DAHWHG的博客

DP问题的核心即确定动态转移方程。（1）寻找变量，确定子问题。DP表一般为二维，故需要两个变量。（2）寻找总问题与子问题迭代关系，确定中间值、迭代值例1：有5个物品，其重量分别是{2, 2, 6, 5, 4}，价值分别为{6, 3, 5, 4, 6}，背包的容量为10，计算背包所能装入物品的最大价值。（1）寻找变量在这个问题中，每个物品所对应的重量与价值是确定的。故将物品数量与可分配容量作为变量。总问题转化为在前5件物品中挑选容量不超过10的物品，使价值最大。子问题转化为

动态规划算法通常用于求解具有某种最优性质的问题。动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用

确定递推方程：假如S1的最后一个元素与S2的最后一个元素相等，那么S1和S2的LCS就等于 {S1减去最后一个元素} 与 {S2减去最后一个元素} 的 LCS 再加1。假如S1的最后一个元素与S2的最后一个元素不等，那么S1和S2的LCS就等于 ： {S1减去最后一个元素} 与 S2 的LCS， {S2减去最后一个元素} 与 S1 的LCS 中的较大值。def lcs(a, b, i, j): if i < 0 or j < 0: return 0

要理解计数排序，就必须要了解什么是计数，以及为什么只适用于整数。可以将排序问题拆分为一下两个子问题：（1）如何确定原始数组内元素的排位次序并建立排序数组与其对应？即101→1，103→5....① 原始数组内元素是不连续的，那如何将不连续的元素与排序数组一一对应呢。这里通过 元素值-最小元素值=计数数组下标 的方法确定计数数组，计数数组下标为【0,max-len+1】。统计次数作为其元素值，不存在的元素值默认为0。原始数组计数数组② 如图所示，计数数组的下标从原始数组

什么是递归？在函数中带着新参数调用函数自身，等同于在原来的基础上不断“向下/向内”开辟新的内存空间。注意：到内部调用函数， 以下的代码不会被执行，而是暂停阻塞。用递归可以解决的问题都能用循环解决。循环中存在起始值与迭代值，递归中对应的是什么呢？起始值可以对应为触发函数返回值的第一个值。而迭代值则对应为函数的返回值，返回值中调用函数自身，即可实现迭代。可以用一幅图直观的理解‘递’与‘归’，递——执行函数；归——得到返回值退出函数（1）计算阶乘def factorial(n

插入排序 （python）

冒泡排序（python）

选择排序（python）

（1）查找一个数def search(nums, target): left = 0 right = len(nums) - 1 while left <= right: mid = (left + right) // 2 if nums[mid] == target: return mid elif nums[mid] > target: right = mid - 1

创建一个空集合必须用set()而不是{ }，因为{ }是用来创建一个空字典集合相比于其他迭代序列，可以实现‘+’（左右差集），‘-’，并，交四个特殊功能（1）set.add()给集合添加元素fruits = {"apple", "banana", "cherry"}fruits.add('orange')>>>{'cherry', 'orange', 'apple', 'banana'}（2）set.clear()移除集合所有元素（3）set....

（1）min() 返回元素最小值（2）max() 返回元素最大值（3）len() 返回长度（4）tuple() 将可迭代对象转换为元组

（1）dict.clear()删除字典内所有元素（2）dict.copy()返回一个字典的浅复制（3）dict.fromkeys()dict.fromkeys(seq[, value])创建一个新字典，以序列 seq 中元素做字典的键，value 为字典所有键对应的初始值。seq = ('1', '2', '3')dict1 = dict.fromkeys(seq, 10)>>>{'1': 10, '2': 10, '3': 10}（4）dict

三步配置Tensorflow，适合小白纯萌新

(1) list.append() 在列表末尾添加新的对象aList = [123, 'xyz', 'zara', 'abc']aList.append(2009)>>>[123, 'xyz', 'zara', 'abc', 2009] 如果插入值为列表，可能会出现不符合预期的结果aList = [123, 'xyz', 'zara', 'abc']aList.append([2009, 'csdn', 'lzh'])>>>[123...

1、 单个元素索引1、1 一维数组x = np.arange(1, 13)print(x[1])21、2 多维数组x = np.arange(1, 13).reshape(3, 4)print(x[1])print(x[1][1]) #x[1,1][5 6 7 8]62、 切片索引2、1 多维数组可以用冒号代替某一行/列的所有值。x = np.arange(1, 13).reshape(3, 4)print(x[2, :])print(x[:,

1、将python列表或元组对象转化为Numpy数组1、1 列表print(np.array([1, 3, 5, 7]))1、2 元组print(np.array((1, 3, 5, 7)))[1 3 5 7]1、3 混合print(np.array([[1, 2], [3, 5], (4, 7)]))[[1 2] [3 5] [4 7]]2、原生数组2、1 zero()/ones()创建一个指定形状用0或1填充的数组，默认的dtype是float6

1、SeriesdtypePandas 用object存储字符串，当对象单列中含多种类型的数据时，该列的数据类型通常为 object。s = pd.Series([1, 3, 'a', 'foo', 'True'], index=['b', 'c', 'a', 'd', 'e'])print(s.dtype)object当与其他类型合并时，会强制向上转型，如从int变为float。s1 = pd.Series([1, 3, 2, 5, 9.0], index=['b', ..

1、重置索引1、1 Series1、1、1 自定义索引s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])print(s.reindex(['e', 'a', 'c', 'b', 'g']))e -1.019419a -1.969583c -0.622471b 0.018110g NaNdtype: float641、1、2 与其他对象对齐s = pd.

函数作为一个对象，能作为参数传递给其它函数，apply()所接受的参数就包含函数，是所有函数中自由度最高的函数。功能是自动遍历整个Series或者DataFrame, 对每一个元素运行指定的函数。DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)1、系统函数1、1 引用numpy系统函数轴标签与行对齐，遍历每一行的每一个元素运行给定函数。df = pd....

1、Head与Tail默认显示5条数据，head()从头截取，tail()从尾截取。long_series = pd.Series(np.random.randn(100))print(long_series.head(3))0 -1.0328641 0.7697292 0.327083dtype: float64print(long_series.tail(3))97 -0.70751298 0.64968599 -0.497407d

1、Series1、1 向量操作print(df * 2) # df + dfprint(np.exp(df))a 0b 2c 4dtype: int64a 1.000000b 2.718282c 7.389056dtype: float64Pandas中数据间的操作会自动对齐标签，如果数据不匹配则返回NaN。print(df[1:] + df[:-1])a NaNb 2.0c NaNdtyp.

1、Series1、1 下标或标签作为索引1、1、1 选择一行：dict = {'a': 0, 'b': 1, 'c': 2}df = pd.Series(dict)print(df)print(df[0])print(df['a'])a 0b 1c 2dtype: int6400想要显示带索引(标签)的某一行数据时，需要内部再嵌套一个[] 。print(df[[0]])print(df[['a']])a 0dtype: in

一、Series1、np.random.randn(m,n)/np.random.rand(m,n)生成的是一个m行n列的随机多维数组。index是行标签，默认为[0,1,...,len(data)-1]。df = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])a -2.254714b -0.093877c 0.003537d -0.753373e 1.270707dty.