#16 3Sum Closest

题目链接:https://leetcode.com/problems/3sum-closest/


Given an array S of n integers, find three integers in S such that the sum is closest to a given number, target. Return the sum of the three integers. You may assume that each input would have exactly one solution.

    For example, given array S = {-1 2 1 -4}, and target = 1.

    The sum that is closest to the target is 2. (-1 + 2 + 1 = 2).


void Sort(int *data,int n) {<span style="white-space:pre">		</span>//归并排序非递归实现
	int *tmp = (int *)malloc(n * sizeof(int));
	int lBegin, lEnd, rBegin, rEnd;
	int i,j,k;
	int len = 1;
	while (len < n) {
		lBegin = 0;
		lEnd = len - 1;
		rBegin = len;
		while (rBegin < n) {
			rEnd = lEnd + len < n - 1 ? lEnd + len : n - 1;
			i = lBegin,j = rBegin,k = lBegin;
			while (i <= lEnd && j <= rEnd) {
				if (data[i] <= data[j])
					tmp[k++] = data[i++];
				else
					tmp[k++] = data[j++];
			}
			while (i <= lEnd)
				tmp[k++] = data[i++];
			while (j <= rEnd)
				tmp[k++] = data[j++];
			for (i = lBegin; i <= rEnd; ++i)
				data[i] = tmp[i];
			lBegin += 2 * len;
			lEnd += 2 * len;
			rBegin += 2 * len;
		}
		len *= 2;
	}
	free(tmp);
}

int threeSumClosest(int* nums, int numsSize, int target) {
    int i, j, k;
    int sum, closestSum = nums[0] + nums[1] + nums[2];
    Sort(nums, numsSize);       //先排序
    for(i = 0; i < numsSize; ++i) {     //每趟一个数固定,另两个数分别从剩下数列的第一个和最后一个中间逼近
        j = i + 1;
        k = numsSize - 1;
        while(j < k) {
            sum = nums[i] + nums[j] + nums[k];
            if(sum < target) {          //和小于target,只有增大j才能使sum变大,从而更接近target
                if(abs(sum-target) < abs(closestSum-target))        //如果更接近target更新closetSum
                    closestSum = sum;
                ++j;
            }
            else if(sum > target) {     //和大于target,减小sum
                if(abs(sum-target) < abs(closestSum-target))
                    closestSum = sum;
                --k;
            } 
            else            //如果等于target是接近答案,直接返回结果
                return sum;
        }
    }
    return closestSum;
}


1. iris包括数据和标签,数据存储在iris.data中,标签存储在iris.target中,类别名称存储在iris.target_names中,特征名称存储在iris.feature_names中。 ```python print("数据信息:\n", iris.data) print("标签信息:\n", iris.target) print("类别名称:\n", iris.target_names) print("特征名称:\n", iris.feature_names) ``` 2. 信息中包含每一样本所属的类,通过iris.target可以获取每个样本所属的类别。未聚类之前,可以通过np.bincount(iris.target)计算每个类别的样本个数。 ```python print("每个类别的样本个数:\n", np.bincount(iris.target)) ``` 3. 画出第一类label的前两列的散点图。 ```python plt.scatter(iris.data[iris.target == 0, 0], iris.data[iris.target == 0, 1]) plt.xlabel(iris.feature_names[0]) plt.ylabel(iris.feature_names[1]) plt.show() ``` 4. 用KMeans对数据进行聚类。 ```python km = KMeans(n_clusters=3, init='random', n_init=10, max_iter=200, tol=1e-04, random_state=0) km.fit(iris.data) ``` 5. 打印各聚类中心。 ```python print("聚类中心:\n", km.cluster_centers_) ``` 6. 打印聚类后几个点的类标号。 ```python print("聚类后几个点的类标号:\n", km.labels_[:5]) ``` 7. 打印迭代次数。 ```python print("迭代次数:\n", km.n_iter_) ``` 8. 代码的作用是选择最优的聚类数量,通过计算不同聚类数量下的聚类误差(SSE)来选择最优的聚类数量,将结果用图像展示出来。 ```python data = iris.data k = [] for i in range(1, 20): km = KMeans(n_clusters=i, init='random', n_init=10, max_iter=200, tol=1e-04, random_state=0) km.fit(data) # inertia_:Sum of squared distances of samples to their closest cluster center. k.append(km.inertia_) plt.plot(range(1, 20), k, marker='o') plt.xlabel('Number of cluster') plt.ylabel('Distorton') plt.show() ``` 9. 使用BIRCH算法对iris进行聚类,并将同一类中的前两维用相同的颜色画出来。 ```python from sklearn.cluster import Birch birch = Birch(n_clusters=3) birch.fit(iris.data) labels = birch.labels_ plt.scatter(iris.data[labels == 0, 0], iris.data[labels == 0, 1], c='red') plt.scatter(iris.data[labels == 1, 0], iris.data[labels == 1, 1], c='blue') plt.scatter(iris.data[labels == 2, 0], iris.data[labels == 2, 1], c='green') plt.xlabel(iris.feature_names[0]) plt.ylabel(iris.feature_names[1]) plt.show() ``` 10. 使用DBSCAN算法对iris进行聚类,并将同一类中的前两维用相同的颜色画出来。 ```python from sklearn.cluster import DBSCAN dbscan = DBSCAN(eps=0.5, min_samples=5) dbscan.fit(iris.data) labels = dbscan.labels_ plt.scatter(iris.data[labels == 0, 0], iris.data[labels == 0, 1], c='red') plt.scatter(iris.data[labels == 1, 0], iris.data[labels == 1, 1], c='blue') plt.scatter(iris.data[labels == -1, 0], iris.data[labels == -1, 1], c='green') plt.xlabel(iris.feature_names[0]) plt.ylabel(iris.feature_names[1]) plt.show() ```
评论
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