【C 语言】利用位向量实现集合的基本框架【第二期】

2 篇文章 0 订阅
2 篇文章 0 订阅

一、前提回顾

  在上一期我们利用了struct结构体实现了集合的基本框架,但它存在诸多问题,列如不能完美地多次判断一个元素在一个数组的关系,以及呆板地利用数组来代表集合等,这在编程中实现能力水平和技术较低,这不是一个程序猿该有的基本水平,而今天我将向大家介绍一个全新的方法 —— 位向量集合操作,那么大家肯定有疑问,什么是位向量?C语言存在位向量吗?嘿嘿,别着急此向量非数学里的向量,等我慢慢叙来。

 二、介绍集合的基本关系

    写代码和了解位向量前,先要有集合的基本原理,编程其实和数学息息相关,前面我们虽然利用struct结构体写了一个菜鸟代码,但这种代码不能让人耳目一新,只是为了让大家更好的读懂代码。而这节博客相对于第一期较难,但代码逻辑依旧简单,我们先回顾一下集合的基本概念。

 四、集合的基本关系

1.子集

  一般地,对于两个集合A,B,如果集合 A 中任意一个元素都是集合 B 中的元素,则称为集合 A 是集合 B 的子集,记作A 包含于 B。

2.真子集

  对于两个集合A,B,如果集合A 包含于 B,但存在元素 a 属于 B,且 元素 a 不属于 A,则称为集合 A 是 集合 B 的 真子集, 记作 A 真包含于 B。

3.相等集

  如果构成两个集合的元素是一样的,即集合 A 中的任意一个元素都是集合 B 中的元素,集合 B 中的任意一个元素也都是集合 A 中的元素,那么称集合 A 和 集合 B 为相等集。

4.元素和集合关系

  元素和集合是属于或不属于的关系。

5.集合关系的特殊性质

  略,自己理会。

  我着重关注前面四个集合的基本关系,特性不讲,内容过多,自己理会。

三、介绍位向量集合操作

  位向量,也称为位集合。是一种用来表示一组布尔值的数据结构。该向量可以进行快速的位级别操作,可以高效地执行集合操作,如我第三期即将要讲的交集,并集,差集等。通过使用该向量,还可以在编程的常数时间内执行这些操作,更大能轻松扩展到大型数据集,这就是向量集合操作。

 四、代码时间

 在C 语言中,你完全可以通过位操作和位运算来表示集合,并且使用位运算的方式来执行集合间的基本关系操作,这种方法被称为位向量集合操作。

以下是使用位向量方法表示的参考代码。

 首先,要想使用位向量,肯定要声明,我这里直接定义64位类型向量(看情况定义,别硬抄)。

#include <stdio.h>

typedef unsigned long long int BitSet; // 64位整数表示向量
  然后,写一个子集的函数判断。不懂的,好好学学移位运算和数据类型。
  子集:一般地,对于两个集合A,B,如果集合 A 中任意一个元素都是集合 B 中的元素,则称为集合 A 是集合 B 的子集,记作A 包含于 B。
int isSubset(BitSet set1, BitSet set2)
{
    return (set1 & set2) == set1; // 判断是否是set2为子集
}

  真子集的判断

  真子集 :对于两个集合A,B,如果集合A 包含于 B,但存在元素 a 属于 B,且 元素 a 不属于 A,则称为集合 A 是 集合 B 的 真子集, 记作 A 真包含于 B。
int isProperSubset(BitSet set1, BitSet set2)
{
    return isSubset(set1, set2) && set1 != set2; // 判断是否是set2的真子集
}

集合对等

3.相等集:如果构成两个集合的元素是一样的,即集合 A 中的任意一个元素都是集合 B 中的元素,集合 B 中的任意一个元素也都是集合 A 中的元素,那么称集合 A 和 集合 B 为相等集。
int isSetEqual(BitSet set1, BitSet set2)
{
    return set1 == set2; // 判断是否相等
}

元素关系

4.元素和集合关系:元素和集合是属于或不属于的关系。
int isMember(BitSet set, int element)
{
    return (set & (1ULL << element)) != 0; // 检查向量中对应位置是否为一
}

还有编程里的四件套: 增,删,改,查,我这里就不写很多。

增和减

void addElement(BitSet *set, int element)
{
    *set |= (1ULL << element); // 将向量对应位置设置为1
}
void removeElement(BitSet *set, int element)
{
    *set &= -(1ULL << element); // 对应位置设置为零
}

这里你可以,写一个函数来打印,但考虑麻烦,就直接夹杂在main函数里。

if (isMember(set2, 8))
    {
        printf("5 ∈ SET1\n");
    }
    if (isSubset(set1, set2))
    {
        printf("S1 ∈= S2\n");
    }
    if (isProperSubset(set1, set2))
    {
        printf("S1 ∈≠  S2\n");
    }
    if (isSetEqual(set1, set2))
    {
        printf("S1 = S2");
    }

最后,main函数声明和修改

int main()
{
    // 初始化向量
    BitSet set1 = 0;
    BitSet set2 = 0;
    // 添加元素到集合
    addElement(&set1, 5);
    addElement(&set1, 6);
    addElement(&set1, 8);
    addElement(&set2, 7);
    addElement(&set2, 5);
    addElement(&set2, 6);
    addElement(&set2, 8);
    if (isMember(set2, 8))
    {
        printf("5 ∈ SET1\n");
    }
    if (isSubset(set1, set2))
    {
        printf("S1 ∈= S2\n");
    }
    if (isProperSubset(set1, set2))
    {
        printf("S1 ∈≠  S2\n");
    }
    if (isSetEqual(set1, set2))
    {
        printf("S1 = S2");
    }

    return 0;
}

  怎么样?代码是不是简洁流畅了很多,这可是得益于位向量的帮助。

  总结,这个参考代码使用了位向量方法来表示集合,并实现了判断元素和集合关系,子集关系和真子集关系等的函数。在main主函数中,我们创建了两个位向量集合,set1和 set2,并演示了使用不同的函数来进行集合关系的判断和输出。

  总之,使用位向量方法可以有效地表示集合间的基本关系,并且在处理大型集合时具有良好的性能。

  最后,大家看到这里觉得不错的话请关注赞和收藏,我会回关你的热心的。

  • 7
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
数据挖掘算法 算法目录 18大DM算法 包名 目录名 算法名 AssociationAnalysis DataMining_Apriori Apriori-关联规则挖掘算法 AssociationAnalysis DataMining_FPTree FPTree-频繁模式树算法 BaggingAndBoosting DataMining_AdaBoost AdaBoost-装袋提升算法 Classification DataMining_CART CART-分类回归树算法 Classification DataMining_ID3 ID3-决策树分类算法 Classification DataMining_KNN KNN-k最近邻算法工具类 Classification DataMining_NaiveBayes NaiveBayes-朴素贝叶斯算法 Clustering DataMining_BIRCH BIRCH-层次聚类算法 Clustering DataMining_KMeans KMeans-K均值算法 GraphMining DataMining_GSpan GSpan-频繁子图挖掘算法 IntegratedMining DataMining_CBA CBA-基于关联规则的分类算法 LinkMining DataMining_HITS HITS-链接分析算法 LinkMining DataMining_PageRank PageRank-网页重要性/排名算法 RoughSets DataMining_RoughSets RoughSets-粗糙集属性约简算法 SequentialPatterns DataMining_GSP GSP-序列模式分析算法 SequentialPatterns DataMining_PrefixSpan PrefixSpan-序列模式分析算法 StatisticalLearning DataMining_EM EM-期望最大化算法 StatisticalLearning DataMining_SVM SVM-支持向量算法 其他经典DM算法 包名 目录名 算法名 Others DataMining_ACO ACO-蚁群算法 Others DataMining_BayesNetwork BayesNetwork-贝叶斯网络算法 Others DataMining_CABDDCC CABDDCC-基于连通图的分裂聚类算法 Others DataMining_Chameleon Chameleon-两阶段合并聚类算法 Others DataMining_DBSCAN DBSCAN-基于密度的聚类算法 Others DataMining_GA GA-遗传算法 Others DataMining_GA_Maze GA_Maze-遗传算法在走迷宫游戏中的应用算法 Others DataMining_KDTree KDTree-k维空间关键数据检索算法工具类 Others DataMining_MSApriori MSApriori-基于多支持度的Apriori算法 Others DataMining_RandomForest RandomForest-随机森林算法 Others DataMining_TAN TAN-树型朴素贝叶斯算法 Others DataMining_Viterbi Viterbi-维特比算法 18大经典DM算法 18大数据挖掘的经典算法以及代码实现,涉及到了决策分类,聚类,链接挖掘,关联挖掘,模式挖掘等等方面,后面都是相应算法的博文链接,希望能够帮助大家学。 目前追加了其他的一些经典的DM算法,在others的包中涉及聚类,分类,图算法,搜索算等等,没有具体分类。 C4.5 C4.5算法与ID3算法一样,都是数学分类算法,C4.5算法是ID3算法的一个改进。ID3算法采用信息增益进行决策判断,而C4.5采用的是增益率。详细介绍链接 CART CART算法的全称是分类回归树算法,他是一个二元分类,采用的是类似于熵的基尼指数作为分类决策,形成决策树后之后还要进行剪枝,我自己在实现整个算法的时候采用的是代价复杂度算法,详细介绍链接 KNN K最近邻算法。给定一些已经训练好的数据,输入一个新的测试数据点,计算包含于此测试数据点的最近的点的分类情况,哪个分类的类型占多数,则此测试点的分类与此相同,所以在这里,有的时候可以复制不同的分类点不同的权重。近的点的权重大点,远的点自然就小点。详细介绍链接 Naive Bayes 朴素贝叶斯算法。朴素贝叶斯算法是贝叶斯算法里面一种比较简单的分类算法,用到了一个比较重要的贝叶斯定理,用一句简单的话概括就是条件概率的相互转换推导。详细介绍链接 SVM 支持向量算法。支持向量算法是一种对线性和非线性数据进行分类的方法,非线性数据进行分类的时候可以通过核函数转为线性的情况再处理。其中的一个关键的步骤是搜索最大边缘超平面。详细介绍链接 EM 期望最大化算法。期望最大化算法,可以拆分为2个算法,1个E-Step期望化步骤,和1个M-Step最大化步骤。他是一种算法框架,在每次计算结果之后,逼近统计模型参数的最大似然或最大后验估计。详细介绍链接 Apriori Apriori算法是关联规则挖掘算法,通过连接和剪枝运算挖掘出频繁项集,然后根据频繁项集得到关联规则,关联规则的导出需要满足最小置信度的要求。详细介绍链接 FP-Tree 频繁模式树算法。这个算法也有被称为FP-growth算法,这个算法克服了Apriori算法的产生过多侯选集的缺点,通过递归的产生频度模式树,然后对树进行挖掘,后面的过程与Apriori算法一致。详细介绍链接 PageRank 网页重要性/排名算法。PageRank算法最早产生于Google,核心思想是通过网页的入链数作为一个网页好快的判定标准,如果1个网页内部包含了多个指向外部的链接,则PR值将会被均分,PageRank算法也会遭到LinkSpan攻击。详细介绍链接 HITS HITS算法是另外一个链接算法,部分原理与PageRank算法是比较相似的,HITS算法引入了权威值和中心值的概念,HITS算法是受用户查询条件影响的,他一般用于小规模的数据链接分析,也更容易遭受到攻击。详细介绍链接 K-Means K-Means算法是聚类算法,k在在这里指的是分类的类型数,所以在开始设定的时候非常关键,算法的原理是首先假定k个分类点,然后根据欧式距离计算分类,然后去同分类的均值作为新的聚簇中心,循环操作直到收敛。详细介绍链接 BIRCH BIRCH算法利用构建CF聚类特征树作为算法的核心,通过树的形式,BIRCH算法扫描数据库,在内存中建立一棵初始的CF-树,可以看做数据的多层压缩。详细介绍链接 AdaBoost AdaBoost算法是一种提升算法,通过对数据的多次训练得到多个互补的分类器,然后组合多个分类器,构成一个更加准确的分类器。详细介绍链接 GSP GSP算法是序列模式挖掘算法。GSP算法也是Apriori类算法,在算法的过程中也会进行连接和剪枝操作,不过在剪枝判断的时候还加上了一些时间上的约束等条件。详细介绍链接 PreFixSpan PreFixSpan算法是另一个序列模式挖掘算法,在算法的过程中不会产生候选集,给定初始前缀模式,不断的通过后缀模式中的元素转到前缀模式中,而不断的递归挖掘下去。详细介绍链接 CBA 基于关联规则分类算法。CBA算法是一种集成挖掘算法,因为他是建立在关联规则挖掘算法之上的,在已有的关联规则理论前提下,做分类判断,只是在算法的开始时对数据做处理,变成类似于事务的形式。详细介绍链接 RoughSets 粗糙集算法。粗糙集理论是一个比较新颖的数据挖掘思想。这里使用的是用粗糙集进行属性约简的算法,通过上下近似集的判断删除无效的属性,进行规制的输出。详细介绍链接 GSpan gSpan算法属于图挖掘算法领域。,主要用于频繁子图的挖掘,相较于其他的图算法,子图挖掘算法是他们的一个前提或基础算法。gSpan算法用到了DFS编码,和Edge五元组,最右路径子图扩展等概念,算法比较的抽象和复杂。详细介绍链接 Others目录下的算法: GA 遗传算法。遗传算法运用了生物进化理论的知识来寻找问题最优解的算法算法的遗传进化过程分选择,交叉和变异操作,其中选择操是非常关键的步骤,把更适应的基于组遗传给下一代。详细介绍链接 DbScan 基于空间密度聚类算法。dbScan作为一种特殊聚类算法,弥补了其他算法的一些不足,基于空间密,实现聚类效果,可以发现任意形状的聚簇。详细介绍链接 GA_Maze 遗传算法在走迷宫游戏中的应用。将走迷宫中的搜索出口路径的问题转化为遗传算法中的问题通过构造针对此特定问题的适值函数,基因移动方向的定,巧的进行问题的求解。详细介绍链接 CABDDCC 基于连通图的分裂聚类算法。也是属于层次聚类算法主要分为2个阶段,第一阶段构造连通图。第二个阶段是分裂连通图,最终形成聚类结果。详细介绍链接 Chameleon 两阶段聚类算法。与CABDDCC算法相反,最后是通过对小簇集合的合并,形成最终的结果,在第一阶段主要是通过K近邻的思想形成小规模的连通图,第二阶段通过RI(相对互连性)和RC(相对近似性)来选一个最佳的簇进行合并。详细介绍链接 RandomForest 随机森林算法算法思想是决策树+boosting.决策树采用的是CART分类回归数,通过组合各个决策树的弱分类器,构成一个最终的强分类器,在构造决策树的时候采取随机数量的样本数和随机的部分属性进行子决策树的构建,避免了过分拟合的现象发生。详细介绍链接 KDTree K-Dimension Tree。多维空间划分树,数据在多维空间进行划分与查找。主要用于关键信息的搜索,类似于在空间中的二分搜索,大大提高了搜索效率,在寻找目标元素时,使用了DFS深度优先的方式和回溯进行最近点的寻找。详细介绍链接 MS-Apriori 基于多支持度的Apriori算法。是Apriori算法的升级算法,弥补了原先Apriori算法的不足,还增加了支持度差别限制以及支持度计数统计方面的优化,无须再次重新扫描整个数据集,产生关联规则的时候可以根据子集的关系避免一些置信度的计算。详细介绍链接 ACO 蚁群算法。蚁群算法又称为蚂蚁算法。同GA遗传算法类似,也是运用了大自然规律的算法,用于在图中寻找最优路径的概率型算法。灵感来源于蚂蚁在寻找食物时会散播信息素的发现路径行为。详细介绍链接 BayesNetwork 贝叶斯网络算法。弥补了朴素贝叶斯算法中必须要事件独立性的缺点,利用了贝叶斯网络的DAG有向无环图,允许各个事件保留一定的依赖关系,网络结构中的每个节点代表一种属性,边代表相应的条件概率值,通过计算从而能得到精准的分类效果。详细介绍链接 TAN 树型朴素贝叶斯算法。此算法又被称为加强版朴素贝叶斯算法。在满足原有朴素贝叶斯条件的基础上,他允许部条件属性直接的关联性。形成树型的结构。详细介绍链接 Viterbi 维特比算法。给定一个隐马尔科夫模型以及一个观察序列,求出潜在的状态序列信息,每个潜在状态信息又会受到前一个状态信息的影响。 算法使用方法 在每个算法中给出了3大类型,主算法程序,调用程序,输入数据,调用方法如下: 将需要数据的测试数据转化成与给定的输入格式相同 然后以Client类的测试程序调用方式进行使用。 也可以自行修改算法程序,来适用于自己的使用场景

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值