build

chapter_array_and_linkedlist/list.md

@@ -434,12 +434,12 @@ comments: true
 
     ```python title="list.py"
     # 通过索引遍历列表
-    count: int = 0
+    count = 0
     for i in range(len(list)):
         count += 1
 
     # 直接遍历列表元素
-    count: int = 0
+    count = 0
     for n in list:
         count += 1
     ```

chapter_backtracking/backtracking_algorithm.md

@@ -976,7 +976,9 @@ comments: true
         """恢复状态"""
         state.pop()
 
-    def backtrack(state: list[TreeNode], choices: list[TreeNode], res: list[list[TreeNode]]):
+    def backtrack(
+        state: list[TreeNode], choices: list[TreeNode], res: list[list[TreeNode]]
+    ):
         """回溯算法：例题三"""
         # 检查是否为解
         if is_solution(state):

chapter_computational_complexity/space_complexity.md

@@ -93,10 +93,10 @@ comments: true
         return 0
 
     def algorithm(n) -> int:  # 输入数据
-        A: int = 0            # 暂存数据（常量，一般用大写字母表示）
-        b: int = 0            # 暂存数据（变量）
+        A = 0                 # 暂存数据（常量，一般用大写字母表示）
+        b = 0                 # 暂存数据（变量）
         node = Node(0)        # 暂存数据（对象）
-        c: int = function()   # 栈帧空间（调用函数）
+        c = function()        # 栈帧空间（调用函数）
         return A + b + c      # 输出数据
     ```
 
@@ -299,10 +299,10 @@ comments: true
 
     ```python title=""
     def algorithm(n: int) -> None:
-        a: int = 0                     # O(1)
-        b: List[int] = [0] * 10000     # O(1)
+        a = 0                     # O(1)
+        b = [0] * 10000     # O(1)
         if n > 10:
-            nums: List[int] = [0] * n  # O(n)
+            nums = [0] * n  # O(n)
     ```
 
 === "Go"
@@ -658,12 +658,12 @@ $$
     def constant(n: int) -> None:
         """常数阶"""
         # 常量、变量、对象占用 O(1) 空间
-        a: int = 0
-        nums: list[int] = [0] * 10000
+        a = 0
+        nums = [0] * 10000
         node = ListNode(0)
         # 循环中的变量占用 O(1) 空间
         for _ in range(n):
-            c: int = 0
+            c = 0
         # 循环中的函数占用 O(1) 空间
         for _ in range(n):
             function()
@@ -876,7 +876,7 @@ $$
     def linear(n: int) -> None:
         """线性阶"""
         # 长度为 n 的列表占用 O(n) 空间
-        nums: list[int] = [0] * n
+        nums = [0] * n
         # 长度为 n 的哈希表占用 O(n) 空间
         mapp = dict[int, str]()
         for i in range(n):
@@ -1220,7 +1220,7 @@ $$
     def quadratic(n: int) -> None:
         """平方阶"""
         # 二维列表占用 O(n^2) 空间
-        num_matrix: list[list[int]] = [[0] * n for _ in range(n)]
+        num_matrix = [[0] * n for _ in range(n)]
     ```
 
 === "Go"
@@ -1388,7 +1388,7 @@ $$
         if n <= 0:
             return 0
         # 数组 nums 长度为 n, n-1, ..., 2, 1
-        nums: list[int] = [0] * n
+        nums = [0] * n
         return quadratic_recur(n - 1)
     ```
 

chapter_computational_complexity/time_complexity.md

@@ -421,7 +421,7 @@ $$
 
     ```python title=""
     def algorithm(n: int) -> None:
-        a: int = 1  # +1
+        a = 1      # +1
         a = a + 1  # +1
         a = a * 2  # +1
         # 循环 n 次
@@ -612,7 +612,7 @@ $$
 
     ```python title=""
     def algorithm(n: int) -> None:
-        a: int = 1  # +0（技巧 1）
+        a = 1      # +0（技巧 1）
         a = a + n  # +0（技巧 1）
         # +n（技巧 2）
         for i in range(5 * n + 1):
@@ -821,8 +821,8 @@ $$
     ```python title="time_complexity.py"
     def constant(n: int) -> int:
         """常数阶"""
-        count: int = 0
-        size: int = 100000
+        count = 0
+        size = 100000
         for _ in range(size):
             count += 1
         return count
@@ -957,7 +957,7 @@ $$
     ```python title="time_complexity.py"
     def linear(n: int) -> int:
         """线性阶"""
-        count: int = 0
+        count = 0
         for _ in range(n):
             count += 1
         return count
@@ -1089,7 +1089,7 @@ $$
     ```python title="time_complexity.py"
     def array_traversal(nums: list[int]) -> int:
         """线性阶（遍历数组）"""
-        count: int = 0
+        count = 0
         # 循环次数与数组长度成正比
         for num in nums:
             count += 1
@@ -1235,7 +1235,7 @@ $$
     ```python title="time_complexity.py"
     def quadratic(n: int) -> int:
         """平方阶"""
-        count: int = 0
+        count = 0
         # 循环次数与数组长度成平方关系
         for i in range(n):
             for j in range(n):
@@ -1418,7 +1418,7 @@ $$
     ```python title="time_complexity.py"
     def bubble_sort(nums: list[int]) -> int:
         """平方阶（冒泡排序）"""
-        count: int = 0  # 计数器
+        count = 0  # 计数器
         # 外循环：待排序元素数量为 n-1, n-2, ..., 1
         for i in range(len(nums) - 1, 0, -1):
             # 内循环：冒泡操作
@@ -1644,8 +1644,8 @@ $$
     ```python title="time_complexity.py"
     def exponential(n: int) -> int:
         """指数阶（循环实现）"""
-        count: int = 0
-        base: int = 1
+        count = 0
+        base = 1
         # cell 每轮一分为二，形成数列 1, 2, 4, 8, ..., 2^(n-1)
         for _ in range(n):
             for _ in range(base):
@@ -1942,7 +1942,7 @@ $$
     ```python title="time_complexity.py"
     def logarithmic(n: float) -> int:
         """对数阶（循环实现）"""
-        count: int = 0
+        count = 0
         while n > 1:
             n = n / 2
             count += 1
@@ -2373,7 +2373,7 @@ $$
         """阶乘阶（递归实现）"""
         if n == 0:
             return 1
-        count: int = 0
+        count = 0
         # 从 1 个分裂出 n 个
         for _ in range(n):
             count += factorial_recur(n - 1)
@@ -2570,7 +2570,7 @@ $$
     def random_numbers(n: int) -> list[int]:
         """生成一个数组，元素为: 1, 2, ..., n ，顺序被打乱"""
         # 生成数组 nums =: 1, 2, 3, ..., n
-        nums: list[int] = [i for i in range(1, n + 1)]
+        nums = [i for i in range(1, n + 1)]
         # 随机打乱数组元素
         random.shuffle(nums)
         return nums

chapter_data_structure/character_encoding.md

@@ -26,7 +26,7 @@ comments: true
 
 随着计算机的蓬勃发展，字符集与编码标准百花齐放，而这带来了许多问题。一方面，这些字符集一般只定义了特定语言的字符，无法在多语言环境下正常工作；另一方面，同一种语言也存在多种字符集标准，如果两台电脑安装的是不同的编码标准，则在信息传递时就会出现乱码。
 
-那个时代的人们就在想：如果推出一个足够完整的字符集，将世界范围内的所有语言和符号都纳入其中，不就可以解决跨语言环境和乱码问题了吗？在这种想法的驱动下，一个大而全的字符集 Unicode 应运而生。
+那个时代的人们就在想：**如果推出一个足够完整的字符集，将世界范围内的所有语言和符号都收录其中，不就可以解决跨语言环境和乱码问题了吗**？在这种想法的驱动下，一个大而全的字符集 Unicode 应运而生。
 
 「Unicode」的全称为“统一字符编码”，理论上能容纳一百多万个字符。它致力于将全球范围内的字符纳入到统一的字符集之中，提供一种通用的字符集来处理和显示各种语言文字，减少因为编码标准不同而产生的乱码问题。
 
@@ -48,7 +48,7 @@ Unicode 是一种字符集标准，本质上是给每个字符分配一个编号
 
 UTF-8 的编码规则并不复杂，分为两种情况：
 
-- **长度为 1 字节的字符**：将最高位设置为 0 、其余 7 位设置为 Unicode 码点。值得注意的是，ASCII 字符在 Unicode 字符集中占据了前 128 个码点。也就是说，**UTF-8 编码可以向下兼容 ASCII 码**。这意味着我们可以使用 UTF-8 来解析年代久远的 ASCII 码文本。
+- 对于长度为 1 字节的字符，将最高位设置为 $0$ 、其余 7 位设置为 Unicode 码点。值得注意的是，ASCII 字符在 Unicode 字符集中占据了前 128 个码点。也就是说，**UTF-8 编码可以向下兼容 ASCII 码**。这意味着我们可以使用 UTF-8 来解析年代久远的 ASCII 码文本。
 - 对于长度为 $n$ 字节的字符（其中 $n > 1$），将首个字节的高 $n$ 位都设置为 $1$ 、第 $n + 1$ 位设置为 $0$ ；从第二个字节开始，将每个字节的高 2 位都设置为 $10$ ；其余所有位用于填充字符的 Unicode 码点。
 
 下图展示了“Hello算法”对应的 UTF-8 编码。将最高 $n$ 位设置为 $1$ 比较容易理解，可以向系统指出字符的长度为 $n$ 。那么，为什么要将其余所有字节的高 2 位都设置为 $10$ 呢？实际上，这个 $10$ 能够起到校验符的作用，因为在 UTF-8 编码规则下，不可能有字符的最高两位是 $10$ 。这是因为长度为 1 字节的字符的最高一位是 $0$ 。假设系统从一个错误的字节开始解析文本，字节头部的 $10$ 能够帮助系统快速的判断出异常。

chapter_hashing/hash_map.md

@@ -631,7 +631,7 @@ $$
 
         def hash_func(self, key: int) -> int:
             """哈希函数"""
-            index: int = key % 100
+            index = key % 100
             return index
 
         def get(self, key: int) -> str:
@@ -664,7 +664,7 @@ $$
 
         def key_set(self) -> list[int]:
             """获取所有键"""
-            result: list[int] = []
+            result = []
             for pair in self.buckets:
                 if pair is not None:
                     result.append(pair.key)
@@ -672,7 +672,7 @@ $$
 
         def value_set(self) -> list[str]:
             """获取所有值"""
-            result: list[str] = []
+            result = []
             for pair in self.buckets:
                 if pair is not None:
                     result.append(pair.val)

chapter_searching/binary_search_edge.md

@@ -4,7 +4,7 @@ comments: true
 
 # 10.2.   二分查找边界
 
-上一节规定目标元素在数组中是唯一的。如果目标元素在数组中多次出现，上节介绍的方法只能保证返回其中一个目标元素的索引，**而无法确定该索引的左边和右边还有多少目标元素**。
+在上一节中，题目规定数组中所有元素都是唯一的。如果目标元素在数组中多次出现，上节介绍的方法只能保证返回其中一个目标元素的索引，**而无法确定该索引的左边和右边还有多少目标元素**。
 
 !!! question
 

chapter_searching/searching_algorithm_revisited.md

@@ -6,7 +6,7 @@ comments: true
 
 「搜索算法 Searching Algorithm」用于在数据结构（例如数组、链表、树或图）中搜索一个或一组满足特定条件的元素。
 
-我们已经学过数组、链表、树和图的遍历方法，也学过哈希表、二叉搜索树等可用于实现查询的复杂数据结构。因此，搜索算法对于我们来说并不陌生。在本节，我们将从更加系统的视角切入，重新审视搜索算法。
+在前面的章节中，我们已经学习了数组、链表、树和图的遍历方法，也了解过哈希表和二叉搜索树等具有查询功能的复杂数据结构。因此，搜索算法对于我们来说并不陌生。在本节，我们将从更加系统的视角切入，重新审视搜索算法。
 
 ## 10.4.1.   暴力搜索
 

chapter_sorting/bubble_sort.md

@@ -87,7 +87,7 @@ comments: true
     ```python title="bubble_sort.py"
     def bubble_sort(nums: list[int]) -> None:
         """冒泡排序"""
-        n: int = len(nums)
+        n = len(nums)
         # 外循环：待排序元素数量为 n-1, n-2, ..., 1
         for i in range(n - 1, 0, -1):
             # 内循环：冒泡操作
@@ -302,10 +302,10 @@ comments: true
     ```python title="bubble_sort.py"
     def bubble_sort_with_flag(nums: list[int]) -> None:
         """冒泡排序（标志优化）"""
-        n: int = len(nums)
+        n = len(nums)
         # 外循环：待排序元素数量为 n-1, n-2, ..., 1
         for i in range(n - 1, 0, -1):
-            flag: bool = False  # 初始化标志位
+            flag = False  # 初始化标志位
             # 内循环：冒泡操作
             for j in range(i):
                 if nums[j] > nums[j + 1]:

chapter_sorting/insertion_sort.md

@@ -67,8 +67,8 @@ comments: true
         """插入排序"""
         # 外循环：base = nums[1], nums[2], ..., nums[n-1]
         for i in range(1, len(nums)):
-            base: int = nums[i]
-            j: int = i - 1
+            base = nums[i]
+            j = i - 1
             # 内循环：将 base 插入到左边的正确位置
             while j >= 0 and nums[j] > base:
                 nums[j + 1] = nums[j]  # 1. 将 nums[j] 向右移动一位

chapter_sorting/merge_sort.md

@@ -151,16 +151,16 @@ comments: true
         # 左子数组区间 [left, mid]
         # 右子数组区间 [mid + 1, right]
         # 初始化辅助数组
-        tmp: list[int] = list(nums[left : right + 1])
+        tmp = list(nums[left : right + 1])
         # 左子数组的起始索引和结束索引
-        left_start: int = 0
-        left_end: int = mid - left
+        left_start = 0
+        left_end = mid - left
         # 右子数组的起始索引和结束索引
-        right_start: int = mid + 1 - left
-        right_end: int = right - left
+        right_start = mid + 1 - left
+        right_end = right - left
         # i, j 分别指向左子数组、右子数组的首元素
-        i: int = left_start
-        j: int = right_start
+        i = left_start
+        j = right_start
         # 通过覆盖原数组 nums 来合并左子数组和右子数组
         for k in range(left, right + 1):
             # 若“左子数组已全部合并完”，则选取右子数组元素，并且 j++
@@ -182,7 +182,7 @@ comments: true
         if left >= right:
             return  # 当子数组长度为 1 时终止递归
         # 划分阶段
-        mid: int = (left + right) // 2  # 计算中点
+        mid = (left + right) // 2  # 计算中点
         merge_sort(nums, left, mid)  # 递归左子数组
         merge_sort(nums, mid + 1, right)  # 递归右子数组
         # 合并阶段

chapter_sorting/quick_sort.md

@@ -364,7 +364,7 @@ comments: true
         if left >= right:
             return
         # 哨兵划分
-        pivot: int = self.partition(nums, left, right)
+        pivot = self.partition(nums, left, right)
         # 递归左子数组、右子数组
         self.quick_sort(nums, left, pivot - 1)
         self.quick_sort(nums, pivot + 1, right)
@@ -621,7 +621,7 @@ comments: true
     def partition(self, nums: list[int], left: int, right: int) -> int:
         """哨兵划分（三数取中值）"""
         # 以 nums[left] 作为基准数
-        med: int = self.median_three(nums, left, (left + right) // 2, right)
+        med = self.median_three(nums, left, (left + right) // 2, right)
         # 将中位数交换至数组最左端
         nums[left], nums[med] = nums[med], nums[left]
         # 以 nums[left] 作为基准数
@@ -964,7 +964,7 @@ comments: true
         # 子数组长度为 1 时终止
         while left < right:
             # 哨兵划分操作
-            pivot: int = self.partition(nums, left, right)
+            pivot = self.partition(nums, left, right)
             # 对两个子数组中较短的那个执行快排
             if pivot - left < right - pivot:
                 self.quick_sort(nums, left, pivot - 1)  # 递归排序左子数组

chapter_stack_and_queue/deque.md

@@ -691,8 +691,8 @@ comments: true
 
         def to_array(self) -> list[int]:
             """返回数组用于打印"""
-            node: ListNode | None = self.front
-            res: list[int] = [0] * self.size()
+            node = self.front
+            res = [0] * self.size()
             for i in range(self.size()):
                 res[i] = node.val
                 node = node.next

chapter_stack_and_queue/queue.md

@@ -1220,7 +1220,7 @@ comments: true
 
         def to_list(self) -> list[int]:
             """返回列表用于打印"""
-            res: list[int] = [0] * self.size()
+            res = [0] * self.size()
             j: int = self.__front
             for i in range(self.size()):
                 res[i] = self.__nums[(j % self.capacity())]

chapter_stack_and_queue/stack.md

@@ -447,7 +447,7 @@ comments: true
 
         def to_list(self) -> list[int]:
             """转化为列表用于打印"""
-            arr: list[int] = []
+            arr = []
             node = self.__peek
             while node:
                 arr.append(node.val)

chapter_tree/binary_tree_traversal.md

@@ -75,7 +75,7 @@ comments: true
         queue: deque[TreeNode] = deque()
         queue.append(root)
         # 初始化一个列表，用于保存遍历序列
-        res: list[int] = []
+        res = []
         while queue:
             node: TreeNode = queue.popleft()  # 队列出队
             res.append(node.val)  # 保存节点值