一维差分--差分数组构造的两种方法详解版

题目链接:797. 差分 - AcWing题库


构造方法一:数组b自身满足b[i]=a[i]-a[i-1],无需再构造

#include <iostream>

using namespace std;

const int N = 100010;

int n, m;
int a[N], b[N];

void insert(int l, int r, int c)
{
    b[l] += c;
    b[r + 1] -= c;
}

int main()
{
    scanf("%d%d", &n, &m);
    for (int i = 1; i <= n; i ++ ) scanf("%d", &a[i]);

    for (int i = 1; i <= n; i ++ ) insert(i, i, a[i]);

    while (m -- )
    {
        int l, r, c;
        scanf("%d%d%d", &l, &r, &c);
        insert(l, r, c);
    }

    for (int i = 1; i <= n; i ++ ) b[i] += b[i - 1];

    for (int i = 1; i <= n; i ++ ) printf("%d ", b[i]);

    return 0;
}

思路:

假定a数组最开始都是0,那么b数组初始时就是a数组的差分数组了,满足b[i]=a[i]-a[i-1]for (int i = 1; i <= n; i ) insert(i, i, a[i]);

然后在对于差分数组b从i到i的位置插入a[i],则a[i]则从0加上a[i]之后等于输入的a[i]的值

a[1]~a[i-1]、a[i+1]~a[N]无影响


构造方法二:通过b[i]=a[i]-a[i-1]构造差分数组b

#include<iostream>
using namespace std;
const int N = 1e5 + 10;
int a[N],b[N]; 
int main()
{
    int n,m;
    scanf("%d%d", &n, &m);
    for(int i = 1;i <= n; i++) 
    {
        scanf("%d", &a[i]);
        b[i] = a[i] - a[i - 1];      //构建差分数组
    }
    int l, r, c;
    while(m--)
    {
        scanf("%d%d%d", &l, &r, &c);
        b[l] += c;     //表示将序列中[l, r]之间的每个数加上c
        b[r + 1] -= c;
    }
    for(int i = 1;i <= n; i++) 
    {
        b[i] += b[i - 1];  //求前缀和运算
        printf("%d ",b[i]);
    }
    return 0;
}

思路:

从差分数组的定义出发,for(int i=1;i<=n;i) b[i]=a[i]-a[i-1]; 用这一行替换上一行,效果一样;


 二者区别:

只是方法一的把a数组一开始假定全为0,b数组初始时就是a数组的差分数组,读入的a[i]再插入;而方法二把输入的值当做a数组,差分数组b就需要通过b[i]=a[i]-a[i-1]构造。

参考链接:前缀和与差分 图文并茂 超详细整理(全网最通俗易懂)_前缀和差分-CSDN博客

  • 14
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
差分隐私是一种保护个体隐私的技术,在数据聚类中也可以应用差分隐私来保护敏感信息。差分隐私k-means一维聚类代码的实现如下: ```python import numpy as np from scipy.spatial.distance import cdist def kmeans(data, k, epsilon): n = data.shape[0] d = data.shape[1] centers = np.random.rand(k, d) # 随机初始化聚类中心 while True: # 计算每个样本点到聚类中心的距离 distances = cdist(data, centers) # 对每个样本点,选择距离最近的聚类中心 labels = np.argmin(distances, axis=1) # 更新聚类中心 new_centers = np.zeros((k, d)) for i in range(k): cluster_points = data[labels == i] if len(cluster_points) > 0: noise = np.random.laplace(0, 2 / epsilon, d) # 添加拉普拉斯噪声 new_centers[i] = np.mean(cluster_points, axis=0) + noise else: new_centers[i] = centers[i] # 判断是否收敛 if np.linalg.norm(new_centers - centers) < 1e-6: break centers = new_centers return centers, labels # 示例数据 data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]).reshape(-1, 1) k = 2 epsilon = 0.1 # 调用差分隐私k-means聚类算法 centers, labels = kmeans(data, k, epsilon) print("聚类中心:") print(centers) print("样本点所属的聚类标签:") print(labels) ``` 这段代码实现了差分隐私的k-means一维聚类算法。首先,随机初始化k个聚类中心。然后,迭代计算每个样本点到聚类中心的距离,并选择距离最近的聚类中心作为该样本点的标签。接着,根据每个聚类中的样本点计算新的聚类中心,并添加拉普拉斯噪声以保护隐私。最后,判断聚类中心是否收敛,如果收敛则停止迭代,返回最终的聚类中心和样本点的标签。

“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
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