计数排序----《程序员小灰》

在微信公众号----程序员小灰 上看到了一篇关于计数排序的文章。
学到了一些知识,在这里记录一下。
如果给定了一些数字(都是整数),这些数字分布在跨度较小的区间里,就很适合用计数排序,而如果数字之间的跨度比较大,计数排序会占用太多空间。(条件比较苛刻,可能并没有多大用处)
假设给了一个数组{92,91,95,90,99,91,97,94,92,99}
要对他们做排序,提到排序可能很多人想到的是通过比较大小排序。仔细观察这个数组,里面的元素都分布在90~99之间。
所以,我们可以使用计数排序。
确定计数区间的大小,我们则需要知道这个区间的最大值与最小值。并且根据最大值最小值确定区间。

int[] arr= {92,91,95,90,99,91,97,94,92,99};
        int max = arr[0];
        int min = arr[0];
        for(int x :arr) {
            if(max<x) { //遍历数组去最大值
                max = x;
            }
            if(min>x) { //遍历数组去最小值
                min = x;
            }
        }
d = max-min+1;

这样确定了这组数据的分布区间,然后让对他们进行统计。

int[] countArry =new  int[d];
        for(int i=0;i<d;i++) {
            countarry[arr[i]-min]++;//原数组arr的值减去min即数组从小到大排列
                                    //然后没出现依次,就让这“位”数组的数据+1
                                    //代表这个数出现了几次
        }

这个时候得到数组是countArray:

此时如只是想简单的对数字进行排序。则可以直输出

 

for(int i=0;i<countArry.length;i++) {
            for(int j=0;j<countArry[i];j++) {
                System.out.println((min+i)); //最小值加上差值
            }
        }

在我看到的文章中,做了扩展,将数组arr中的数据当作是学生的成绩,要求不但要按照顺序从低到高排序,还需要对人名按原有顺序显示。这样就需要进一步处理:

首先我们做一个统计

int[] sortArry = new int[d];  //用于统计的数组
        for(int i=0;i<sortArry.length;i++) {
            sortArry[i]+=countArry[i]; //每一位累加
        }

为什么要累加呢。累加之后,得到的数字,就是这个数字,在经过排序后,最后依次出现的位数(从1开始数,不是从0

然后我们倒序遍历原来的数组,这样使得最后得到的数组能够按照人名出现顺序排列

int[] finArry = new int[d];
        for(int i=finArry.length-1;i>=0;i--) {
            //arr[i]-min找到这个数在sortArry中的位置
            //sortArry取得值并减一因为是从1开始计数
            finArry[sortArry[arr[i]-min]-1]=arr[i];
            //当这个数出现依次之后,下一次再出现这个数就应该在第一次出现的前一位,所以减一
            sortArry[arr[i]-min]--;
        }

finArry这个数组就是最后得到的结果。

 

转载于:https://www.cnblogs.com/easilyai/p/9769773.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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