Somme de tous les sous-ensembles
Guide détaillé et implémentation de Python pour le problème « Somme de tous les sous-ensembles ».
1. Apprendre
Le problème de la « Somme de tous les sous-ensembles » est un défi clé dans la section Récursion.
Cette implémentation se concentre sur la logique de niveau simple dans Python.
Nous accordons la priorité à la précision technique et à la lisibilité du code dans les solutions que nous proposons.
2. Real-World Applications
3. Visual Intuition
Visualisation du flux logique pour la somme de tous les sous-ensembles.
4. Prerequisites
5. Step-by-Step Thinking
1. Understand the problem
Lisez attentivement l’énoncé du problème pour Somme de tous les sous-ensembles.
2. Formulate brute force
Rédigez une solution itérative simple.
3. Identify inefficiency
Recherchez les calculs redondants.
4. Optimize search path
Utilisez le hachage ou le tri pour accélérer le processus.
5. Final Implementation
Nettoyer le code pour les normes de production.
Énoncé du problème
Écrivez une fonction sum_of_all_subsets(arr) qui prend un tableau d'entiers et renvoie la somme totale de tous les éléments dans tous les sous-ensembles possibles. Pour un tableau de n éléments, chaque élément apparaît dans exactement 2^(n-1) sous-ensembles. La somme totale est donc égale à sum(arr) * 2^(n-1). Utilisez la récursivité pour calculer cela.
- •1 <= len(arr) <= 20
- •-100 <= arr[i] <= 100
Exemples
arr = [1, 2, 3]
24
Subsets: [], [1], [2], [3], [1,2], [1,3], [2,3], [1,2,3]. Sums: 0+1+2+3+3+4+5+6 = 24. Or: (1+2+3)*2^(3-1) = 6*4 = 24.
arr = [5, 10]
30
Subsets: [], [5], [10], [5,10]. Sums: 0+5+10+15 = 30. Or: (5+10)*2^1 = 15*2 = 30.
arr = [4]
4
Subsets: [], [4]. Sums: 0 + 4 = 4. Or: 4 * 2^0 = 4.
Need a Hint?
Edge Cases to Watch
- Structures d'entrée vides
- Entrées à élément unique
- Grandes limites numériques
Prêt à résoudre ?
Open the problem in PyRun's browser-based Python editor. Your code runs fully offline — no server required.
Aperçus et variations des entretiens
Répartition de l'analyse de complexité
Pourquoi le temps: Directly evaluates all possibilities.
Pourquoi l'espace: Uses standard local memory.
Pourquoi le temps: Optimized paths reduce total operations.
Pourquoi l'espace: May trade memory for speed.
Code Python de solution optimisée
Code Python de solution optimisée
def get_subset_sums(arr):
res = [0]
for x in arr:
res += [s + x for s in res]
return resCode de force brute (spoiler gardé)
Code de force brute (spoiler gardé)
def subset_sums(arr, n, current_sum=0):
if n == 0: return [current_sum]
return subset_sums(arr, n-1, current_sum + arr[n-1]) + subset_sums(arr, n-1, current_sum)Algorithm Pattern Checklist
When dealing with Recursion data patterns.
- Are constraints clear?
- Is there a linear or logarithmic optimization possible?
Key Revision Notes
Les propriétés standard du problème de récursion s’appliquent.
Questions connexes
PyRun is built and maintained by an independent solo developer. If this helped your interview prep, consider buying a coffee!
Ressources Python recommandées
Développez vos connaissances avec des didacticiels interactifs, des aide-mémoire et des comparaisons de codes associés.
Boucles Python
Apprenez à utiliser les boucles Python pour parcourir les données. Maîtrisez les bonnes pratiques pour les boucles, while, break, continue et loop avec des exemples interactifs.
Comment trouver la longueur d'une liste en Python
Apprenez à trouver la longueur d'une liste en Python à l'aide de la fonction len(). Comprendre la complexité temporelle O(1) et les comptes de vérification.
Aide-mémoire sur les méthodes de chaîne Python
Un guide de référence complet pour la manipulation des chaînes Python. Maîtrisez le formatage, la recherche, le fractionnement, le remplacement et la vérification des propriétés des chaînes.
Python vs JavaScript : quel langage de programmation est le meilleur ?
Une comparaison complète entre Python et JavaScript. Explorez les différences de syntaxe, les performances, les cas d'utilisation (backend et frontend) et des exemples de codage.