NodeJS实现插值查找算法

在Node.js中实现插值查找算法也很简单。以下是一个用Node.js实现的插值查找算法的示例:

function interpolationSearch(arr, x) {
    let lo = 0, hi = arr.length - 1;

    while (lo <= hi && x >= arr[lo] && x <= arr[hi]) {
        if (lo === hi) {
            if (arr[lo] === x) return lo;
            return -1;
        }

        let pos = lo + Math.floor(((x - arr[lo]) * (hi - lo)) / (arr[hi] - arr[lo]));

        if (arr[pos] === x)
            return pos;

        if (arr[pos] < x)
            lo = pos + 1;
        else
            hi = pos - 1;
    }
    return -1;
}

// 示例用法
let arr = [10, 12, 13, 16, 18, 19, 20, 21, 22, 23, 24, 33, 35, 42, 47];
let x = 18; // 要查找的元素
let index = interpolationSearch(arr, x);

if (index !== -1)
    console.log(`Element found at index ${index}`);
else
    console.log("Element not found");

代码解释

  1. 插值查找函数(interpolationSearch):

    • 初始化低端索引lo和高端索引hi
    • 进入while循环,在lo小于等于hix在数组范围内的情况下进行查找。
    • 如果lohi相等,直接判断arr[lo]是否等于x,是则返回索引,否则返回-1
    • 计算估计位置pos
    • 如果arr[pos]等于x,返回pos
    • 如果arr[pos]小于x,调整lopos + 1,否则调整hipos - 1
    • 如果查找失败,返回-1
  2. 示例用法:

    • 创建一个有序数组arr,并定义要查找的元素x
    • 调用interpolationSearch函数查找元素x在数组中的位置,并打印结果。

这个实现与C#版本的逻辑相同,主要区别在于使用了JavaScript的语法。该算法在数据均匀分布的情况下性能会很好,最坏情况下的时间复杂度是O(n)。对于非均匀分布的数据,性能可能会退化,接近于线性查找。

4o

  • 7
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
协同过滤算法是一种推荐系统算法,它可以根据用户的历史行为推荐给用户可能感兴趣的物品。下面是基于nodejs实现协同过滤算法的思路: 1. 首先需要收集用户对物品的评分数据,可以使用数据库或者文件存储。 2. 接着需要计算用户之间的相似度,常用的方法有欧几里得距离和皮尔逊相关系数。这里我们使用皮尔逊相关系数来计算用户之间的相似度。 3. 计算出每个用户的相似度后,就可以根据其他用户的评分数据来推荐物品了。常用的推荐方法有基于用户和基于物品两种。这里我们使用基于用户的推荐方法。 4. 实现基于用户的推荐方法需要为每个用户找到最相似的K个用户,然后选出这K个用户中的评分最高的物品作为推荐结果。 5. 最后需要将推荐结果呈现给用户。可以使用web应用程序或者命令行工具来实现。 下面是一个简单的基于nodejs实现协同过滤算法的代码示例: ```javascript // 加载依赖模块 const fs = require('fs'); const path = require('path'); const readline = require('readline'); // 定义用户评分数据文件路径 const DATA_PATH = path.resolve(__dirname, 'data.json'); // 定义需要推荐的用户和要推荐的物品数量 const RECOMMEND_USER = 'user1'; const RECOMMEND_SIZE = 5; // 读取用户评分数据 const data = JSON.parse(fs.readFileSync(DATA_PATH)); // 计算用户之间的相似度 function similarity(user1, user2) { let avg1 = 0, avg2 = 0, count = 0; for (let item in data[user1]) { if (item in data[user2]) { avg1 += data[user1][item]; avg2 += data[user2][item]; count++; } } if (count === 0) { return 0; } avg1 /= count; avg2 /= count; let numerator = 0, denominator1 = 0, denominator2 = 0; for (let item in data[user1]) { if (item in data[user2]) { numerator += (data[user1][item] - avg1) * (data[user2][item] - avg2); denominator1 += Math.pow(data[user1][item] - avg1, 2); denominator2 += Math.pow(data[user2][item] - avg2, 2); } } if (denominator1 === 0 || denominator2 === 0) { return 0; } return numerator / (Math.sqrt(denominator1) * Math.sqrt(denominator2)); } // 查找和指定用户最相似的K个用户 function similarUsers(user, k) { const users = []; for (let otherUser in data) { if (otherUser !== user) { users.push({ user: otherUser, similarity: similarity(user, otherUser) }); } } users.sort((a, b) => b.similarity - a.similarity); return users.slice(0, k); } // 为指定用户推荐物品 function recommend(user, k) { const candidates = {}; for (let otherUser of similarUsers(user, k)) { for (let item in data[otherUser.user]) { if (!(item in data[user])) { if (!(item in candidates)) { candidates[item] = { score: 0, count: 0 }; } candidates[item].score += data[otherUser.user][item] * otherUser.similarity; candidates[item].count++; } } } const recommendations = []; for (let item in candidates) { candidates[item].score /= candidates[item].count; recommendations.push({ item: item, score: candidates[item].score }); } recommendations.sort((a, b) => b.score - a.score); return recommendations.slice(0, RECOMMEND_SIZE); } // 将推荐结果打印到控制台 function printRecommendations(recommendations) { console.log(`Recommend ${RECOMMEND_SIZE} items for ${RECOMMEND_USER}:`); for (let result of recommendations) { console.log(`- ${result.item} (score: ${result.score.toFixed(2)})`); } } // 读取用户输入并执行推荐操作 const rl = readline.createInterface({ input: process.stdin, output: process.stdout }); rl.question('Please enter user ID: ', (user) => { const recommendations = recommend(user, 3); printRecommendations(recommendations); rl.close(); }); ```
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

亚丁号

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