LeetCode 423 - 从英文中重建数字
文章目录
- 摘要
- 描述
- 题解答案
- 题解代码分析
- 代码解析
- 示例测试及结果
- 时间复杂度
- 空间复杂度
- 总结
摘要
这道题《LeetCode 423. 从英文中重建数字（Reconstruct Original Digits from English）》挺有意思。
它不是那种常规的数值运算题，而更像是一个“单词拼图”挑战。
题目把一些英文数字单词（zero, one, two, …, nine）打乱顺序混合在一起，我们要根据这些字母重新推算出原始的数字序列。
看起来有点像解谜游戏，其实考的就是“字符串计数 + 特征提取”的能力。
这种题型在自然语言处理、OCR后文本修复、甚至语音识别转写矫正中都有类似的逻辑。
描述
给定一个字符串 s，其中包含被打乱顺序的英文单词表示的数字（zero 到 nine）。
要求我们按升序返回这些数字的字符串表示。
例如：
输入: s = "owoztneoer"
输出: "012"
解释: "zero" + "one" + "two" 的字母混合在一起。
再比如：
输入: s = "fviefuro"
输出: "45"
解释: 包含 "four" + "five"
题目还保证输入一定能组成合法的数字单词集合，不用考虑无法解析的情况。
题解答案
解决这道题的关键在于：每个数字单词都有独特的字母特征。
比如：
- “z” 只出现在 “zero” 中，所以每出现一个 “z”，就一定有一个 “0”。
- “w” 只出现在 “two” 中。
- “u” 只出现在 “four” 中。
- “x” 只出现在 “six” 中。
- “g” 只出现在 “eight” 中。
这些独特字符让我们可以先识别出部分数字。
然后再根据这些数字中已用掉的字母，反推出剩下的数字。
举个例子：
- “h” 出现在 “three” 和 “eight” 中，但如果先算出 “eight”，剩下的 “h” 只能来自 “three”。
- “f” 出现在 “four” 和 “five” 中，去掉 “four” 后剩下的 “f” 就属于 “five”。
所以整个过程其实是一个按特征顺序剥洋葱的过程。
题解代码分析
下面是完整可运行的 Swift 代码：
import Foundationclass Solution {func originalDigits(_ s: String) -> String {// 1. 统计每个字母的出现次数var count = [Character: Int]()for c in s {count[c, default: 0] += 1}// 2. 用数组存每个数字出现的次数var res = [Int](repeating: 0, count: 10)// 3. 按独特字符特征判断数字res[0] = count["z"] ?? 0 // zerores[2] = count["w"] ?? 0 // twores[4] = count["u"] ?? 0 // fourres[6] = count["x"] ?? 0 // sixres[8] = count["g"] ?? 0 // eight// 4. 推导剩余数字res[3] = (count["h"] ?? 0) - res[8] // threeres[5] = (count["f"] ?? 0) - res[4] // fiveres[7] = (count["s"] ?? 0) - res[6] // sevenres[1] = (count["o"] ?? 0) - res[0] - res[2] - res[4] // oneres[9] = (count["i"] ?? 0) - res[5] - res[6] - res[8] // nine// 5. 组合结果var ans = ""for i in 0..<10 {ans += String(repeating: "\(i)", count: res[i])}return ans}
}// Demo 测试
let s = Solution()
print("测试1：", s.originalDigits("owoztneoer")) // 输出 "012"
print("测试2：", s.originalDigits("fviefuro")) // 输出 "45"
代码解析
-
计数字母：用一个字典统计每个字母出现的次数。
-
识别独特字符：
"z"对应0"w"对应2"u"对应4"x"对应6"g"对应8
-
再推剩余的：
因为这些数字会“消耗”掉某些字母，所以我们减去它们的数量，再得出其他数字的数量。 -
结果拼接：按从小到大的顺序拼接数字字符串。
这段代码的逻辑非常清晰，也贴近实际字符串统计的套路，完全可以迁移到类似文本频率计算的业务场景中。
示例测试及结果
示例 1：
输入: s = "owoztneoer"
输出: "012"
解释：包含 “zero”, “one”, “two”，重新排列后输出 012。
示例 2：
输入: s = "fviefuro"
输出: "45"
解释：包含 “five”, “four”，升序排列后输出 45。
执行结果：
测试1： 012
测试2： 45
代码输出与预期一致。
时间复杂度
O(N)
每个字符只统计和访问一次，后续推导都是常数操作，因此整体线性时间复杂度。
即使字符串长度达到 10⁵ 级别，也完全没问题。
空间复杂度
O(1)
因为英文字母表大小固定，数字种类也固定，所以空间使用不随输入增长。
严格来说我们用了一些字典和固定数组，但总体为常数级。
总结
这道题的核心是“找到独特特征字符”这一思路，非常有启发性。
它看似是纯算法题，其实背后逻辑和自然语言特征提取、符号消歧、模式识别等领域非常接近。
在实际开发中，如果遇到：
- OCR 识别出的混乱文本；
- 用户输入中带有模糊词；
- 或日志关键词识别中多个重叠的特征词；
都可以借鉴类似的“频率减法”思路：
先确定独特特征，再逐步剥离剩余部分，最终恢复完整结构。
Swift 在处理这类计数逻辑时的写法也非常简洁——利用字典的默认值和 String(repeating:count:) 拼接方式，整个流程直观又易读。