问题 I: 星区划分-------------------------------思维(暴力+并查集)

题目描述
爱好天文的小七发明了一种太空分区方法,在这个方法中,宇宙里亮度相近的星星被划为同一个星区。空间中任意相邻或坐标相同的星星若亮度差不大于给定整数M,则这两个星星属于同一星区(两个星星可能会有相同的坐标)。

现给你一个空间n个星星的三维坐标(x,y,z),和亮度值v,每个星星的上、下、左、右、前、后的六个相邻位置被认为是与其相邻的。请你计算一下该空间内的星区数量。

输入
第一行1个正整数n。n<=1000
第二行 1个正整数m。m<=109
第二行到第n+1行,每行四个正整数x,y,z,v。0<=x,y,z,v<=109
输出
一行正整数k,代表星区数量。

样例输入 Copy
5
2
1 1 1 2
1 2 3 2
1 2 2 5
1 1 0 3
1 0 1 3
样例输出 Copy
3
解析:
暴力1000*1000 并查集维护个数


#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
int n;
ll m;
struct node
{
	ll x,y,z,v;
}a[100005];
int fa[100005];
int find(int x)
{
	if(x!=fa[x]) return fa[x]=find(fa[x]);
	return fa[x];
}
bool check(node a,node b)
{
	if(abs(a.v-b.v)>m) return false;
	return abs(a.x-b.x)+abs(a.y-b.y)+abs(a.z-b.z)<=1; //判断是否相邻,相邻和重合都是<=1的,如果>1则是多个方向的
}
int main()
{
	scanf("%d %lld",&n,&m);
	for(int i=1;i<=n;i++) fa[i]=i;
	for(int i=1;i<=n;i++) 
	{
		cin>>a[i].x>>a[i].y>>a[i].z>>a[i].v;
	}
	for(int i=1;i<=n;i++)
		for(int j=i+1;j<=n;j++)
		{
			if(check(a[i],a[j]))
			{
				int u=find(i);int v=find(j);
				if(u!=v)
				{
					fa[u]=v;
				}
			}
		}
	int cnt=0;
	for(int i=1;i<=n;i++)
	{
		if(i==fa[i]) cnt++;
	}
	cout<<cnt<<endl;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
k-means聚类算法是一种无监督学习方法,用于将数据集分成k个类。其基本思想是将数据集划分为k个簇,每个簇对应一个聚类中心,使得簇内数据点到聚类中心的距离最小,而簇间数据点的距离最大。下面介绍k-means聚类算法的python实现方法。 1.导入相关库和数据集 首先需要导入相关库和数据集,本例使用sklearn库中的make_blobs模块生成一个随机数据集。 ``` python from sklearn.datasets import make_blobs import matplotlib.pyplot as plt import numpy as np # 生成随机数据集 X, y = make_blobs(n_samples=200, centers=4, random_state=42) ``` 2.初始化聚类中心 k-means算法需要对聚类中心进行初始化,可以随机选择k个数据点作为初始聚类中心。下面使用numpy库中的random模块随机选择k个数据点。 ``` python # 初始化聚类中心 k = 4 init_index = np.random.choice(X.shape[0], k, replace=False) centroids = X[init_index] ``` 3.迭代更新聚类中心和簇分配 k-means算法迭代更新聚类中心和簇分配,直到聚类中心不再变化或达到最大迭代次数。下面是完整的k-means聚类算法python实现代码。 ``` python def k_means(X, k, max_iter=100): # 初始化聚类中心 init_index = np.random.choice(X.shape[0], k, replace=False) centroids = X[init_index] # 迭代更新聚类中心和簇分配 for i in range(max_iter): # 计算每个数据点到聚类中心的距离 distances = np.sqrt(np.sum((X - centroids[:, np.newaxis])**2, axis=2)) # 簇分配 cluster = np.argmin(distances, axis=0) # 更新聚类中心 for j in range(k): centroids[j] = np.mean(X[cluster==j], axis=0) return centroids, cluster # 调用k_means函数进行聚类 centroids, cluster = k_means(X, 4) # 可视化聚类结果 colors = ['r', 'g', 'b', 'y'] for i in range(4): plt.scatter(X[cluster==i][:, 0], X[cluster==i][:, 1], c=colors[i]) plt.scatter(centroids[:, 0], centroids[:, 1], marker='*', s=300, c='black') plt.show() ``` 运行结果如下图所示,其中四个颜色代表四个簇,黑色号代表聚类中心。 ![k-means聚类算法python实现结果](https://img-blog.csdn.net/20180725161906370?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaWJvX3J1/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/q/75)
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