332-重新安排行程

思路：
1. 先建立一个图，用邻接表表示。遍历tickets数组，以出发城市为键，以到达城市为值，将所有相同出发城市的到达城市加入到对应的键的值列表。
2. 对每个出发城市的到达城市列表进行排序，保证按字母顺序进行访问。
3. 从"JFK"出发，进行深度优先遍历。如果当前城市的到达城市列表不为空，则按顺序访问列表中的城市，并将访问过的城市从列表中删除。
4. 如果当前城市没有到达城市或者到达城市已经全部被访问过了，则将当前城市加入结果列表的头部。
5. 最后得到的结果列表，逆序输出即可得到答案。

代码实现如下：

from collections import defaultdict

def findItinerary(tickets):
    # 用于保存图
    graph = defaultdict(list)
    # 将tickets中的数据存入图
    for ticket in tickets:
        src, dst = ticket
        graph[src].append(dst)
    
    # 按照字母顺序对到达城市进行排序
    for src in graph:
        graph[src].sort()
    
    def dfs(city):
        # 当前城市的到达城市列表
        destinations = graph[city]
        while destinations:
            # 递归遍历下一个城市
            dfs(destinations.pop(0))
        # 将当前城市加入结果列表
        result.insert(0, city)
        
    # 结果列表
    result = []
    dfs("JFK")
    return result
    
# 测试
tickets = [["MUC","LHR"],["JFK","MUC"],["SFO","SJC"],["LHR","SFO"]]
print(findItinerary(tickets))
# 输出：['JFK', 'MUC', 'LHR', 'SFO', 'SJC']

复杂度分析：
- 时间复杂度：建立图的过程需要遍历tickets数组，时间复杂度为O(n)，其中n为数组的长度。遍历图的过程中，所有的边都会被访问一次，时间复杂度为O(m)，其中m为图中的边数。因此，总的时间复杂度为O(n+m)。
- 空间复杂度：使用了一个字典来保存图，空间复杂度为O(m)，其中m为图中的边数。递归调用的深度为图中的边数+1，空间复杂度为O(m+1)。最后返回的结果列表的空间复杂度为O(n)，其中n为结果列表的长度。因此，总的空间复杂度为O(m+n)。