Hot100(71-80)这段题单,我前前后后刷了两遍。第一次是顺着列表往下推,到这一组突然感觉难度起了一个小台阶——前面很多题套一个经典模板就能过,但这一段开始把两三种模型揉在一起考,比如树上走回溯、数组里做DP,一个不注意就掉进超时或者边界错误里。第二遍我换了个方式,先按题型把十道题重新归堆,再逐类梳理框架,效果完全不同。所以这篇不是单纯列答案,而是把我在刷第71到80题时的复盘笔记公开出来:题型怎么分布、每类题的核心思路是什么、哪些细节会让你的代码从“能跑”变成“能过”。给正在刷这一段的人,也给那些打算备战算法面试、想把高频题型彻底吃透的人。
1. Hot100(71-80)到底在考什么:先看清题型分布
1.1 我看到的十题分布规律
以我刷到的版本为例,这一段的十道题大致可以分成这么几类:链表结构重排一道,二叉树层序或二叉搜索树的变体有三道,字符串和数组上的动态规划两道,回溯两道,单调栈一道,还有一道是看着简单但特别容易被边界条件坑到的配对题。这个分布不一定和你平台上的完全一致,因为Hot100题单在不同平台会微调,但大方向是一致的:前面那些题考的是“你知不知道这个模板”,从这一段开始,考的是“你有没有真的理解模板里的每个细节”。
我最初按顺序刷的时候有一个明显感受:70题之前,常常是看到题目就能想起一个标准解法,比如“这题就是经典的两数之和思路”“这题套个层序遍历模板就行”。到了71到80这里,题目描述往往更长,数据范围也给得更具体,甚至有些题把两个考点直接缝合在一个场景里。你如果不先做题型判断,很容易把简单问题复杂化,或者把复杂问题用最简单的暴力解去碰运气。
1.2 判断题目类型比动手写更重要
我的习惯是拿到题先不碰代码,在草稿纸上做三个动作:把数据范围写在左上角,把输出类型圈出来,然后逼自己用一句话概括这题在干什么。为什么要先看数据范围?因为数据规模直接决定了你能接受的复杂度。n小于20,你甚至可以理直气壮地用指数级回溯;n到了10的5次方,你还写一个双重循环,那就是在赌评测数据比较弱,大概率会超时。
判断题型有一个很好用的问法:把这题拆成若干个子问题之后,子问题的结果会不会被反复复用?如果会,这题大概率是动态规划。如果不复用,再看它是“在一堆选择里找合法路径”,那就是回溯或搜索;如果是链表或树结构,先想清楚操作会不会改变结构本身的连接关系。顺序重要的问题优先想双指针和栈,顺序不重要的想排序和哈希。这套判断流程熟练以后,五分钟内你基本就知道该往哪个方向使力了。我觉得很多人卡在中间难度题目上,不是不会写某一类解法,而是根本没有先完成这个类型归类。
1.3 为什么到这一段开始卡壳
以前我总以为刷题是“题做得越多越好”,但实际刷到Hot100(71-80)这一段,我发现自己真正缺的不是题量,而是“模式识别”的能力。前面几十题几乎是一对一的映射:看到逆序对就想到归并,看到连续子数组就想到前缀和。但这一段的题开始玩组合了,比如二叉树层序遍历和队列结合、数组DP和贪心结合、回溯和网格坐标结合。你至少要把每个单点模型练到肌肉记忆,才有余力去处理它们的组合。
这个道理有点像开车。新手练车时,踩离合、换挡、打灯每一件事都要单独想,遇到一个复杂路口就手忙脚乱;等这些动作都变成条件反射,你才能真正把注意力放在路况上。刷题也一样,模板和边界判断如果还没形成肌肉记忆,遇到综合题自然会卡住。所以我后来复盘时说的最多的一句话就是:不是这题难,是我对基础模型的熟练度还不够。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 链表和二叉树:这批题里的骨架类题目
2.1 链表重排:切半、反转、交错合并
这一组里最容易出问题的链表题,是那种要求“重排链表”的题目。它表面上是改一改指针顺序,实际上是把三个经典操作拼在一起:找中点、反转后半段、交错合并。我第一次写的时候,三个步骤每一个都能写对,但拼在一起就各种丢指针,最后形成了环,提交直接超时。
正确流程是这样:先用快慢指针找中点。慢指针每次走一步,快指针每次走两步,当快指针走到末尾时,慢指针正好停在中间。为什么不先遍历一遍算长度?因为快慢指针一次遍历就能同时拿到中点,而且还天然处理了链表长度为奇数和偶数的情况。找到中点之后,从slow.next开始作为后半段的头,把后半段做一次迭代反转。这里要特别注意,反转完之后一定要把slow.next置空,不然前后两段还是连着的,后面交错合并时就会绕成环。
最后是交错合并。我推荐的写法是使用临时变量先保存两个链表的后继节点,再修正指针指向前半段的下一节点和后半段的下一节点:
python复制def reorder(head):
if not head or not head.next:
return
slow, fast = head, head
while fast and fast.next:
