浙大 PAT 甲级 1107 Social Clusters 并查集

一看到Cluster就应该想到使用并查集。这题的并查集有些变化,以往都是以有向图的形式出题,告知了有向边的信息。这题有向边的信息不够直白,但可以稍做转换。

可以假设每一个Cluster中编号最小的hobby为根节点。这样,输入时找到每个人爱好的编号最小的节点,这个节点与其他爱好构成有向边。

例如,某个人爱好为2,3,4,7,其中目前7所在的Cluster根节点最小,为1,那么就等于告知了1->2,1->3,1->4,1->7四条有向边,再按照并查集的传统方式来操作即可。

贴上AC代码

#include<stdio.h>
#include<map>
#include<vector>
#include<algorithm>
using namespace std;

int num[1001];
int clusters[1001]; // hobby <second> belongs to cluster <first> 

int getCluster(int hobby)
{
    if (clusters[hobby] == hobby)
    {
        return hobby;
    }
    else
    {
        int cluster = getCluster(clusters[hobby]);
        clusters[hobby] = cluster;
        return cluster;
    }
}

bool cmp(int a, int b)
{
    return a > b;
}

int main()
{
    int N;
    scanf("%d", &N);
    // init clusters
    for (int i = 1; i <= 1000; i++)
    {
        clusters[i] = i;
        num[i] = 0;
    }
    for (int i = 0; i < N; i++)
    {
        int k;
        scanf("%d: ", &k);
        int mainhobby = 1001;
        vector<int> hobbies;
        for (int j = 0; j < k; j++)
        {
            int hobby;
            scanf("%d", &hobby);
            hobbies.push_back(hobby);
            if (getCluster(hobby) < mainhobby)
            {
                mainhobby = getCluster(hobby);
            }
        }
        num[mainhobby]++;
        for(int j=0;j<k;j++)
        {
            int cluster = getCluster(hobbies[j]);
            if (cluster != mainhobby)
            {
                num[mainhobby] += num[cluster];
                clusters[cluster] = mainhobby;
            }
        }
    }
    vector<int> ans;
    for (int i = 1; i < 1001; i++)
    {
        if (clusters[i] == i&&num[i] > 0)
        {
            ans.push_back(num[i]);
        }
    }
    sort(ans.begin(), ans.end(), cmp);
    printf("%d\n", ans.size());
    for (int i = 0; i < ans.size(); i++)
    {
        if (i == 0) printf("%d", ans[i]);
        else printf(" %d", ans[i]);
    }
    printf("\n");
    return 0;
}

 

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,我可以为您解答。首先,谱聚类是一种基于图论的聚类方法,它将数据集视为图结构,通过对图进行特征分解来进行聚类。而Nystroem是一种用于近似特征分解的方法,它可以大大降低计算复杂度。下面是用Nystroem进行谱聚类并生成圆环数据集的步骤: 1. 首先,我们需要生成圆环数据集。这可以通过以下代码实现: ``` import numpy as np import matplotlib.pyplot as plt def generate_data(n_samples, noise=0.05): t = np.linspace(0, 2 * np.pi, n_samples, endpoint=False) inner = 0.5 + 0.2 * np.random.rand(n_samples) - noise outer = 1.0 + 0.2 * np.random.rand(n_samples) - noise X = np.concatenate([np.stack([inner * np.cos(t), inner * np.sin(t)], axis=1), np.stack([outer * np.cos(t), outer * np.sin(t)], axis=1)], axis=0) y = np.concatenate([np.zeros(n_samples), np.ones(n_samples)]) return X, y X, y = generate_data(100) plt.scatter(X[:,0], X[:,1], c=y) plt.show() ``` 这将生成一个包含100个样本的圆环数据集,并使用散点图可视化。 2. 接下来,我们需要进行特征分解。由于数据集较小,我们可以使用完整的特征分解。代码如下所示: ``` from sklearn.cluster import SpectralClustering from sklearn.datasets import make_circles from sklearn.metrics import pairwise_distances from sklearn.preprocessing import KernelCenterer n_samples = 100 X, y = make_circles(n_samples=n_samples, factor=.5, noise=.05) # 计算数据集的核矩阵 gamma = 1.0 / (2 * np.power(noise, 2)) K = np.exp(-gamma * pairwise_distances(X, metric="euclidean") ** 2) # 使用Nystroem方法进行特征分解 from sklearn.kernel_approximation import Nystroem n_components = 20 nystroem = Nystroem(kernel="rbf", gamma=gamma, n_components=n_components) X_features = nystroem.fit_transform(X) # 对特征进行中心化 centerer = KernelCenterer() X_features = centerer.fit_transform(X_features) # 对特征进行谱聚类 n_clusters = 2 spectral = SpectralClustering(n_clusters=n_clusters, affinity="precomputed") spectral.fit(K) # 对特征进行谱聚类 spectral_features = SpectralClustering(n_clusters=n_clusters).fit_predict(X_features) # 可视化聚类结果 plt.subplot(121) plt.scatter(X[:, 0], X[:, 1], c=spectral.labels_) plt.title("Spectral Clustering on Original Data") plt.subplot(122) plt.scatter(X[:, 0], X[:, 1], c=spectral_features) plt.title("Spectral Clustering on Nystroem Features") plt.show() ``` 这将使用Nystroem方法进行特征分解,并使用谱聚类对原始数据和Nystroem特征进行聚类。最终的聚类结果将使用散点图可视化。 希望这能够帮助您!

“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