虽然我是程序员，但这件事真的让我心情有点沉甸甸的。
最近，某大行发生了一件事，真的是让人看了心里发凉。
根据网上的报警截图，有个银行员工因为公司改制降薪情绪激动，居然做出了极端的行为，差点在办公区选择轻生。
报警后的警察赶到现场时，才将这位员工救了下来。
简单说，就是公司降薪惹的祸。
毕竟，不是每个人都能承受这种巨大压力，有些人可能一时想不开，就做出无法挽回的事。
但这种做法真的太极端了，生命才是最可贵的的，遇到问题真的要沉着冷静，千万不要过于极端，我们的身后还有家人。
说到这里想到了我们IT行业其实也是如此，降薪裁员还有35岁危机，很难，但是我们也要想办法应对呀，最好的办法就是不断的提升自己的技能，比如每天学一个算法题，说不定哪天就面试通过进大厂了呢
算法题：串联所有单词的子串
我们来聊聊一道算法题。其实呢，说实话，写这篇文章之前我都忍不住想了一下，"串联所有单词的子串"听起来是不是有点抽象？
这道题的核心其实挺简单的，题目大概是要求你给定一个字符串 s 和一个单词列表 words，要求你找出 s 中所有能够由 words 中单词串联而成的子串。
简单说，就是你要从字符串 s 中找出所有的连续子串，且这些子串可以由 words 中的单词拼接成。这里的一个关键点是，单词可以不按顺序出现，但是它们必须是连续的。
这题的难点在哪？
如果单纯的考查字符串匹配或者滑动窗口那还算简单，但这题有个要点：你需要处理的是多个单词的排列组合，而且可能单词的顺序是不固定的。
所以如果我们直接暴力求解，时间复杂度就会很高。比如说，你要遍历所有的子串，并且再判断每个子串是不是 words 中单词的组合，肯定不行。
那怎么解决？
既然要找的是一个子串，且由固定单词组成，不妨从滑动窗口的角度来考虑。我们可以设定一个窗口，窗口的大小是 words 中所有单词长度的总和，然后从字符串 s 中移动这个窗口，检查这个窗口中的字符是否可以被 words 中的单词排列组合。为了加速匹配，我们可以使用哈希表来存储单词的出现次数，这样可以避免每次匹配时重复计算。
接下来，给大家写一段代码来看看怎么实现：
from collections import Counter
def findSubstring(s: str, words: list) -> list:
# 如果单词列表为空，或者字符串s为空，直接返回空列表
if not words or not s:
return []
# 单个单词的长度，words中单词的个数
word_len = len(words[0])
word_count = len(words)
total_len = word_len * word_count
# 目标是找到每个长度为total_len的子串是否可以由words中的单词组成
word_dict = Counter(words) # 记录每个单词出现的次数
result = []
# 遍历整个字符串，滑动窗口的起始位置可以从0到len(s)-total_len
for i in range(word_len):
left = i
right = i
current_count = 0
current_dict = Counter()
while right + word_len <= len(s):
# 取出窗口中的当前单词
word = s[right:right + word_len]
right += word_len
# 如果当前单词在words列表中
if word in word_dict:
current_dict[word] += 1
current_count += 1
# 如果单词的出现次数超过了字典中的次数，说明不符合要求
while current_dict[word] > word_dict[word]:
left_word = s[left:left + word_len]
current_dict[left_word] -= 1
left += word_len
current_count -= 1
# 如果当前窗口中包含所有单词，记录位置
if current_count == word_count:
result.append(left)
else:
# 如果当前单词不在words列表中，重新开始滑动窗口
current_dict.clear()
current_count = 0
left = right
return result
代码解析
这段代码的核心思想其实就是滑动窗口（Sliding Window）的应用。具体来说：
计数器：我们首先用 Counter来记录words中每个单词出现的次数，便于后续快速对比。滑动窗口：窗口的大小是 word_len * word_count，也就是words中所有单词的总长度。我们从字符串s中依次滑动这个窗口，并在每次滑动时检查当前窗口中的单词是否符合条件。滑动窗口的内外两层循环：外层循环从0到 word_len，因为窗口的起始位置是有周期性的。内层循环用于扩展右边界，直到窗口中的单词总数满足条件，或者遇到不在words中的单词。
从复杂度上来看，这段代码的时间复杂度大概是 O(n * m)，其中 n 是字符串 s 的长度，m 是单词列表 words 中的单词数。虽然这已经比较高效了，但还是可以通过一些细节优化来提高性能，比如提前判断 s 长度和 words 的关系，或者在实际应用中进一步优化内存使用。
说到底，写代码就像是拼拼图，得有个大致的框架和思路，然后每一步都是在搭建。只不过拼到最后的作品，往往更有成就感。
对编程、职场感兴趣的同学，大家可以联系我微信：golang404，拉你进入“程序员交流群”。
虎哥作为一名老码农，整理了全网最全《python高级架构师资料合集》。
