当前位置：首页 > news >正文

一维前缀和与二维前缀和

news 来源：原创 2025/6/16 7:26:42

前缀和（Prefix Sum）是一种用于高效计算数组区间和的预处理技术，尤其适用于需要频繁查询子数组或子矩阵和的场景。下面详细讲解一维前缀和与二维前缀和的原理、构建方法及应用。

一、一维前缀和

1. 定义

前缀和数组 prefix 的每个元素 prefix[i] 表示原数组 arr 前 i 个元素的和（通常从 arr[0] 到 arr[i-1]）。
例如，原数组 arr = [1, 2, 3, 4]，前缀和数组为 prefix = [0, 1, 3, 6, 10]。

2. 构建方法

初始化 prefix[0] = 0。
递推公式：
[
\text{prefix}[i] = \text{prefix}[i-1] + \text{arr}[i-1]
]

代码实现：

vector<int> buildPrefix(vector<int>& arr) {
    int n = arr.size();
    vector<int> prefix(n + 1, 0);
    for (int i = 1; i <= n; i++) {
        prefix[i] = prefix[i - 1] + arr[i - 1];
    }
    return prefix;
}

3. 查询区间和

查询区间 [L, R] 的和（左闭右闭区间）：
[
\text{sum}(L, R) = \text{prefix}[R+1] - \text{prefix}[L]
]
示例：
arr = [1, 2, 3, 4]，求 [1, 2] 的和：
[
\text{sum}(1, 2) = \text{prefix}[3] - \text{prefix}[1] = 6 - 1 = 5
]

4. 应用场景

快速计算子数组的和（时间复杂度 O(1)）。
解决滑动窗口问题（如和大于等于目标值的最短子数组）。

二、二维前缀和

1. 定义

二维前缀和数组 prefix 的每个元素 prefix[i][j] 表示从矩阵左上角 (0,0) 到右下角 (i-1,j-1) 的子矩阵的和。
例如，矩阵 matrix = [[1,2],[3,4]]，前缀和数组为：
[
\text{prefix} = \begin{bmatrix}
0 & 0 & 0 \
0 & 1 & 3 \
0 & 4 & 10 \
\end{bmatrix}
]

2. 构建方法

初始化 prefix[0][0] = 0。
递推公式：
[
\text{prefix}[i][j] = \text{prefix}[i-1][j] + \text{prefix}[i][j-1] - \text{prefix}[i-1][j-1] + \text{matrix}[i-1][j-1]
]

代码实现：

vector<vector<int>> build2DPrefix(vector<vector<int>>& matrix) {
    int m = matrix.size();
    int n = matrix[0].size();
    vector<vector<int>> prefix(m + 1, vector<int>(n + 1, 0));
    for (int i = 1; i <= m; i++) {
        for (int j = 1; j <= n; j++) {
            prefix[i][j] = prefix[i-1][j] + prefix[i][j-1] - prefix[i-1][j-1] + matrix[i-1][j-1];
        }
    }
    return prefix;
}

3. 查询子矩阵和

查询子矩阵 (x1, y1) 到 (x2, y2) 的和（左闭右闭区间）：
[
\text{sum}(x1, y1, x2, y2) = \text{prefix}[x2+1][y2+1] - \text{prefix}[x1][y2+1] - \text{prefix}[x2+1][y1] + \text{prefix}[x1][y1]
]
示例：
matrix = [[1,2,3],[4,5,6],[7,8,9]]，求子矩阵 (1,1) 到 (2,2) 的和：
[
\text{sum} = 5 + 6 + 8 + 9 = 28 \
\text{通过前缀和计算：} \text{prefix}[3][3] - \text{prefix}[1][3] - \text{prefix}[3][1] + \text{prefix}[1][1] = 45 - 6 - 12 + 1 = 28
]

4. 应用场景

快速计算子矩阵的和（时间复杂度 O(1)）。
图像处理中的区域像素和统计。
动态规划中的矩阵路径问题。

三、对比总结

特性	一维前缀和	二维前缀和
数据结构	一维数组	二维数组
构建复杂度	O(n)	O(mn)
查询复杂度	O(1)	O(1)
核心公式	`prefix[i] = prefix[i-1] + arr[i-1]`	`prefix[i][j] = ...`（见上文）
应用问题	子数组和、滑动窗口	子矩阵和、图像处理、动态规划