LeetCode 1024题保姆级攻略用Python搞定视频拼接快速排序贪心算法实战解析最近在刷LeetCode时遇到一道很有意思的题目——1024.视频拼接。这道题乍看简单实则暗藏玄机需要巧妙结合快速排序和贪心算法才能高效解决。作为算法爱好者我花了整整一个周末研究这道题现在把完整解题思路和Python实现分享给大家。1. 理解题目本质题目描述看似是关于视频剪辑实则是一个典型的区间覆盖问题。我们需要从给定的视频片段中选择最少数量的片段通过剪辑和拼接完整覆盖从0到time的整个时间段。举个例子输入clips [[0,2],[4,6],[8,10],[1,9],[1,5],[5,9]], time 10输出3解释选择[0,2], [8,10], [1,9]三个片段将[1,9]剪辑为[1,2][2,8][8,9]最终得到[0,2][2,8][8,10]覆盖[0,10]关键点在于片段可以自由剪辑即可以只使用片段的一部分需要覆盖完整的[0, time]区间目标是使用最少数量的片段2. 解题思路拆解2.1 为什么需要快速排序原始片段是无序的这会导致我们无法系统地遍历和选择片段。排序的目的是让所有片段按照起始时间升序排列这样我们才能从左到右依次处理。排序后的片段示例[[0,2],[1,9],[1,5],[4,6],[5,9],[8,10]]2.2 贪心算法的核心思想贪心算法在这里的应用是在每一步选择能够最大限度扩展当前覆盖范围的片段。具体来说维护两个关键变量current_end当前已覆盖区间的右端点next_end下一步能覆盖的最大右端点遍历排序后的片段如果片段的起始时间 ≤current_end说明它可以扩展当前覆盖范围在这些片段中选择能最大化next_end的片段当无法继续扩展时选择next_end作为新的current_end并增加片段计数3. Python代码实现def videoStitching(clips, time): # 先按起始时间排序 clips.sort() res 0 current_end, next_end 0, 0 i 0 n len(clips) while current_end time and i n: # 在所有起始时间current_end的片段中找最大的结束时间 while i n and clips[i][0] current_end: next_end max(next_end, clips[i][1]) i 1 if current_end next_end: # 无法继续扩展 return -1 current_end next_end res 1 return res if current_end time else -1代码解析clips.sort()快速排序Python内置的Timsortcurrent_end和next_end的维护是贪心算法的核心当无法继续扩展时current_end next_end返回-1最终检查是否完全覆盖[0, time]4. 关键变量维护示例让我们通过示例1来理解变量如何变化初始状态clips [[0,2],[1,9],[1,5],[4,6],[5,9],[8,10]] current_end 0, next_end 0, res 0第一轮处理[0,2],[1,9],[1,5]起始时间≤0的只有[0,2]next_end max(0, 2) 2current_end 2, res 1第二轮处理[1,9],[1,5],[4,6]起始时间≤2next_end max(2, 9,5,6) 9current_end 9, res 2第三轮处理[5,9],[8,10]起始时间≤9next_end max(9, 9,10) 10current_end 10 ≥ time(10)结束最终结果res 35. 复杂度分析时间复杂度O(nlogn)主要由排序决定空间复杂度O(1)只使用了常数个额外变量6. 边界情况处理在实际编码中有几个边界情况需要特别注意起始时间必须包含0如果所有片段的start都0直接返回-1可以在排序后检查第一个元素的start是否为0时间范围检查最终current_end必须≥time否则返回-1空输入处理如果clips为空且time0返回-1time0时返回0不需要任何片段修改后的健壮代码def videoStitching(clips, time): if time 0: return 0 if not clips: return -1 clips.sort() if clips[0][0] ! 0: return -1 res 0 current_end, next_end 0, 0 i 0 n len(clips) while current_end time and i n: while i n and clips[i][0] current_end: next_end max(next_end, clips[i][1]) i 1 if current_end next_end: return -1 current_end next_end res 1 return res if current_end time else -17. 测试用例验证为了确保代码的正确性我们需要设计多种测试用例基本用例assert videoStitching([[0,2],[4,6],[8,10],[1,9],[1,5],[5,9]], 10) 3无法覆盖的情况assert videoStitching([[0,1],[1,2]], 5) -1需要精确匹配的情况assert videoStitching([[0,4],[4,8],[8,10]], 10) 3边界情况assert videoStitching([], 10) -1 assert videoStitching([[1,2]], 1) -1 assert videoStitching([[0,0]], 0) 0复杂用例clips [[0,1],[6,8],[0,2],[5,6],[0,4],[0,3],[6,7],[1,3],[4,7],[1,4],[2,5],[2,6],[3,4],[4,5],[5,7],[6,9]] assert videoStitching(clips, 9) 38. 贪心算法的正确性证明为什么这种贪心策略能得到最优解我们可以从几个方面理解局部最优导致全局最优每次选择能最大限度扩展覆盖范围的片段确保不会错过更优的选择。无后效性当前的选择不会影响后续的选择因为所有起始时间≤current_end的片段都被考虑过了。数学归纳法基础情况第一个片段必须从0开始选择能覆盖最远的片段归纳步骤假设前k步是最优的那么第k1步选择能最大化扩展的片段也必然最优9. 与动态规划的比较这道题也可以用动态规划解决但贪心算法更高效方法时间复杂度空间复杂度实现难度贪心O(nlogn)O(1)中等DPO(n*time)O(time)较高贪心算法的优势在于不需要存储中间状态特别适合这种区间覆盖问题。10. 实际应用场景虽然题目描述是视频拼接但这种算法可以应用于会议日程安排选择最少的会议室覆盖所有会议广告投放选择最少的广告时段覆盖目标时间段资源分配用最少的资源块满足连续需求11. 常见错误与调试技巧在实现过程中我遇到过几个典型的错误排序错误错误只按start排序没有考虑start相同时的情况修正Python的sort()会按元组顺序比较所以不需要特殊处理变量更新时机错误错误在while循环外更新next_end修正必须在找到所有候选片段后再更新终止条件错误错误只检查i n而忽略current_end time修正需要同时满足两个条件调试时可以打印关键变量print(fi{i}, current{current_end}, next{next_end}, res{res})12. 算法优化空间虽然当前解法已经很高效但仍有优化可能提前终止当current_end time时可以立即返回当next_end time时可以提前计算剩余需要的片段数特殊输入处理如果存在单个片段覆盖全部时间直接返回1可以在排序后先检查是否有这样的片段优化后的代码片段# 在排序后添加检查 if clips[0][0] 0 and clips[0][1] time: return 113. 类似题目推荐掌握了这道题后可以尝试以下类似题目巩固贪心算法452.用最少数量的箭引爆气球435.无重叠区间56.合并区间1326.灌溉花园的最少水龙头数目这些题目都涉及区间处理和贪心选择解题思路有相通之处。14. 从这道题中学到的经验问题转化很重要将实际问题抽象为算法问题是关键第一步排序是预处理利器很多看似复杂的问题排序后就会变得清晰贪心需要证明不能凭直觉使用贪心要理解其正确性变量命名要清晰像current_end、next_end这样的命名大大提高了代码可读性这道题花了我不少时间理解但收获很大。区间类问题在面试中很常见掌握这种解题模式对算法提升很有帮助。建议读者亲自实现一遍代码用不同的测试用例验证才能真正掌握其中的精妙之处。