1003. 我要通过!

点击打开链接


题目中的 PAT 分布是有规律可寻的,即把A分成三部分:P前面  *  P和T中间  =  T后面

例如:

PAT    0 * 1 = 0

PAAT    0 * 2 = 0

AAPATAA   2 * 1 = 2

AAPAATAAAA      2 * 2 = 4


所以先判断P和T是否存在,并且个数为1,再对A进行判断。


#include <iostream>
using namespace std;

bool judge(string s)
{
	int a[5] = {0};
	for(int i = 0; i < s.length(); i++) {
		if(s[i] != 'P' && s[i] != 'A' && s[i] != 'T') {
			return false;
		}
		if(s[i] == 'P') {
			a[0]++;
			if(a[1] != 0 || a[0] > 1) {
				return false;
			}
		} else if(s[i] == 'T') {
			a[1]++;
			if(a[0] == 0 || a[1] > 1) {
				return false;
			}
		} else {
			if(a[0] == 0 && a[1] == 0) {
				a[2]++;
			} else if(a[0] != 0 && a[1] == 0) {
				a[3]++;
			} else {
				a[4]++;
			}
		}
	}
	
	if(a[0] == 0 || a[1] == 0 || a[3] == 0) {
		return false;
	} else if(a[3] * a[2] != a[4]) {
		return false;
	} else {
		return true;
	}
	
}

int main()
{
	int n;
	cin >> n;
	for(int i = 0; i < n; i++) {
		string s;
		cin >> s;
		if(judge(s)) {
			cout << "YES" << endl;
		} else {
			cout << "NO" << endl;
		}
	}
	return 0;
}




  • 9
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
好的,让我来回答您的问题。 (1) 通过 Python/pandas 读取数据库文件或 csv 文件: 可以使用 pandas 的 `read_csv()` 函数来读取 csv 文件。例如,假设文件名为 `data.csv`,可以使用以下代码读取该文件: ```python import pandas as pd df = pd.read_csv('data.csv') ``` 如果您的数据存储在数据库中,则可以使用 Python 的数据库 API(如 `sqlite3`、`psycopg2` 等)连接到数据库,并使用 SQL 查询语句从数据库中检索数据。然后,将检索到的数据转换为 pandas DataFrame,以便进行分析。 (2) 对获取得到的数据进行分析 1. 是否线性关系?请画出各自变量与因变量的散点图。 可以使用 matplotlib 库来绘制散点图。以下是绘制占用资金与销售额之间散点图的示例代码: ```python import matplotlib.pyplot as plt plt.scatter(df['x1'], df['y']) plt.xlabel('库存资金额') plt.ylabel('销售额') plt.show() ``` 您可以按照相同的方式绘制其他变量与销售额之间的散点图,以便检查它们之间是否存在线性关系。 2. 建立并给出销售额的回归模型;给出各回归系数的 95% 的置信区间。 可以使用 statsmodels 库来建立线性回归模型。以下是使用 `statsmodels.formula.api` 模块建立销售额的回归模型的示例代码: ```python import statsmodels.formula.api as smf model = smf.ols('y ~ x1 + x2 + x3', data=df).fit() print(model.summary()) ``` 上述代码中,`y` 表示因变量,`x1`、`x2` 和 `x3` 分别表示自变量。`ols()` 函数的第一个参数是一个公式字符串,指定模型的形式。`data` 参数是一个 DataFrame,指定要用于拟合模型的数据。`fit()` 方法返回一个 `RegressionResults` 对象,其中包含有关拟合模型的有用信息,例如回归系数、置信区间和拟合优度等。 调用 `summary()` 方法可以打印出有关模型的详细信息,包括回归系数、标准误差、置信区间、F 统计量、p 值等。 3. 计算回归的拟合优度判定系数(多重可决系数)。 可以使用 `rsquared` 属性计算 R 平方值。例如,以下代码计算 R 平方值: ```python print('R squared:', model.rsquared) ``` 4. 对回归方程做 F 检验,检验线性回归的显著性。 可以使用 `f_pvalue` 属性计算 F 统计量的 p 值。例如,以下代码计算 F 统计量的 p 值: ```python print('F p-value:', model.f_pvalue) ``` 如果 p 值小于给定的显著性水平(通常为 0.05),则可以拒绝零假设,即线性回归显著。 5. 如果未来某月库存资金额为 150 万元,广告投入预算为 45 万元,员工薪酬总额为 27 万元,试根据建立的回归模型预测该月的销售额。 可以使用 `predict()` 方法根据建立的回归模型预测销售额。例如,以下代码预测库存资金额为 150 万元、广告投入预算为 45 万元、员工薪酬总额为 27 万元时的销售额: ```python new_data = {'x1': 150, 'x2': 45, 'x3': 27} print('预测销售额:', model.predict(new_data)) ``` 以上就是对您问题的回答,希望对您有所帮助。

“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 3
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