给你一个字符串 s 、一个字符串 t 。返回 s 中涵盖 t 所有字符的最小子串。如果 s 中不存在涵盖 t 所有字符的子串，则返回空字符串 "" 。
注意：
- 对于
t中重复字符，我们寻找的子字符串中该字符数量必须不少于t中该字符数量。 - 如果
s中存在这样的子串，我们保证它是唯一的答案。
示例 1：
输入：s = "ADOBECODEBANC", t = "ABC" 输出："BANC" 解释：最小覆盖子串 "BANC" 包含来自字符串 t 的 'A'、'B' 和 'C'。
示例 2：
输入：s = "a", t = "a" 输出："a" 解释：整个字符串 s 是最小覆盖子串。
示例 3:
输入: s = "a", t = "aa" 输出: "" 解释: t 中两个字符 'a' 均应包含在 s 的子串中， 因此没有符合条件的子字符串，返回空字符串。
思路和算法
本问题要求我们返回字符串 s 中包含字符串 t 的全部字符的最小窗口。我们称包含 t 的全部字母的窗口为「可行」窗口。
我们可以用滑动窗口的思想解决这个问题。在滑动窗口类型的问题中都会有两个指针，一个用于「延伸」现有窗口的 r 指针，和一个用于「收缩」窗口的 l 指针。在任意时刻，只有一个指针运动，而另一个保持静止。我们在 s 上滑动窗口，通过移动 r 指针不断扩张窗口。当窗口包含 t 全部所需的字符后，如果能收缩，我们就收缩窗口直到得到最小窗口。
如何判断当前的窗口包含所有 t 所需的字符呢？我们可以用一个哈希表表示 t 中所有的字符以及它们的个数，用一个哈希表动态维护窗口中所有的字符以及它们的个数，如果这个动态表中包含 t 的哈希表中的所有字符，并且对应的个数都不小于 t 的哈希表中各个字符的个数，那么当前的窗口是「可行」的。
注意：这里 t 中可能出现重复的字符，所以我们要记录字符的个数。
代码：
class Solution {
public:unordered_map <char, int> ori, cnt;bool check() {for (const auto &p: ori) {if (cnt[p.first] < p.second) {return false;}}return true;}string minWindow(string s, string t) {for (const auto &c: t) {++ori[c];}int l = 0, r = -1;int len = INT_MAX, ansL = -1, ansR = -1;while (r < int(s.size())) {if (ori.find(s[++r]) != ori.end()) {++cnt[s[r]];}while (check() && l <= r) {if (r - l + 1 < len) {len = r - l + 1;ansL = l;}if (ori.find(s[l]) != ori.end()) {--cnt[s[l]];}++l;}}return ansL == -1 ? string() : s.substr(ansL, len);}
};
代码详解：
check 函数：
bool check() {for (const auto &p: ori) {if (cnt[p.first] < p.second) {return false;}}return true;
}
- 功能：检查当前滑动窗口是否包含目标字符串
t中的所有字符，且数量满足要求。 - 实现：遍历
ori中的每个字符和它的数量 (p.first和p.second)，ori用于存储字符（char 类型）和它们的出现次数（int 类型）的哈希表，p.first代表字符，p.second是该字符在ori中的数量。如果滑动窗口中的字符数量 (cnt[p.first]) 小于ori中的需求数量 (p.second)，返回false。如果所有字符都满足需求，返回true。
string minWindow(string s, string t) {for (const auto &c: t) {++ori[c];}
- 功能：初始化
ori，记录字符串t中每个字符的数量。 - 实现：遍历目标字符串
t，对ori中每个字符的计数进行累加。
滑动窗口的初始化：
int l = 0, r = -1;
int len = INT_MAX, ansL = -1, ansR = -1;
l和r：分别是滑动窗口的左边界和右边界。r初始化为-1，以便在开始时可以先增加r。len：记录最小子串的长度，初始化为INT_MAX，表示尚未找到有效子串。ansL和ansR：记录最小子串的起始和结束位置。初始值为-1。
扩展和收缩窗口：
while (r < int(s.size())) {if (ori.find(s[++r]) != ori.end()) {++cnt[s[r]];}while (check() && l <= r) {if (r - l + 1 < len) {len = r - l + 1;ansL = l;}if (ori.find(s[l]) != ori.end()) {--cnt[s[l]];}++l;}
}
- 扩展窗口：
r逐步增加，扩展窗口的右边界。- 当
s[r]在ori中时，更新cnt中对应字符的计数。
- 收缩窗口：
- 当
check()返回true，表示当前窗口满足条件，可以尝试更新最小子串的长度。 if (r - l + 1 < len)判断当前窗口是否更小，若是，则更新len和ansL。- 通过减少
cnt[s[l]]，然后移动左边界l，尝试收缩窗口。
- 当
返回结果：
return ansL == -1 ? string() : s.substr(ansL, len);
- 功能：根据
ansL是否为-1返回结果。 - 实现：如果
ansL为-1，说明没有找到有效的子串，返回空字符串。否则，返回从ansL开始、长度为len的子串。
内在思想
-
滑动窗口：利用两个指针
l和r来定义窗口的边界，动态调整窗口的大小，以找到包含t所有字符的最小子串。 -
扩展与收缩：通过扩展右边界
r来增加窗口中的字符，检查是否满足条件；若满足条件，则收缩左边界l，以尽可能减小窗口的大小。 -
字符计数：使用哈希表
ori和cnt分别记录目标字符串和当前窗口中字符的数量，以便高效地判断窗口是否满足条件。 -
最优解：始终保持当前找到的最小子串，并在每次发现更小的有效子串时更新结果。
这段代码采用了滑动窗口技术，结合哈希表来实现高效的最小覆盖子串查找。
示例
给定输入：s = "ABAACBAB"，t = "ABC"，代码旨在找到字符串 s 中包含 t 所有字符的最小子串。我们将详细描述代码的迭代过程，以解释其工作原理。
代码初始化
初始化 ori 和 cnt：
ori 被初始化为 { 'A': 2, 'B': 1, 'C': 1 }。
变量初始化：
l = 0，左边界。
r = -1，右边界。
len = INT_MAX，最小窗口长度。
ansL = -1，最小窗口的起始位置。
ansR = -1，最小窗口的结束位置（尽管在代码中未实际使用）。
迭代过程
第 1 次迭代
-
扩展右边界：
r = 0，当前字符是s[0] = 'A'。ori.find('A') != ori.end()为true。cnt变为{ 'A': 1 }。
-
检查窗口是否有效：
check()返回false（窗口内字符cnt的'A': 1不足以满足ori中'A': 2的要求）。
第 2 次迭代
-
扩展右边界：
r = 1，当前字符是s[1] = 'B'。ori.find('B') != ori.end()为true。cnt变为{ 'A': 1, 'B': 1 }。
-
检查窗口是否有效：
check()返回false（窗口内字符cnt的'A': 1不足以满足ori中'A': 2的要求）。
第 3 次迭代
-
扩展右边界：
r = 2，当前字符是s[2] = 'A'。ori.find('A') != ori.end()为true。cnt变为{ 'A': 2, 'B': 1 }。
-
检查窗口是否有效：
check()返回true（当前窗口内包含了目标字符t中所有字符）。if (r - l + 1 < len)更新len = 3和ansL = 0（窗口"ABA"的长度为 3）。
-
收缩窗口：
s[l] = 'A'，ori.find('A') != ori.end()为true。cnt变为{ 'A': 1, 'B': 1 }。l = 1。
第 4 次迭代
-
检查窗口是否有效：
check()返回true（当前窗口内仍然包含所有目标字符）。
-
更新最小窗口：
if (r - l + 1 < len)更新len = 2和ansL = 1（窗口"BA"的长度为 2）。
-
收缩窗口：
s[l] = 'B'，ori.find('B') != ori.end()为true。cnt变为{ 'A': 1, 'B': 0 }。l = 2。
第 5 次迭代
- 检查窗口是否有效：
check()返回false（当前窗口内的'B': 0不满足ori中'B': 1的要求）。
第 6 次迭代
-
扩展右边界：
r = 3，当前字符是s[3] = 'A'。ori.find('A') != ori.end()为true。cnt变为{ 'A': 2, 'B': 0 }。
-
检查窗口是否有效：
check()返回false（当前窗口内的'B': 0不满足ori中'B': 1的要求）。
第 7 次迭代
-
扩展右边界：
r = 4，当前字符是s[4] = 'C'。ori.find('C') != ori.end()为true。cnt变为{ 'A': 2, 'B': 0, 'C': 1 }。
-
检查窗口是否有效：
check()返回true（当前窗口内包含了目标字符t中所有字符）。if (r - l + 1 < len)更新len = 5和ansL = 2（窗口"AABC"的长度为 5）。
-
收缩窗口：
s[l] = 'A'，ori.find('A') != ori.end()为true。cnt变为{ 'A': 1, 'B': 0, 'C': 1 }。l = 3。
第 8 次迭代
-
检查窗口是否有效：
check()返回true（当前窗口内包含了目标字符t中所有字符）。if (r - l + 1 < len)更新len = 4和ansL = 3（窗口"ABCA"的长度为 4）。
-
收缩窗口：
s[l] = 'A'，ori.find('A') != ori.end()为true。cnt变为{ 'A': 0, 'B': 0, 'C': 1 }。l = 4。
第 9 次迭代
- 检查窗口是否有效：
check()返回false（当前窗口内的'A': 0不满足ori中'A': 2的要求）。
第 10 次迭代
-
扩展右边界：
r = 5，当前字符是s[5] = 'B'。ori.find('B') != ori.end()为true。cnt变为{ 'A': 0, 'B': 1, 'C': 1 }。
-
检查窗口是否有效：
check()返回true（当前窗口内包含了目标字符t中所有字符）。if (r - l + 1 < len)不更新len（当前窗口"BCBAB"长度为 6，大于之前找到的最小长度）。
-
收缩窗口：
s[l] = 'B'，ori.find('B') != ori.end()为true。cnt变为{ 'A': 0, 'B': 0, 'C': 1 }。l = 5。
第 11 次迭代
- 检查窗口是否有效：
check()返回false（当前窗口内的'A': 0不满足ori中'A': 2的要求）。
第 12 次迭代
-
扩展右边界：
r = 6，当前字符是s[6] = 'A'。ori.find('A') != ori.end()为true。cnt变为{ 'A': 1, 'B': 0, 'C': 1 }。
-
检查窗口是否有效：
check()返回true（当前窗口内包含了目标字符t中所有字符）。if (r - l + 1 < len)不更新len（当前窗口"CBAB"长度为 5，大于之前找到的最小长度）。
-
收缩窗口：
s[l] = 'B'，ori.find('B') != ori.end()为true。cnt变为{ 'A': 1, 'B': -1, 'C': 1 }。l = 6。
第 13 次迭代（继续）
-
检查窗口是否有效：
check()返回true（当前窗口内包含了目标字符t中所有字符）。if (r - l + 1 < len)更新len = 3和ansL = 6（窗口"BCA"的长度为 3）。
-
收缩窗口：
s[l] = 'A'，ori.find('A') != ori.end()为true。cnt变为{ 'A': 0, 'B': -1, 'C': 1 }。l = 7。
第 14 次迭代
-
检查窗口是否有效：
check()返回true（当前窗口内仍然包含所有目标字符t中的字符）。if (r - l + 1 < len)不更新len（当前窗口"CAB"长度为 3，与之前的最小长度相同）。
-
收缩窗口：
s[l] = 'B'，ori.find('B') != ori.end()为true。cnt变为{ 'A': 0, 'B': -2, 'C': 1 }。l = 8。
第 15 次迭代
- 检查窗口是否有效：
check()返回false（当前窗口内的'B': -2不满足ori中'B': 1的要求）。
第 16 次迭代
-
扩展右边界：
r = 7，当前字符是s[7] = 'B'。ori.find('B') != ori.end()为true。cnt变为{ 'A': 0, 'B': -1, 'C': 1 }。
-
检查窗口是否有效：
check()返回false（当前窗口内的'B': -1不满足ori中'B': 1的要求）。
完成迭代
- 右边界
r达到字符串的末尾，算法停止迭代。
结果
- 在所有迭代过程中，我们找到的最小覆盖子串是
"BCA"，长度为 3。
复杂度分析
时间复杂度：最坏情况下左右指针对 s 的每个元素各遍历一遍，哈希表中对 s 中的每个元素各插入、删除一次，对 t 中的元素各插入一次。每次检查是否可行会遍历整个 t 的哈希表，哈希表的大小与字符集的大小有关，设字符集大小为 C，则渐进时间复杂度为 O(C⋅∣s∣+∣t∣)。
空间复杂度：这里用了两张哈希表作为辅助空间，每张哈希表最多不会存放超过字符集大小的键值对，我们设字符集大小为 C ，则渐进空间复杂度为 O(C)。
