【hot100篇-python刷题记录】【字母异位词分组】

已于 2024-08-23 07:56:37 修改
阅读量165 收藏
点赞数 3
分类专栏： 力扣hot100-python 文章标签： 哈希算法 散列表 算法 leetcode python 数据结构 开发语言
于 2024-08-22 07:30:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_73629042/article/details/141407610
版权

R6-哈希篇

思路：

哈希表记录：key=同一个单词 value=各种形态（使用数组append）---最后list输出即可

判断是否同一个：sort即可

class Solution:
    def groupAnagrams(self, strs: List[str]) -> List[List[str]]:
        dict=defaultdict(list)
        for s in strs:
            a=sorted(s)
            dict[''.join(a)].append(s)
        return list(dict.values())

 

我明天再来学Web渗透
关注
专栏目录
〖Python 数据库开发实战 - Python与Redis交互篇④〗- 利用 redis-py 实现集合与有序集合的常用指令操作
易编橙 · 终身成长社群，相遇已是上上签！
09-25 3万+
OK，上一章节，我们利用 redis-py 这个模块实现了针对 "列表数据类型" 的一些常用指令操作。今天章节我们将来学习 redis-py 这个模块针对 "集合" 与 "有序集合"的一些常用指令操作吧。
【hot100篇-python刷题记录】【找到字符串中所有字母异位词】
m0_73629042的博客
08-23 231
接着开始滑动窗口，每次从右边增加一个字符。因此初始滑动窗口大小为len(p)-1，当从右边增加一个元素，判断counter1是否等于counter2。如果counter2中left对应的字符数量为0，需要删除，避免影响下一次的判断。left和right指针都向右移动。先统计一遍p的counter1。相等：append(left)
Leetcode hot100 刷题记录 (python)
qq_61631811的博客
02-20 963
【代码】Leetcode hot100 刷题记录 (python)
Leetcode Hot 100 刷题记录，python语言
yuyu12prince的博客
06-29 336
leetcode hot 100
Leetcode刷题:热题HOT100-Medium篇-Python多算法实现（完结-11~20题）
oax_knud的博客
11-18 656
记录LeetCode 热题 HOT 100的Medium题目题解，采用python实现。在排序数组中查找元素的第一个和最后一个位置给你一个按照非递减顺序排列的整数数组 nums，和一个目标值 target。请你找出给定目标值在数组中的开始位置和结束位置。如果数组中不存在目标值 target，返回 [-1, -1]。你必须设计并实现时间复杂度为 O(log n) 的算法解决此问题。
力扣hot100题解（python版1-6题）
小橘子的博客
02-20 1545
给定一个整数数组nums和一个整数目标值target，请你在该数组中找出target的那整数，并返回它们的数组下标。你可以假设每种输入只会对应一个答案。但是，数组中同一个元素在答案里不能重复出现。你可以按任意顺序返回答案。方法1、二层for循环 暴力解决方法2、采用字典存储加遍历 python中的字典底层为哈希表。
刷题记录-HOT 100（一）
Willowii的博客
09-01 726
记录题解和思路。
刷题记录5---旋转图像+两数之和+字母异位词分组+最长连续序列+跳跃游戏
热巴的小哥哥博客
05-02 1911
前言 所有题目均来自力扣题库中的hot 100，之所以要记录在这里，只是方便后续复习
hot100刷题记录
qq_43814415的博客
02-26 926
先查找字典中是否存在 target−nums[i]target - nums[i]target−nums[i]，存在则输出 target−nums[i]target - nums[i]target−nums[i] 对应的下标和当前数组的下标 iii。退出条件：指针相遇。可能有很多连续序列，不可能每个序列长度都存储到一个序列中，所以要找到全局最长，每次和局部最长对比，取最长，这样最后就是全局最长的了。找到开头，再往后找，也就是加1，如果存在，那就给当前序列长度加一，然后继续往后找，直到不存在为止；
【数据结构】【更新中】【python】leetcode刷题记录：热题100答案 + 每日一题（附文字说明）
FQY__的博客
01-27 2091
题目为leetcode的热题100.仅作学习用，且题目为节选。
记录算法刷题过程 主要题目类型为leetcode hot100 动态规划 二叉树 单调栈 递归 链表 数组 贪心算法等
08-14
记录算法刷题过程 主要题目类型为leetcode hot100 动态规划 二叉树 单调栈 递归 链表 数组 贪心算法等
力扣热题100刷题笔记[python]
仰望星空
05-07 1349
力扣100刷题题解
打开我的收藏夹 -- Python篇
看，未来的博客
03-24 8261
文章目录python基础部分Python打包exe文件pyinstallerPython爬虫Scrapy框架接着，建立工程文件：创建爬虫文件：定义一个容器，保存爬取的数据。重新编写爬虫文件MySpider.py：运行scrapy框架：使用Pipeline处理数据：selenium元素操作：WebElement 接口常用方法：鼠标操作：键盘操作：（这个比较重要啦）多表单切换：多窗口切换警告框处理上传文件窗口截图！！！（这功能我一直想要）数据分析pandas数据分析项目：马大师数据可视化pyechart 之我.
代码随想录训练营Day12 | 110.平衡二叉树 - 257二叉树的所有路径 - 404.左叶子之和 - 222.完全二叉树的节点个数
Zuoriqiufeng的博客
10-30 391
【代码】代码随想录训练营Day12 | 110.平衡二叉树 - 257二叉树的所有路径 - 404.左叶子之和 - 222.完全二叉树的节点个数。
xtu oj 连接字符串
Go offline for a while
10-30 960
最后总结一下：这题思路比较直观，找公共的元素，代码细节比较多，一个是要求输出字典序小的，第二是前面字符串要枚举完最后一个元素才算满足条件，第三是两个字符串可能完全没有公共部分，需要特判。
【力扣打卡系列】二分查找(搜索旋转排序数组)
qq_45734745的博客
10-29 290
坚持按题型打卡&刷&梳理力扣算法题系列，语言为go，Day11。
【算法】Kruskal最小生成树算法
Eristic0618的博客
10-29 720
算法学习笔记之Kruskal最小生成树算法
迷宫求解：探索最优路径的算法与应用
最新发布
liaozp88的博客
11-02 142
迷宫求解问题通常可以通过图搜索算法来解决，常用的方法包括广度优先搜索（BFS）、深度优先搜索（DFS）和A*算法。
【力扣打卡系列】二分查找（搜索旋转排序数组2）
qq_45734745的博客
10-29 260
坚持按题型打卡&刷&梳理力扣算法题系列，语言为go，Day10。
python数据获取及预处理_常见的数据预处理--python篇
05-20
在进行数据分析和建模之前，数据预处理是必不可少的步骤。本文将介绍常见的数据预处理方法，以及如何用Python实现它们。 ## 缺失值处理 在实际数据中，经常会出现缺失值。这些缺失值可能是由于数据采集过程中的问题，或者是由于某些数据不可用或丢失。在分析过程中，缺失值会影响模型的准确性，因此需要进行处理。 ### 1. 删除缺失值 一种简单的方法是删除包含缺失值的行或列。这种方法简单、直接，但也可能会导致数据丢失过多。 ```python # 删除包含缺失值的行 df.dropna(inplace=True) # 删除包含缺失值的列 df.dropna(axis=1, inplace=True) ``` ### 2. 填充缺失值 另一种方法是用其他值填充缺失值。常见的填充方法包括： - 用平均值、中位数或众数填充 - 用前一个或后一个非缺失值填充 - 用插值法填充（比如线性插值、多项式插值等） ```python # 用平均值填充缺失值 df.fillna(df.mean(), inplace=True) # 用前一个非缺失值填充缺失值 df.fillna(method='ffill', inplace=True) # 用插值法填充缺失值 df.interpolate(inplace=True) ``` ## 异常值处理 异常值是指与其它数据极为不同的数据点。异常值可能是由于数据采集过程中的错误或异常，或者是由于真实的异常情况。在分析过程中，异常值会影响模型的准确性，因此需要进行处理。 ### 1. 删除异常值 一种简单的方法是删除包含异常值的行或列。这种方法可能会导致数据丢失过多。 ```python # 删除包含异常值的行 df = df[df['column'] < threshold] # 删除包含异常值的列 df.drop('column', axis=1, inplace=True) ``` ### 2. 替换异常值 另一种方法是用其他值替换异常值。常见的替换方法包括： - 用平均值、中位数或众数替换 - 用前一个或后一个非异常值替换 - 用插值法替换（比如线性插值、多项式插值等） ```python # 用中位数替换异常值 median = df['column'].median() df.loc[df['column'] > threshold, 'column'] = median # 用前一个非异常值替换异常值 df.loc[df['column'] > threshold, 'column'] = df.loc[df['column'] < threshold, 'column'].iloc[-1] # 用插值法替换异常值 df['column'] = df['column'].interpolate() ``` ## 数据标准化 在进行数据分析和建模之前，通常需要对数据进行标准化。标准化可以将不同变量的取值范围统一，避免因为变量取值范围不同而导致的模型偏差。 常见的标准化方法包括： - Z-score标准化 - 最小-最大标准化 - 小数定标标准化 ```python # Z-score标准化 from sklearn.preprocessing import StandardScaler scaler = StandardScaler() df['column'] = scaler.fit_transform(df[['column']]) # 最小-最大标准化 from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() df['column'] = scaler.fit_transform(df[['column']]) # 小数定标标准化 df['column'] = df['column'] / 10**np.ceil(np.log10(df['column'].abs().max())) ``` ## 数据编码 在进行数据分析和建模之前，通常需要对非数值型数据进行编码。编码可以将非数值型数据转换成数值型数据，方便模型进行计算。 常见的编码方法包括： - one-hot编码 - 标签编码 ```python # one-hot编码 from sklearn.preprocessing import OneHotEncoder encoder = OneHotEncoder() encoded = encoder.fit_transform(df[['column']]) df_encoded = pd.DataFrame(encoded.toarray(), columns=encoder.get_feature_names(['column'])) # 标签编码 from sklearn.preprocessing import LabelEncoder encoder = LabelEncoder() df['column'] = encoder.fit_transform(df['column']) ``` ## 特征选择 在进行数据分析和建模之前，通常需要对特征进行选择。特征选择可以帮助我们选择最重要的特征，避免因为特征过多而导致的过拟合问题。 常见的特征选择方法包括： - 方差选择法 - 相关系数法 - 卡方检验法 - 互信息法 - 基于模型的选择法 ```python # 方差选择法 from sklearn.feature_selection import VarianceThreshold selector = VarianceThreshold(threshold=0.1) df_selected = selector.fit_transform(df) # 相关系数法 from sklearn.feature_selection import SelectKBest from scipy.stats import pearsonr selector = SelectKBest(score_func=pearsonr, k=5) df_selected = selector.fit_transform(df, target) # 卡方检验法 from sklearn.feature_selection import chi2 selector = SelectKBest(score_func=chi2, k=5) df_selected = selector.fit_transform(df, target) # 互信息法 from sklearn.feature_selection import mutual_info_classif selector = SelectKBest(score_func=mutual_info_classif, k=5) df_selected = selector.fit_transform(df, target) # 基于模型的选择法 from sklearn.feature_selection import SelectFromModel from sklearn.linear_model import LogisticRegression selector = SelectFromModel(LogisticRegression(penalty='l1', C=0.1)) df_selected = selector.fit_transform(df, target) ``` 以上就是常见的数据预处理方法和Python实现方式。在实际分析和建模中，我们需要根据具体情况选择合适的方法。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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