的 '1' 时，说明发现了一座新的岛屿。
随后从这个位置出发，通过 DFS 或 BFS 把与它相连的所有 '1' 全部访问并标记，避免重复统计。
整个过程可以理解为：
遍历整个网格
如果当前格子是
'1'：- 岛屿数量
+1 - 从该点开始进行 DFS/BFS
- 将所有相连的
'1'标记为已访问（例如改为'0'）
- 岛屿数量
继续遍历剩余网格
这样，每个岛屿只会被统计一次。
算法流程
遍历
m × n网格中的每一个位置(i, j)若
grid[i][j] == '1'：- 岛屿数量
count += 1 - 启动 DFS / BFS
- 岛屿数量
在搜索过程中：
- 访问当前位置
- 将其标记为
'0' - 向四个方向继续搜索相邻陆地
搜索结束后，该岛屿所有陆地已被标记
最终
count即为岛屿数量
为什么这样做是正确的
因为题目定义：
- 一个岛屿是 上下左右连通的陆地集合
- DFS/BFS 会把该连通块中的所有陆地一次性遍历
因此每发现一个新的 '1'，就等价于发现了一个新的 连通分量。
本题实际上就是在求：
网格图中的连通分量数量。
复杂度分析
设网格大小为 m × n。
时间复杂度：
$$ O(m \times n) $$
原因：
- 每个格子最多被访问一次
- DFS/BFS 过程中不会重复访问已经标记的格子
空间复杂度：
DFS 递归实现：
$$ O(m \times n) $$
最坏情况下（整个网格都是陆地），递归深度可能达到 m × n。
若使用 BFS：
$$ O(\min(m,n)) $$
或最坏 O(m × n)（队列存储整个连通块）。
本题的算法本质
该题属于经典问题：
网格中的连通分量统计
常见同类问题：
- Number of Islands
- Max Area of Island
- Surrounded Regions
- Number of Closed Islands
统一思想：
遍历网格 + DFS/BFS 扩散 + 标记访问状态。
994. 腐烂的橘子¶
在给定的 m x n 网格 grid 中，每个单元格可以有以下三个值之一：
值 0 代表空单元格；
值 1 代表新鲜橘子；
值 2 代表腐烂的橘子。
每分钟，腐烂的橘子 周围 4 个方向上相邻 的新鲜橘子都会腐烂。
返回 直到单元格中没有新鲜橘子为止所必须经过的最小分钟数。如果不可能，返回 -1 。
from collections import deque
class Solution:
def orangesRotting(self, grid):
m, n = len(grid), len(grid[0])
funan_queue = deque()
fresh = 0
for i in range(m):
for j in range(n):
if grid[i][j] == 1:
fresh += 1
elif grid[i][j] == 2:
funan_queue.append((i, j))
if fresh == 0:
return 0
minutes = 0
expand = [(1, 0), (-1, 0), (0, 1), (0, -1)]
while funan_queue:
size = len(funan_queue)
valid = False
for _ in range(size):
x, y = funan_queue.popleft()
for a, b in expand:
nx = x + a
ny = y + b
if 0 <= nx < m and 0<= ny < n and grid[nx][ny] == 1:
grid[nx][ny] = 2
funan_queue.append((nx, ny))
fresh -= 1
valid = True
if valid:
minutes += 1
return minutes if fresh == 0 else -1
grid = [[2, 1, 1],
[1, 1, 0],
[0, 1, 1]]
print(Solution().orangesRotting(grid))
4
核心思路
该问题本质是一个 网格上的多源最短传播问题。腐烂橘子会在每一分钟向四个方向传播，因此“分钟数”实际上等价于 从腐烂橘子到新鲜橘子的最短距离层数。最合适的算法是 多源 BFS（Breadth-First Search）。
思考方式如下：
所有腐烂橘子同时作为传播源 在时间
t=0时，所有值为2的格子已经是腐烂状态，因此它们都是 BFS 的起点。BFS按层扩散代表时间推进 BFS 的每一层代表 1分钟传播。 当前层的腐烂橘子会使相邻的四个方向的新鲜橘子腐烂。
传播规则
如果邻居是
1（新鲜橘子）- 将其变为
2 - 加入队列
- 新鲜橘子数量减一
- 将其变为
如果是
0（空格）或已经腐烂，则跳过
结束条件
- 如果 BFS 过程中 所有新鲜橘子都被腐烂 → 返回经过的分钟数
- 如果 BFS 结束后 仍然存在新鲜橘子 → 说明存在无法被传播到的区域，返回
-1
核心思想可以总结为：
“把所有腐烂橘子作为起点，同时向外层层扩散，每一层代表一分钟。”
算法流程
遍历网格：
- 统计新鲜橘子数量
fresh - 将所有腐烂橘子
(i,j)加入队列
- 统计新鲜橘子数量
进行 BFS：
- 每次处理当前队列的一层
- 向四个方向扩散腐烂
统计时间：
- 每扩散一层时间
+1
- 每扩散一层时间
BFS结束后：
- 若
fresh == 0返回时间 - 否则返回
-1
- 若
为什么不用 DFS
DFS 会沿某条路径不断深入，例如：
2 → 1 → 1 → 1 → ...
这种方式得到的是 路径深度。
而题目需要的是 所有橘子同时传播的最短时间，这属于 层级扩散问题，必须使用 BFS。
复杂度分析
设网格大小为 m × n。
时间复杂度：
$$ O(m \times n) $$
原因：
- 每个格子最多被访问一次
- 每个格子最多入队一次
空间复杂度：
$$ O(m \times n) $$
原因：
- 队列在最坏情况下可能存储整个网格的节点。
本题的算法本质
可以抽象为一个经典模型：
多源 BFS（Multi-source BFS）
常见同类问题包括：
- 01 Matrix
- Walls and Gates
- As Far from Land as Possible
这些题的共同特点都是：
多个起点 + 网格扩散 + 最短时间 / 最短距离。
207. 课程表¶
你这个学期必须选修 numCourses 门课程，记为 0 到 numCourses - 1 。
在选修某些课程之前需要一些先修课程。 先修课程按数组 prerequisites 给出，其中 prerequisites[i] = [ai, bi] ，表示如果要学习课程 ai 则 必须 先学习课程 bi 。
例如，先修课程对 [0, 1] 表示：想要学习课程 0 ，你需要先完成课程 1 。 请你判断是否可能完成所有课程的学习？如果可以，返回 true ；否则，返回 false 。
from collections import defaultdict, deque
class Solution:
def canFinish(self, numCourses: int, prerequisites):
# 构建图
graph = defaultdict(list)
# 入度数组
indegree = [0] * numCourses
for a, b in prerequisites:
graph[b].append(a)
indegree[a] += 1
# 入度为0的课程
queue = deque()
for i in range(numCourses):
if indegree[i] == 0:
queue.append(i)
finished = 0
while queue:
course = queue.popleft()
finished += 1
for next_course in graph[course]:
indegree[next_course] -= 1
if indegree[next_course] == 0:
queue.append(next_course)
return finished == numCourses
numCourses = 4
prerequisites = [[3,1], [3, 2], [1, 0], [2, 0]]
print(Solution().canFinish(numCourses, prerequisites))
True
核心思路（拓扑排序）
本题可以抽象为一个 有向图是否存在环的问题。
将每一门课程看作一个节点，如果存在先修关系 prerequisites[i] = [a, b]，表示学习课程 a 之前必须先完成课程 b，因此可以建立一条有向边：
$$ b \rightarrow a $$ 这表示 课程 b 是课程 a 的前置节点。 如果图中存在环，例如：
$$ 0 \rightarrow 1 \rightarrow 0 $$
那么课程之间形成循环依赖，就无法完成所有课程。
判断是否存在环可以通过 拓扑排序（Topological Sort） 实现。
具体步骤如下：
构建图结构
- 使用邻接表表示课程之间的依赖关系。
- 同时维护每个节点的 入度（indegree），即有多少先修课程。
初始化队列
- 将所有 入度为 0 的课程加入队列。
- 入度为 0 表示该课程没有任何先修要求，可以直接学习。
执行拓扑排序（BFS）
- 从队列中取出一个课程，表示完成该课程。
- 将其所有后继课程的入度减 1。
- 如果某个课程的入度变为 0，则加入队列。
统计完成课程数量
- 每从队列取出一个课程，说明完成了一门课程。
- 最终如果完成课程数等于
numCourses，说明不存在环，可以完成所有课程。 - 否则说明图中存在环，部分课程无法被学习。
该过程本质是 逐步删除入度为 0 的节点，如果最终仍然存在节点未被删除，则说明存在环。
复杂度分析
设：
- (V =) 课程数量
numCourses - (E =) 先修关系数量
len(prerequisites)
时间复杂度：
$$ O(V + E) $$
原因：
- 构建邻接表需要遍历所有边 (O(E))
- 每个节点最多入队和出队一次 (O(V))
- 每条边在更新入度时被访问一次 (O(E))
空间复杂度：
$$ O(V + E) $$
原因：
- 邻接表需要存储所有边 (O(E))
- 入度数组大小为 (O(V))
- 队列最多存储 (O(V)) 个节点。
本题本质
本题是一个经典的 拓扑排序判环问题：
- 无环 → 可以完成所有课程
- 有环 → 无法完成课程学习
因此核心就是利用 入度 + BFS 的拓扑排序算法检测有向图中的环。
208. 实现 Trie (前缀树)¶
Trie（发音类似 "try"）或者说 前缀树 是一种树形数据结构，用于高效地存储和检索字符串数据集中的键。这一数据结构有相当多的应用情景，例如自动补全和拼写检查。
请你实现 Trie 类：
- Trie() 初始化前缀树对象。
- void insert(String word) 向前缀树中插入字符串 word 。
- boolean search(String word) 如果字符串 word 在前缀树中，返回 true（即，在检索之前已经插入）；否则，返回 false 。
- boolean startsWith(String prefix) 如果之前已经插入的字符串 word 的前缀之一为 prefix ，返回 true ；否则，返回 false 。
class TrieNode:
def __init__(self):
self.children = {}
self.is_end = False
class Trie:
def __init__(self):
self.root = TrieNode()
def insert(self, word: str) -> None:
node = self.root
for ch in word:
if ch not in node.children:
# 创建一个新的子节点
node.children[ch] = TrieNode()
# 移动指针到这个子节点
node = node.children[ch]
node.is_end = True
def search(self, word: str) -> bool:
node = self.root
for ch in word:
if ch not in node.children:
return False
node = node.children[ch]
return node.is_end
def startsWith(self, prefix: str) -> bool:
node = self.root
for ch in prefix:
if ch not in node.children:
return False
node = node.children[ch]
return True
trie = Trie()
print(trie.insert("apple"))
print(trie.search("apple"))
print(trie.search("app"))
print(trie.startsWith("app"))
print(trie.insert("app"))
print(trie.insert("pfc"))
print(trie.search("pfc"))
print(trie.search("app"))
None True False True None None True True
核心思路
Trie（前缀树）是一种专门用于 字符串前缀匹配 的树形数据结构。本题要求实现三种操作：
- 插入单词
insert - 查找完整单词
search - 查找前缀
startsWith
Trie 的核心思想是：
将字符串按字符逐层拆分，并把公共前缀共享为同一条路径。
在实现中：
每个节点表示一个字符路径
每个节点维护：
children：子节点集合（通常用字典存储）is_end：标记该节点是否是一个完整单词的结尾
Trie 的根节点表示 空字符串。
例如插入：
apple
app
Trie 结构：
root
|
a
|
p
|
p (end)
|
l
|
e (end)
其中：
app在第三层结束apple在第五层结束
一、insert 操作
插入字符串时：
- 从根节点开始
- 按字符逐个遍历
- 如果当前字符路径不存在，就创建新的节点
- 指针移动到该节点
- 当所有字符遍历完成，将当前节点标记为
is_end = True
本质是：
从 root 沿字符路径逐层创建节点
二、search 操作
查找完整单词时：
- 从根节点开始
- 按字符逐个查找
- 如果某个字符路径不存在 → 返回
False - 如果路径存在，继续向下
- 最终检查节点
is_end
只有当：
路径存在 且 is_end = True
才表示该单词被插入过。
三、startsWith 操作
与 search 类似，但只需要判断：
prefix 路径是否存在
不需要检查 is_end。
只要路径存在，就说明 Trie 中有单词具有该前缀。
四、Trie 的本质结构
Trie 可以看作：
多叉树（每个节点最多 26 个子节点）
路径表示：
root → 字符1 → 字符2 → ... → 字符k
表示字符串前缀。
五、复杂度分析
设：
- (L) = 查询字符串长度
- (N) = 已存储单词数量
1 insert
时间复杂度：
$ O(L) $
原因：
需要遍历字符串的每个字符。
空间复杂度：
$ O(L) $
最坏情况下每个字符都需要创建新节点。
2 search
时间复杂度： $ O(L) $
只需沿着 Trie 向下遍历字符路径。
空间复杂度：
$ O(1) $
不需要额外空间。
3 startsWith
时间复杂度：
$ O(L) $
仅检查前缀路径。
空间复杂度：
$ O(1) $
六、Trie 的优势
Trie 在以下场景非常高效：
- 自动补全（Autocomplete）
- 拼写检查
- 字典查询
- 前缀搜索
- 敏感词过滤
因为其查找复杂度：
O(字符串长度)
而不是：
O(单词数量)
总结
Trie 的核心思想是：
利用树结构共享字符串前缀
三种操作本质上都是：
从 root 沿字符路径向下遍历
其时间复杂度均为：
$ O(L) $
其中 (L) 为字符串长度。