leetcode187. 重复的DNA序列

DNA序列 由一系列核苷酸组成，缩写为 ‘A’, ‘C’, ‘G’ 和 ‘T’.。

例如，“ACGAATTCCG” 是一个 DNA序列 。
在研究 DNA 时，识别 DNA 中的重复序列非常有用。

给定一个表示 DNA序列 的字符串 s ，返回所有在 DNA 分子中出现不止一次的 长度为 10 的序列(子字符串)。你可以按 任意顺序 返回答案。

示例 1：

输入：s = “AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT”
输出：[“AAAAACCCCC”,“CCCCCAAAAA”]
示例 2：

输入：s = “AAAAAAAAAAAAA”
输出：[“AAAAAAAAAA”]

提示：

0 <= s.length <= 105
s[i]==‘A’、‘C’、‘G’ or ‘T’

解题思路：
hash+滑动窗口+二进制位运算

通过hash能够快速查找之前是否出现过，通过二进制运算可以将字符串转换成二进制整数，因为题目给的字符是四个那么就是可以用两位表示出字符 例如 A;00 C:01 G:10 T:11。窗口长度为10。

1. 首先将第一个窗口计算出来，通过每次左移两位，并且 ｜ 最新的值。将得到值写入hash中
2. 窗口向右移动，左移加上新增的两位，并且通过&运算去掉头两位，具体的做法就是 (1 << 20) - 1 这样的到一个20位全是1的值，超过20位的部分都是0，&上刚刚的值就可以只保留后20位。
3. 判断是否出现过，如果出现过填充字符串，注意 字符串的长度是10， 那么字符串的起点就是 end - 10 + 1，包括end本身。

代码如下：

class Solution {
public:
    int helper(char s) {
        if (s == 'A') return 0;
        else if (s == 'C') return 1;
        else if (s == 'G') return 2;
        else return 3;
    }
    int L = 10;//长度
    int Left = 2;//字符对应的二进制长度
    vector<string> findRepeatedDnaSequences(string s) {
        unordered_map<int,int>counts;
        vector<string>res;
        int end = 0, x = 0;
        if (s.size() < 10) return res;
        for (; end < 10; ++end) x = (x << Left) | helper(s[end]);
        counts[x] = 1;
        for (; end < s.size(); ++end) {
            x = ((x << Left) | helper(s[end])) & ((1 << (Left * L)) - 1);
            if (counts[x]++ == 1) {
                res.emplace_back(s.substr(end - L + 1, L));
            }
        }
        return res;
    }
};