hdu(1862)EXCEL排序

#include<stdio.h>
#include<string.h>
#include<stdlib.h>
struct point
{
int z;
char x[60],y[60];
}p[100006];
int cmp1(const void *a,const void *b)
{
struct point *c=(struct point*)a;
struct point *d=(struct point*)b;
return strcmp(c->x,d->x); -----------默认按从小到大排序。。
}
int cmp2(const void *a,const void *b)
{
struct point *c=(struct point*)a;
struct point *d=(struct point*)b;
if(c->z==d->z) --------------------------成绩相等时,按学号从小到大排序。。
        return strcmp(c->x,d->x);
else
return c->z-d->z;
}
int cmp3(const void *a,const void *b)
{
struct point *c=(struct point*)a;
struct point *d=(struct point*)b;
if(strcmp(c->y,d->y)==0)-----------------------名字相同时,按学号。。
   return strcmp(c->x,d->x);
else  
return strcmp(c->y,d->y);
}
int main()
{
int m,n,i,k=0;;
while(scanf("%d%d",&m,&n),m||n)
{
k++;
for(i=0;i<m;i++)
scanf("%s%s%d",p[i].x,p[i].y,&p[i].z);
if(n==1)
qsort(p,m,sizeof(p[0]),cmp1);
if(n==2)
qsort(p,m,sizeof(p[0]),cmp3);
if(n==3)
qsort(p,m,sizeof(p[0]),cmp2);
printf("Case %d:\n",k);
for(i=0;i<m;i++)
printf("%s %s %d\n",p[i].x,p[i].y,p[i].z);
}
return 0;
}



  一、对int类型数组排序

int num[100];

Sample:
int cmp ( const void *a , const void *b )

{
return *(int *)a - *(int *)b;
}

qsort(num,100,sizeof(num[0]),cmp);

二、对char类型数组排序(同int类型)

char word[100];

Sample:
int cmp( const void *a , const void *b )

{
return *(char *)a - *(int *)b;
}

qsort(word,100,sizeof(word[0]),cmp);

三、对double类型数组排序(特别要注意)

double in[100];

int cmp( const void *a , const void *b )

{
return *(double *)a -*(double *)b ;
 
}

qsort(in,100,sizeof(in[0]),cmp);

四、对结构体一级排序

struct In { double data; int other; }s[100]

//按照data的值从小到大将结构体排序,关于结构体内的排序关键数据data的类型可以很多种,

//参考上面的例子写

int cmp( const void *a ,const void *b)

{ return (*(In *)a).data > (*(In *)b).data ? 1 : -1; }

qsort(s,100,sizeof(s[0]),cmp);

五、对结构体二级排序

struct In { int x; int y; }s[100];

//按照x从小到大排序,当x相等时按照y从大到小排序

int cmp( const void *a , const void *b )

{

struct point *c = (struct point *)a;
struct point *d = (struct point *)b;

if(c->x != d->x)

          return c->x - d->x;

else

          return d->y - c->y;

}

qsort(s,100,sizeof(s[0]),cmp);

六、对字符串进行排序

struct In { int data; char str[100]; }s[100];

//按照结构体中字符串str的字典顺序排序

int cmp ( const void *a , const void *b )

{

return strcmp( (*(In *)a)->str , (*(In *)b)->str );

}

qsort(s,100,sizeof(s[0]),cmp);

七、计算几何中求凸包的cmp

int cmp(const void *a,const void *b)

//重点cmp函数,把除了1点外的所有点,旋转角度排序

{

struct point *c=(point *)a;

struct point *d=(point *)b;

if( calc(*c,*d,p[1]) < 0)

         return 1;

else if( !calc(*c,*d,p[1]) && dis(c->x,c->y,p[1].x,p[1].y) < dis(d->x,d->y,p[1].x,p[1].y))

//如果在一条直线上,则把远的放在前面

        return 1;

else return -1;

}

PS: 其中的qsort函数包含在的头文件里,strcmp包含在的头文件里







对字符串排序的处理;;
int cmp3(const void *a,const void *b)
{
struct point *c=(struct point*)a;
struct point *d=(struct point*)b;
if(strcmp(c->y,d->y)==0)-----------------------名字相同时,按学号。。
    return strcmp(c->x,d->x);
else  
return strcmp(c->y,d->y);
}


 
int cmp1(const void *a,const void *b)
{
struct point *c=(struct point*)a;
struct point *d=(struct point*)b;
return strcmp(c->x,d->x); -----------默认按从小到大排序。。
}

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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