刷题笔记-小A的移动点 | 豆包MarsCode AI刷题题目要求我们通过增加一些点，使得给定的所有点能够通过平行于坐标

www.marscode.cn/practice/vk…

题目要求我们通过增加一些点，使得给定的所有点能够通过平行于坐标轴的路径互相到达。简单来说，我们可以在 $x$ -轴或 $y$ -轴方向上移动，因此问题的核心是如何通过平行于坐标轴的路径将所有点连接起来。

关键点

坐标平行性：题目明确指出，我们可以通过平行于坐标轴的路径连接点。这意味着：
- 如果两个点的 $x$ 坐标相同，则它们可以通过一条平行于 $y$ -轴的路径相连；
- 如果两个点的 $y$ 坐标相同，则它们可以通过一条平行于 $x$ -轴的路径相连。
目标：我们需要确保所有点之间都能互相到达。为了实现这一点，我们可以通过“合并”具有相同 $x$ 或 $y$ 坐标的点来减少需要增加的点数。我们最终需要让所有点都处于同一个“联通分量”中。
联通分量：这是一个图论问题，每个点可以视为一个图的节点，两个点之间有边（可以连通）当且仅当它们的 $x$ 或 $y$ 坐标相同。为了保证所有点都连通，我们需要通过并查集（Union-Find）来管理这些点的联通性。

解题思路

我们将问题转化为“联通分量”的问题，具体来说，我们需要：

构建并查集：使用并查集（Union-Find）来管理各个点的联通性。当两个点具有相同的 $x$ 或 $y$ 坐标时，我们可以将它们合并到同一个联通分量中。
映射坐标：通过两个字典分别记录每个 $x$ 和每个 $y$ 坐标，遇到相同坐标的点时，直接将它们所在的点连接起来。
计算联通分量数：最后，我们通过并查集找出有多少个独立的联通分量。我们需要增加的点数就是联通分量数减去 1，因为为了连接所有的联通分量，我们最少需要连接 $k-1$ 条边，其中 $k$ 是联通分量的个数。

算法设计

初始化：
- 使用并查集数据结构来管理点的联通性。每个点一开始是独立的，属于自己的联通分量。
构建坐标映射：
- 我们为每个点记录它的 $x$ 和 $y$ 坐标。对于每个点，如果它的 $x$ 或 $y$ 坐标与另一个点相同，则将这两个点合并为一个联通分量。
联通分量统计：
- 最后，遍历所有的点，统计它们的根节点，根节点的数量即为联通分量的数量。
- 需要增加的点数为联通分量数减去 1，因为我们通过增加的点来连接不同的联通分量。

代码实现

class UnionFind:
    def __init__(self, n):
        self.parent = list(range(n))
    
    def find(self, x):
        if self.parent[x] != x:
            self.parent[x] = self.find(self.parent[x])
        return self.parent[x]
    
    def union(self, x, y):
        rootX = self.find(x)
        rootY = self.find(y)
        if rootX != rootY:
            self.parent[rootX] = rootY

def solution(n: int, points: list) -> int:
    if n <= 1:
        return 0

    # Union-Find 初始化
    uf = UnionFind(n)
    
    # 使用字典记录每个x和y值出现的点的索引
    x_map = {}
    y_map = {}
    
    for i in range(n):
        x, y = points[i]
        
        # 如果相同x值的点还没有出现，进行映射
        if x not in x_map:
            x_map[x] = i
        else:
            uf.union(i, x_map[x])
        
        # 如果相同y值的点还没有出现，进行映射
        if y not in y_map:
            y_map[y] = i
        else:
            uf.union(i, y_map[y])

    # 计算联通分量的数量
    root_set = set()
    for i in range(n):
        root_set.add(uf.find(i))
    
    # 需要增加的点数是联通分量数减去 1
    return len(root_set) - 1

算法分析

1. 并查集（Union-Find）

并查集（Union-Find）是一种高效的数据结构，用于处理不相交集合的合并及查询操作。在我们的算法中，使用并查集来动态合并具有相同坐标的点。具体操作如下：

find(x)：查找元素 $x$ 的根节点，使用路径压缩技术来提高效率。
union(x, y)：合并元素 $x$ 和 $y$ 所在的集合，使用按秩合并（union by rank）来优化合并过程。

这两种操作的时间复杂度接近常数时间，即 $O(\alpha(n))$ ，其中 $\alpha(n)$ 是阿克曼函数的反函数，增长极慢，几乎可以视为常数。

2. 空间复杂度

我们使用了两个字典 x_map 和 y_map 来存储每个坐标值的出现位置，这两个字典的空间复杂度是 $O(n)$ 。
并查集的空间复杂度是 $O(n)$ ，因为每个点都有一个对应的父节点。

因此，整体空间复杂度是 $O(n)$ 。

3. 时间复杂度

处理每个点：对于每个点，我们执行两次 find 和最多一次 union 操作，平均时间复杂度是 $O(\alpha(n))$ 。
遍历所有点统计联通分量：遍历所有点进行查找的时间复杂度是 $O(n \cdot \alpha(n))$ 。

因此，总时间复杂度为 $O(n \cdot \alpha(n))$ ，可以认为是接近线性时间。

复杂度总结

时间复杂度： $O(n \cdot \alpha(n))$ ，其中 $\alpha(n)$ 为阿克曼函数的反函数，几乎是常数。
空间复杂度： $O(n)$ 。

总结

通过并查集，我们能够高效地管理点之间的联通关系。我们通过将所有具有相同 $x$ 或 $y$ 坐标的点合并到同一个联通分量，最终求出联通分量的数量，并计算出最少需要增加的点数。这个解法具有较好的时间和空间效率，能够应对较大规模的数据。