1.想象一下你是个城市基建规划者，地图上有N座城市，它们按以1到N的次序编号。 给你一些可连接的选项connections，其中每个选项connections[i] = [city1, city2, cost]表示将城市city1和城市city2连接所要的成本（连接是双向的，也就是说城市city1和城市city2相连，也同样意味着城市city2和城市city1相连）。返回使得每对城市间都存在将它们连接在一起的连通路径（可能长度为1的）最小成本。该最小成本应该是所有全部连接代价的总合。如果根据已知条件无法完

全连通所有城市，则返回-1。

这个问题可以用最小生成树算法来解决，最常用的就是Kruskal算法。具体步骤如下：

1.将所有选项按照成本从小到大排序。

2.初始化一个并查集，将所有城市都初始化为不同的集合。

3.从第一个选项开始，如果连接城市city1和城市city2不在同一个集合中，就将它们加入同一个集合，并将这个选项的成本加入总成本中。

4.重复步骤3，直到所有城市都在同一个集合中，或者所有选项都被考虑过后。

5.如果所有城市都在同一个集合中，返回总成本，否则返回-1。

下面是Python代码实现：

def minimumCost(N, connections):
    # 将所有选项按照成本从小到大排序
    connections.sort(key=lambda x: x[2])
    
    # 初始化并查集
    parent = [i for i in range(N+1)]
    
    # 初始化总成本
    total_cost = 0
    
    # 遍历所有选项
    for connection in connections:
        city1, city2, cost = connection
        
        # 如果连接的两个城市不在同一个集合中
        if find(city1, parent) != find(city2, parent):
            # 将它们加入同一个集合
            union(city1, city2, parent)
            # 将这个选项的成本加入总成本中
            total_cost += cost
    
    # 检查所有城市是否在同一个集合中
    root = find(1, parent)
    for i in range(2, N+1):
        if find(i, parent) != root:
            return -1
        
    return total_cost

# 并查集的查找操作
def find(city, parent):
    while city != parent[city]:
        city = parent[city]
    return city

# 并查集的合并操作
def union(city1, city2, parent):
    root1 = find(city1, parent)
    root2 = find(city2, parent)
    parent[root2] = root1

时间复杂度：O(ElogE)，其中E是选项的数量。

空间复杂度：O(N)，其中N是城市的数量，需要存储并查集的父节点。