题目背景
考虑到安全指数是一个较大范围内的整数、小菜很可能搞不清楚自己是否真的安全,顿顿决定设置一个阈值 θ,以便将安全指数 y 转化为一个具体的预测结果——“会挂科”或“不会挂科”。
因为安全指数越高表明小菜同学挂科的可能性越低,所以当 y≥θ 时,顿顿会预测小菜这学期很安全、不会挂科;反之若 y<θ,顿顿就会劝诫小菜:“你期末要挂科了,勿谓言之不预也。”
那么这个阈值该如何设定呢?顿顿准备从过往中寻找答案。
题目描述
具体来说,顿顿评估了 m 位同学上学期的安全指数,其中第 i(1≤i≤m)位同学的安全指数为 yi,是一个 [0,108] 范围内的整数;同时,该同学上学期的挂科情况记作 resulti∈0,1,其中 0 表示挂科、1 表示未挂科。
相应地,顿顿用 predictθ(y) 表示根据阈值 θ 将安全指数 y 转化为的具体预测结果。
如果 predictθ(yj) 与 resultj 相同,则说明阈值为 θ 时顿顿对第 j 位同学是否挂科预测正确;不同则说明预测错误。
predictθ(y)={0(y<θ)1(y≥θ)
最后,顿顿设计了如下公式来计算最佳阈值 θ∗:
θ∗=maxargmaxθ∈yi∑j=1m(predictθ(yj)==resultj)
该公式亦可等价地表述为如下规则:
-
最佳阈值仅在 yi 中选取,即与某位同学的安全指数相同;
-
按照该阈值对这 m 位同学上学期的挂科情况进行预测,预测正确的次数最多(即准确率最高);
-
多个阈值均可以达到最高准确率时,选取其中最大的。
输入格式
从标准输入读入数据。
输入的第一行包含一个正整数 m。
接下来输入 m 行,其中第 i(1≤i≤m)行包括用空格分隔的两个整数 yi 和 resulti,含义如上文所述。
输出格式
输出到标准输出。
输出一个整数,表示最佳阈值 θ∗。
样例1输入
6
0 0
1 0
1 1
3 1
5 1
7 1
Data
样例1输出
3
Data
样例1解释
按照规则一,最佳阈值的选取范围为 0,1,3,5,7。
θ=0 时,预测正确次数为 4;
θ=1 时,预测正确次数为 5;
θ=3 时,预测正确次数为 5;
θ=5 时,预测正确次数为 4;
θ=7 时,预测正确次数为 3。
阈值选取为 1 或 3 时,预测准确率最高;
所以按照规则二,最佳阈值的选取范围缩小为 1,3。
依规则三,θ∗=max1,3=3。
样例2输入
8
5 1
5 0
5 0
2 1
3 0
4 0
100000000 1
1 0
Data
样例2输出
100000000
Data
子任务
70% 的测试数据保证 m≤200;
全部的测试数据保证 2≤m≤105。
代码
n = int(input())
nums = []
for i in range(n):
p,q = map(int, input().split())
nums.append([p,q])
# 题目没有明确是有序的所以要先排序
nums.sort(key = lambda x:(x[0],x[1]))
sum = [0]
# 前缀和计算
for i in range(n):
sum.append(nums[i][1])
sum[-1] += sum[-2]
dict_ = {}
# 加一个字典方便标记,主要记录第一个点
for i in range(n-1,-1,-1):
dict_[nums[i][0]] = nums[i][1]
# 计算
res = [0,0]
i = 0
while i<n:
if dict_[nums[i][0]] == nums[i][1]:
# print(i)
predict = [i, n-i]
result = [i - sum[i], sum[n]-sum[i]]
if res[1] <= min(predict[0],result[0]) + min(predict[1],result[1]):
res = [nums[i][0], min(predict[0],result[0]) + min(predict[1],result[1])]
while i+1<n and nums[i][0] == nums[i+1][0]: # 重复点直接跳过
i += 1
i += 1
print(res[0])