赛码网-Light 100%AC代码(C++)

————————————————————————————————————
⏩ 大家好哇!我是小光,嵌入式爱好者,一个想要成为系统架构师的大三学生。
⏩最近在准备秋招,一直在练习编程。
⏩本篇文章对赛码网的 Light 题目做一个详解。
⏩感谢你的阅读,不对的地方欢迎指正。
————————————————————————————————————
题目:
在这里插入图片描述
分析:其实这道题不难,只需要记录每一个序号出现的次数就可以了,第一种想法就是定义一个数组,对应的是序号出现的次数,但是题目要求序号的范围是0~2^31-1,所以我们使用哈希表来写:
这里我们使用了C++标准库中的unordered_map来实现哈希表。unordered_map提供了以键值对形式存储数据,并以O(1)的平均复杂度进行插入、查找和删除操作。
通过使用unordered_map,我们可以在遍历输入时统计每个灯泡的被控制次数,并且无需担心序号的范围限制。最后,我们遍历哈希表,计算出被控制次数大于等于1的灯泡数量。

#include <iostream>
#include <unordered_map>
using namespace std;
int main()
{
    int n;
    unordered_map<int,int> hash;
    scanf("%d",&n);
    for(int i = 0;i < n;i ++){
        int k;
        scanf("%d",&k);
        for(int j = 0;j < k;j++){
            int bot;
            scanf("%d",&bot);
            hash[bot]++;
        }
    }
    printf("%d",hash.size());
    return 0;
}

代码非常的简单,最后AC100%

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
XGBoost、LightGBM和ConvLSTM都是机器学习中常用的算法,可以用于不同类型的问题。下面是一个简单的代码示例,展示如何使用XGBoost、LightGBM和ConvLSTM来解决时间序列预测问题。假设我们要预测未来7天内的温度变化,我们可以使用过去14天的温度数据作为输入。 首先,我们需要导入必要的库: ```python import numpy as np import pandas as pd from sklearn.metrics import mean_squared_error from sklearn.preprocessing import StandardScaler from xgboost import XGBRegressor import lightgbm as lgb from keras.models import Sequential from keras.layers import ConvLSTM2D, Flatten, Dense ``` 接下来,我们可以加载数据集并进行一些预处理。假设我们的数据集包含温度数据和日期时间戳,我们需要将它们转换为适合模型输入的格式。 ```python # 加载数据集 df = pd.read_csv('temperature_data.csv', parse_dates=['timestamp']) # 将日期时间戳转换为数字格式 df['timestamp'] = pd.to_numeric(df['timestamp']) # 对温度数据进行归一化 scaler = StandardScaler() df['temperature'] = scaler.fit_transform(df['temperature'].values.reshape(-1, 1)) # 创建滑动窗口序列 sequence_length = 14 sequence_cols = ['temperature'] result = [] for index in range(len(df) - sequence_length): result.append(df[sequence_cols].values[index: index + sequence_length]) # 转换为NumPy数组 result = np.array(result) # 划分训练集和测试集 row = round(0.9 * result.shape[0]) train = result[:int(row), :] x_train = train[:, :-1] y_train = train[:, -1] x_test = result[int(row):, :-1] y_test = result[int(row):, -1] ``` 接下来,我们可以使用XGBoost来训练模型并进行预测。 ```python # 训练XGBoost模型 xgb_model = XGBRegressor(n_estimators=1000) xgb_model.fit(x_train.reshape((x_train.shape[0], x_train.shape[1])), y_train) # 进行预测 y_pred_xgb = xgb_model.predict(x_test.reshape((x_test.shape[0], x_test.shape[1]))) ``` 然后,我们可以使用LightGBM来训练模型并进行预测。 ```python # 训练LightGBM模型 lgb_model = lgb.LGBMRegressor(n_estimators=1000) lgb_model.fit(x_train.reshape((x_train.shape[0], x_train.shape[1])), y_train) # 进行预测 y_pred_lgb = lgb_model.predict(x_test.reshape((x_test.shape[0], x_test.shape[1]))) ``` 最后,我们可以使用ConvLSTM来训练模型并进行预测。 ```python # 训练ConvLSTM模型 seq = Sequential() seq.add(ConvLSTM2D(filters=64, kernel_size=(1, 3), input_shape=(None, 1, sequence_length, 1), padding='same',

“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

打赏作者

小光学嵌入式

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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