数据离散化

结构体

struct Data{
	int x, id;	//数据, 下标
        bool operator < (const Data &a) const{
            return x < a.x;
        }
}d[N];

//按x排序
sort(d, d+N);
for(int i=0; i<N; ++i)
	a[d[i].id] = i;		//从小到大依次标号 

时间复杂度O(NlogN) 空间复杂度O(N)

用于无重复数据


sort + lower_bound

lower_bound (a, a+N, X) − a +1  返回a中第一个大于等于X的位置

unique (a, a+1+n)−(a+1) − a,减首地址返回将aa数组去重后a的数组大小

for(int i=1;i<=N;i++){
    scanf("%d",&a[i]);
    f[i]=a[i];
}

sort(f+1,f+1+N);
int nn=unique(f+1,f+1+N)-(f+1);//去重

for(int i=1;i<=N;i++){
    a[i]=lower_bound(f+1,f+1+nn,a[i])-f;
}

这样f[i]储存了从小到大排序后原来a中所有元素,a[i]中就储存了按大小排序后,原本a[i]大小的排名,f[ a[i]]则返回原本a[i]的值


更多新品,请查看Rye_Catcher

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
数据离散化是将连续型数据划分为有限数量的离散区间的过程。在Python中,可以使用以下方法进行数据离散化: 1. 使用cut函数:cut函数是pandas库中的一个函数,可以将数据分段为离散的区间。它可以根据指定的分段数目或者自定义的分段边界对数据进行离散化。下面是一个示例代码: ```python import pandas as pd # 创建一个示例数据集 data = pd.DataFrame({'score': [80, 90, 85, 70, 60, 50, 75]}) # 使用cut函数进行离散化,默认分为4个区间 data['score_category'] = pd.cut(data['score'], 4) # 打印结果 print(data) ``` 运行以上代码会将得分分成4个离散的区间,并添加一个新的列'score_category',表示每个数据所属的区间。 2. 使用qcut函数:qcut函数也是pandas库中的一个函数,可以根据数据的分位数进行离散化。它可以根据指定的分段数目或者自定义的分位数对数据进行离散化。下面是一个示例代码: ```python import pandas as pd # 创建一个示例数据集 data = pd.DataFrame({'score': [80, 90, 85, 70, 60, 50, 75]}) # 使用qcut函数进行离散化,默认分为4个区间 data['score_category'] = pd.qcut(data['score'], 4) # 打印结果 print(data) ``` 运行以上代码会将得分分成4个离散的区间,并添加一个新的列'score_category',表示每个数据所属的区间。 这些方法可以根据具体的需求选择使用,根据数据的特点和分布情况来确定合适的离散化方法。
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