qq_51567563的博客

题目描述：输入格式：输出格式：样例1输入：60 0 5 5 10 10样例1输出：3015样例1解释：样例2输入：710 20 30 40 50 60 75样例2输出：285285样例2解释：题解：n = int(input())li = list(map(int, input().split()))sum_max = sum(li)set1 = set(li)sum_min = sum(set1)p

题目描述：输入格式：输出格式：样例1输入：样例1输出：样例1解释：样例2输入：样例2输出：样例2解释：不存在可选地址样例3输入：样例3输出：*样例3解释：题解：n = int(input())points = []grades = [0 for i in range(5)]# print(grads)for i in range(n): points.append(list(map(int, inpu

题目描述：输入格式：输出格式：样例1输入：20样例1输出：2110样例1解释：样例2输入：66样例2输出：75115子任务：题解：n = int(input())a_count = 0b_count = 0c_count = 0d_count = 0times = 0i = 1def Check(temp): if temp % 7 == 0: return True elif

题目描述：输入格式：输出格式：样例输入：10 3 44 57 -310 11 104 205 307 40样例输出：-20# 第1~11行对传入的数据进行存储n, a, b = map(int, input().split())dic_a = {}dic_b = {}mul = 0for i in range(a + b): if i < a: index, value = map(int, input().split

题目描述：输入格式：输出格式：样例输入：样例输出：题解：n, m = map(int, input().split())li_n = []li_m = []li_A = []li_B = []li_result = []for i in range(n): li1 = list(input().split()) for j in range(2): li1[j] = int(li1[j]) li_n.append(li1)for i

直接上效果图要用到的库import tkinter as tkimport xlwtimport requestsimport timefrom bs4 import BeautifulSoup爬虫部分def spy(str): book = xlwt.Workbook(encoding='utf-8', style_compression=0) # 这是要爬取到excel中的信息 row = ['名称', '地点', '薪资', '公司', '..

试题名称：邻域均值试题背景：顿顿在学习了数字图像处理后，想要对手上的一副灰度图像进行降噪处理。不过该图像仅在较暗区域有很多噪点，如果贸然对全图进行降噪，会在抹去噪点的同时也模糊了原有图像。因此顿顿打算先使用邻域均值来判断一个像素是否处于较暗区域，然后仅对处于较暗区域的像素进行降噪处理。问题描述：现给定邻域参数r和阈值t，试统计输入灰度图像中有多少像素处于较暗区域。样例输入:4 16 1 60 1 2 34 5 6 78 9 10 1112 13 14 15样例输出:.

csp 202104-1 python解法(100分)首先看题：这里输入第一行的第一个数代表矩阵A的行数，第二个数代表列数，第三个数可以理解为矩阵中出现的最大的数减1接收输入的数据：n, m, l = map(int, input().split())matrix = []for _ in range(n): matrix.append(list(map(int, input().split())))result = [0]*l #创建l大小的一个数组解题思路：每当[0

简易翻译器简单的Introduction先说说这个工具我们将会用到的python库：import tkinter as tkimport requests用到tkinter是因为我们在后面会做一个UI界面，为什么会用tkinter，而不用pyqt5呢，一个简单的原因，因为简单，哈哈哈。用requests库是因为我们需要向有道的官网发送一个post请求，获取返回的数据，这里会用到一点点网络爬虫的东西，不懂的可以自学一下。废话不多说，开干！！！代码部分（1）爬虫部分有道翻译的网

iris_LogisticRegression_optimization（1）背景常规任务是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归常用来解决二分类的问题。与线性回归有很多相同之处，去除Sigmoid映射函数的话，逻辑回归算法就是一个线性回归。（2）基本假设面对一个回归或者分类问题，建立代价函数，然后通过优化方法（通过train_data训练我们的model）迭代求解出最优的模型参数，然后测试验证我们这个求解的模型的好坏优化的部分是不用