力扣1207题解：哈希表统计数字出现次数的唯一性

1. 题目解析与解题思路

力扣1207题"独一无二的出现次数"是一道考察基础数据结构和算法应用的典型题目。题目要求我们判断一个整数数组中，不同数字的出现次数是否全部唯一。换句话说，如果数字5出现3次，数字8也出现3次，这种情况就不符合要求，因为出现次数3重复了。

这道题的核心在于两个关键操作：

1. 统计每个数字出现的次数
2. 检查这些次数是否互不相同

1.1 哈希法的天然适配性

哈希表（Hash Table）是这个问题的完美解决方案，原因有三：

首先，统计数字出现次数是典型的键值对存储场景。数字本身作为键（Key），出现次数作为值（Value），这正是哈希表最擅长的领域。在Java中，我们有现成的HashMap类可以直接使用。

其次，哈希表的插入和查询操作平均时间复杂度都是O(1)，这使得整体算法可以保持O(n)的时间复杂度，n为数组长度。这对于算法题的时间限制非常重要。

最后，Java的HashMap实现非常成熟，我们不需要自己处理哈希冲突等底层细节，可以专注于算法逻辑本身。

1.2 算法步骤拆解

完整的解题流程可以分为三个明确步骤：

1. 第一次遍历：使用HashMap统计每个数字的出现次数
2. 提取所有的出现次数，存入一个集合（Set）中
3. 比较HashMap的size和Set的size是否相等

这里的关键洞察是：Set会自动去重。如果所有出现次数都是唯一的，那么Set的大小应该等于HashMap的大小；如果有重复的出现次数，Set的大小会小于HashMap的大小。

2. Java实现详解

2.1 基础实现代码

java复制public boolean uniqueOccurrences(int[] arr) {
    // 统计数字出现频率
    Map<Integer, Integer> frequencyMap = new HashMap<>();
    for (int num : arr) {
        frequencyMap.put(num, frequencyMap.getOrDefault(num, 0) + 1);
    }
    
    // 检查频率是否唯一
    Set<Integer> frequencySet = new HashSet<>(frequencyMap.values());
    return frequencyMap.size() == frequencySet.size();
}

2.2 关键代码解析

1. frequencyMap.getOrDefault(num, 0) + 1：

   • 这是Java 8引入的便捷方法
   • 当num不存在于map中时，返回默认值0
   • 存在时返回当前值
   • 无论哪种情况都会+1更新计数

2. new HashSet<>(frequencyMap.values())：

   • 直接将map的所有value存入HashSet
   • HashSet会自动去重
   • 这是判断唯一性的关键

3. 最后的size比较：

   • 如果所有出现次数都唯一，两个size应该相等
   • 如果有重复的出现次数，Set的size会变小

2.3 时间复杂度分析

• 第一次遍历数组：O(n)
• 创建HashSet：O(m)，m为不同数字的个数
• 总体时间复杂度：O(n + m) ≈ O(n)，因为m ≤ n

空间复杂度：

• HashMap存储：O(m)
• HashSet存储：O(m)
• 总体空间复杂度：O(m)

3. 优化与变种

3.1 使用数组替代HashMap

对于特定约束条件（如数字范围已知且不大），可以用数组代替HashMap：

java复制public boolean uniqueOccurrences(int[] arr) {
    int[] freq = new int[2001]; // 假设数字范围在-1000到1000
    for (int num : arr) {
        freq[num + 1000]++;
    }
    
    boolean[] seen = new boolean[1001]; // 最大出现次数不超过1000
    for (int count : freq) {
        if (count != 0) {
            if (seen[count]) {
                return false;
            }
            seen[count] = true;
        }
    }
    return true;
}

这种实现：

• 时间复杂度仍然是O(n)
• 空间复杂度是固定大小，可能比HashMap更高效
• 但适用场景有限，需要知道数字范围

3.2 流式API实现

Java 8+可以使用流式操作：

java复制public boolean uniqueOccurrences(int[] arr) {
    Map<Integer, Long> frequencyMap = Arrays.stream(arr)
            .boxed()
            .collect(Collectors.groupingBy(Function.identity(), Collectors.counting()));
    
    return frequencyMap.values().stream().distinct().count() == frequencyMap.size();
}

特点：

• 代码更简洁
• 但性能可能略低于传统写法
• 可读性取决于对Stream API的熟悉程度

4. 测试用例设计

4.1 常规测试用例

java复制@Test
public void testUniqueOccurrences() {
    Solution solution = new Solution();
    
    // 标准情况
    assertTrue(solution.uniqueOccurrences(new int[]{1,2,2,1,1,3}));
    assertFalse(solution.uniqueOccurrences(new int[]{1,2}));
    
    // 边界情况
    assertTrue(solution.uniqueOccurrences(new int[]{-3,0,1,-3,1,1,1,-3,10,0}));
    assertTrue(solution.uniqueOccurrences(new int[]{1}));
    assertTrue(solution.uniqueOccurrences(new int[]{}));
    
    // 大数情况
    assertFalse(solution.uniqueOccurrences(new int[]{1,1,2,2,3,3,4,4}));
}

4.2 测试要点

1. 常规情况：验证基本逻辑
2. 边界情况：空数组、单个元素
3. 负数情况：验证数字范围处理
4. 重复情况：明确出现次数重复的场景
5. 大数情况：验证大输入下的性能

5. 常见问题与解决

5.1 为什么使用HashSet而不是直接比较？

有人可能会想：为什么不直接遍历HashMap的值列表来检查重复？比如：

java复制List<Integer> frequencies = new ArrayList<>(frequencyMap.values());
for (int i = 0; i < frequencies.size(); i++) {
    for (int j = i + 1; j < frequencies.size(); j++) {
        if (frequencies.get(i).equals(frequencies.get(j))) {
            return false;
        }
    }
}
return true;

问题在于：

• 时间复杂度变为O(m^2)，m为不同数字的个数
• 当m较大时（如n/2），这会退化为O(n^2)
• 而HashSet方案保持O(n)时间复杂度

5.2 Integer缓存问题

在Java中，Integer有缓存机制（-128到127）。比较超出这个范围的Integer时：

java复制Integer a = 1000;
Integer b = 1000;
System.out.println(a == b); // false

因此，在比较出现次数时：

• 应该使用equals()而不是==
• 或者让自动拆箱处理：

java复制if (seen[count]) // 正确，count自动拆箱为int

5.3 原始类型与包装类型

在性能敏感场景，可以考虑使用原始类型特化的哈希表，如Eclipse Collections的IntIntHashMap：

java复制MutableIntIntMap frequencyMap = new IntIntHashMap();
for (int num : arr) {
    frequencyMap.addToValue(num, 1);
}

优势：

• 避免Integer装箱开销
• 减少内存占用
• 但增加了第三方依赖

6. 同类题目推荐

掌握这道题后，可以尝试以下类似题目巩固哈希表的使用：

1. 力扣1. 两数之和

   • 经典哈希表应用
   • 存储数值与索引的映射

2. 力扣242. 有效的字母异位词

   • 统计字符出现频率
   • 比较频率分布

3. 力扣451. 根据字符出现频率排序

   • 统计频率后排序
   • 哈希表与优先队列结合

4. 力扣347. 前K个高频元素

   • 统计频率后取Top K
   • 哈希表与堆的结合使用

5. 力扣205. 同构字符串

   • 双向字符映射检查
   • 类似唯一性检查

7. 实际应用场景

这种"统计+唯一性检查"的模式在实际开发中很常见：

1. 用户行为分析：

   • 统计用户各种操作频率
   • 检查是否有异常重复操作

2. 日志分析：

   • 统计错误码出现次数
   • 识别高频错误

3. 数据清洗：

   • 检查字段值的分布
   • 发现数据异常

4. 特征工程：

   • 统计类别特征的出现频率
   • 过滤低频类别

掌握这种基础模式，可以解决很多实际工程中的数据统计问题。