1. 问题背景与定义
旋转数字问题最初出现在LeetCode第788号题目中，属于字符串处理与数学结合的经典面试题型。题目要求我们统计在1到N的范围内，有多少个数是"好数"（good number）。这里的"好数"定义非常特殊：当这个数的每一位数字旋转180度后，得到的数字与原来不同且仍然是一个有效的数字。
数字旋转规则如下：
- 0,1,8旋转后仍然是自身
- 2旋转后变成5
- 5旋转后变成2
- 6旋转后变成9
- 9旋转后变成6
- 3,4,7旋转后无法形成有效数字
举个例子：
- 数字"2"旋转后变成"5"，属于好数
- 数字"12"旋转后变成"15"，也属于好数
- 数字"10"旋转后仍然是"10"，不属于好数（因为旋转前后相同）
- 数字"34"旋转后无效（因为包含3），不属于好数
2. 解题思路分析
2.1 暴力解法可行性评估
最直观的解法是遍历1到N的每个数字，检查其是否满足好数条件。对于每个数字：
- 将其转换为字符串
- 检查每个字符是否属于可旋转数字（0,1,2,5,6,8,9）
- 如果全部字符都可旋转，则进行旋转操作
- 比较旋转前后的数字是否不同
这种方法的时间复杂度是O(N*L)，其中L是数字的平均位数。当N较大时（比如N=1e5），这种解法在面试中可能不够高效。
2.2 数学性质观察
通过观察可以发现，好数必须满足两个条件：
- 不包含任何无效数字（3,4,7）
- 至少包含一个可变化数字（2,5,6,9）
这提示我们可以将问题分解为：
- 首先排除包含3,4,7的数字
- 然后在剩余数字中找出至少包含一个2,5,6,9的数字
2.3 动态规划思路
这个问题可以建模为数字的排列组合问题，适合用动态规划解决。我们可以定义：
- dp[i][eq][hasGood] 表示处理到第i位时的状态
- eq表示当前数字是否等于N的前i位
- hasGood表示是否已经包含可变化数字
通过状态转移，我们可以高效计算出好数的数量，而不需要逐个检查。
3. 具体实现方案
3.1 暴力解法实现
虽然暴力解法不是最优解，但作为基础实现，可以帮助理解问题：
python复制def rotatedDigits(N):
count = 0
rotate_map = {'0':'0', '1':'1', '2':'5', '5':'2', '6':'9', '8':'8', '9':'6'}
invalid = {'3','4','7'}
for num in range(1, N+1):
s = str(num)
rotated = []
valid = True
for c in s:
if c in invalid:
valid = False
break
rotated.append(rotate_map[c])
if valid and ''.join(rotated) != s:
count += 1
return count
3.2 动态规划解法
更高效的动态规划实现：
python复制def rotatedDigits(N):
s = str(N)
n = len(s)
memo = {}
def dp(i, eq, hasGood):
if i == n:
return 1 if hasGood else 0
if (i, eq, hasGood) in memo:
return memo[(i, eq, hasGood)]
limit = int(s[i]) if eq else 9
res = 0
for d in range(0, limit + 1):
if d in {3,4,7}:
continue
new_eq = eq and (d == limit)
new_hasGood = hasGood or (d in {2,5,6,9})
res += dp(i+1, new_eq, new_hasGood)
memo[(i, eq, hasGood)] = res
return res
return dp(0, True, False)
3.3 数学组合解法
利用数字排列组合的性质：
python复制def rotatedDigits(N):
A = list(map(int, str(N)))
good = {0,1,2,5,6,8,9}
change = {2,5,6,9}
from functools import lru_cache
@lru_cache(maxsize=None)
def dfs(pos, tight, hasChange):
if pos == len(A):
return 1 if hasChange else 0
limit = A[pos] if tight else 9
res = 0
for d in range(0, limit + 1):
if d not in good:
continue
new_tight = tight and (d == limit)
new_hasChange = hasChange or (d in change)
res += dfs(pos + 1, new_tight, new_hasChange)
return res
return dfs(0, True, False)
4. 复杂度分析与优化
4.1 时间复杂度对比
- 暴力解法：O(N*L)，其中L是数字的平均位数
- 动态规划：O(L102*2) = O(L)，其中L是数字的位数
- 数学组合：与动态规划类似，也是O(L)
当N很大时（如1e9），暴力解法会非常慢，而后两种方法仍然高效。
4.2 空间优化技巧
动态规划解法可以使用滚动数组优化空间：
- 只需要保存当前位和上一位的状态
- 可以将空间复杂度从O(L)降低到O(1)
4.3 预处理加速
对于多次查询的情况，可以预处理所有数字的旋转结果，建立哈希表：
- 预处理时间O(N)
- 查询时间O(1)
- 适合需要多次查询的场景
5. 边界条件与测试用例
5.1 常见测试用例
python复制测试用例1：
输入：10
输出：4
解释：好数为2,5,6,9
测试用例2：
输入：20
输出：9
解释：好数为2,5,6,9,12,15,16,19,20
测试用例3：
输入：100
输出：40
5.2 特殊边界情况
- N=1：输出0
- N=2：输出1（只有2）
- 包含多个无效数字：如347
- 全部由0,1,8组成：如108
- 大数测试：如1e5
5.3 测试代码示例
python复制def test_rotatedDigits():
assert rotatedDigits(1) == 0
assert rotatedDigits(2) == 1
assert rotatedDigits(10) == 4
assert rotatedDigits(20) == 9
assert rotatedDigits(100) == 40
print("所有测试用例通过")
6. 面试技巧与常见问题
6.1 面试官可能追问的问题
- 如何优化暴力解法？
- 为什么动态规划适合这个问题？
- 如何处理大数情况（如N=1e9）？
- 如何验证你的解法是否正确？
- 这个问题的实际应用场景是什么？
6.2 回答技巧
- 先给出暴力解法，再逐步优化
- 画图说明数字旋转的规则
- 举例说明动态规划的状态转移
- 讨论时间空间复杂度的权衡
6.3 常见错误
- 忽略旋转后必须不同的条件
- 忘记处理包含无效数字的情况
- 动态规划状态设计不完整
- 边界条件处理不当（如N=0）
7. 实际应用与扩展
7.1 实际应用场景
- 数字显示系统的校验（如七段显示器）
- 密码学中的数字变换
- 游戏中的数字谜题设计
7.2 问题变种
- 统计旋转后仍然是有效数字（不要求不同）的数量
- 找出第K个好数
- 区间查询（如L到R之间的好数数量）
- 多位数字旋转后形成回文数
7.3 进阶挑战
- 实现O(1)空间复杂度的解法
- 处理超大范围（如1e100）
- 并行化计算方案
8. 个人实现心得
在实际实现过程中，我发现动态规划的状态设计是关键。最初我忽略了"hasGood"这个状态，导致计算结果包含那些全部由0,1,8组成的数字。通过添加这个状态，问题得到了正确解决。
另一个收获是数字旋转问题的处理技巧。将数字转换为字符串处理比数学运算更直观，特别是在处理旋转映射时。建立明确的旋转映射字典可以让代码更清晰。
对于大数测试用例，预处理方法确实能提高查询效率，这在多次查询的场景下非常有用。我建议在面试中可以先提一下这个优化方向，即使时间不够实现，也能展示你的思考全面性。