2.4.顺序表的查找

顺序表的查找(按位查找、按值查找)(数据结构与算法) 能够实现随机存储的基础就在于顺序表中所有的数据元素在内存里都是连续存放的,并且这些数据元素的数据类型相同,也就是说每个数据元素所占的内存空间一样大。所以我们只需要知道一个顺序表的起始地址,每个数据元素的大小,就可以立即找到第 i 个元素的位置。按值查找操作,在表L中查找具有给定关键字值的元素。GetElem(L, i) :按位查找,获取表L中第 i 个位置元素的值。如果换一个类型的指针,指向同一个地址,int *p;顺序表的按位查找---------动态分配。 阅读详情

一.按位查找:

例一:

以顺序表的静态分配为例:

#include<stdio.h>
#define MaxSize 10 //定义最大长度 
​
typedef struct
{
    int data[MaxSize]; //用静态的“数组”存放数据元素,最多存MaxSize个,且为int型,共4*10个字节 
    int length; //顺序表的当前长度 ,共4个字节 
}SqList; //顺序表的类型定义 (静态分配方式) 
​
​
//基本操作 - 初始化一个顺序表
void InitList(SqList &L)
{
    for(int i=0;i<MaxSize;i++)
    {
        L.data[i]=0; //将所有数据元素设置为默认初始值 ,可省 
    }
    L.length=4; //顺序表初始长度为0 ,因为一开始没存元素 
} 
​
​
//基本操作 - 按位查找
int GetElem(SqList L,int i) //i表示第几个元素 
{
    if(i>=1&&i<=L.length)
    {
        printf("第%d个元素为%d \n", i , L.data[i-1] );
        return L.data[i-1]; //第i个元素的索引为i-1 
    }
    else
    {
        printf("输入的i不合法");
    }
} 
​
​
int main()
{
    SqList L; //声明一个顺序表 
    InitList(L); //初始化顺序表
    for(int i=0;i<L.length;i++)
    {
        printf("顺序表的第%d个元素为%d \n",i+1,L.data[i]);
    }
    GetElem(L,2);//按位查找 
    return 0;
}

例二:

上述图片注意:data[0]后的data[1]不是紧跟着data[0],而是在占据data[0]该有的内存后才分配data[1]

(内存大小与所占字节有关,如整型占4个字节)

malloc函数返回的存储空间起始地址要转换为与数据元素的数据类型相对应的指针,是因为

虽然指针指向的都是同一个地址,但是如果指针所指向的数据类型给定义错了,那么在访问数据元素时也会出现问题。

#include<stdio.h>
#include<stdlib.h>
#define InitSize 10 //默认的最大长度 
​
typedef struct
{
    int *data; //指示动态分配数组的指针(动态分配)
    /*变量data是一个指针,指向了malloc函数给他分配的一整片连续内存空间的起始地址*/
    int MaxSize; //顺序表的最大容量
    int length; //顺序表的当前长度 
}SeqList; //顺序表的类型定义(动态分配方式) 
​
​
void InitList(SeqList &L)
{
    //用malloc函数申请一片连续的存储空间
    L.data = (int *)malloc( InitSize*sizeof(int) ); //用最大长度乘,因为开辟的是整个空间
    L.length = 10; //一开始长度赋值为10,与InitSize(默认的最大长度 )一样 
    L.MaxSize = InitSize; 
}
​
​
//增加动态数组的长度
void IncreaseSize(SeqList &L,int len) //len是拓展的长度 
{
    int *p=L.data; //把L.data给指针p 
    L.data = (int *)malloc( (L.MaxSize+len)*sizeof(int) ); //此时申请的就是另一片新内存空间 
    for(int i=0 ; i<L.length ; i++)
    {
        L.data[i]=p[i]; //将数据复制到新区域 
    }
    L.MaxSize=L.MaxSize+len; //顺序表最大长度增加len
    free(p); //释放原来的内存空间 (长度小的)
} 
​
​
​
//基本操作 - 按位查找
int GetElem(SeqList L,int i) //i表示第几个元素 
{
    if(i>=1&&i<=L.length)
    {
        printf("第%d个元素为%d \n", i , L.data[i-1] );
        return L.data[i-1]; //第i个元素的索引为i-1 
    }
    else
    {
        printf("输入的i不合法");
    }
} 
​
​
int main()
{
    SeqList L; //声明一个顺序表-->开辟连续的内存空间 
    InitList(L); //初始化顺序表
    //...往顺序表中随便插入几个元素...
    IncreaseSize(L,5); 
    return 0;
}

二.按位查找的时间复杂度:

能实现"随机存取"是因为所有顺序表当中所有的数据元素在内存里面都是连续存放的,并且这些数据元素的数据类型相同

-->所以每个数据元素的大小一样,因此只要知道了顺序表的起始地址和数据元素的大小,就可以查询元素。


三.按值查找:

例一:

显然,结构类型(结构体)的数据元素无法直接用==符号判断,需要对当中的每个元素依次判断才行,如下:


四.按值查找的时间复杂度:


五.总结:


C++实现顺序表的创建、初始化、查找、插入、删除 C++实现顺序表的创建、初始化、查找、插入、删除 在学习了数据结构之后,对于顺序表的相关操作有了自己的启发,因此拿来敲个代码练练手,我选用的是C++语言,因为我觉得c++可以使用引用,比较方便(纯个人看法嘻嘻),话不多说,上代码 #include<iostream> #include<algorithm> using namespace std; #define MaxSize 10 //顺序表的建立 typedef struct{ int data[MaxSize 阅读详情

相关推荐

大话数据结构 第八章 查找(一) 顺序表查找、有序表查找、线性索引查找

大话数据结构 第八章 查找(一) 顺序表查找、有序表查找、线性索引查找查找定义顺序表查找有序表查找折半查找插值查找斐波那契查找线性索引查找稠密索引分块索引倒排索引 查找 定义 查找表:由同一类型的数据元素(或记录)构成的集合 关键字:数据元素中某个数据项的值。若此关键字可以唯一地标识一个记录,则称其为主关键字 查找表分为静态查找表和动态查找表 静态查找表:只作查找操作的查找表 动态查找表:在查找...

Felix_hyfy的博客 597

顺序表的查找

顺序表查找,顺序表特点,顺序表优缺点

m0_63341217的博客 2413

数据结构初阶--顺序表

数据结构初阶--顺序表

weixin_36194037的博客 1232

数据结构查找--顺序表的顺序查找

顺序查找:从表的一端开始,依次将记录在表中的关键字与给定值进行比较,若某个记录的关键字和给定值相同,则查找成功;反之查找失败。 顺序查找既适用于顺序表,又适用于线性表,首先先介绍顺序表中的顺序查找 数据结构类型定义如下: typedef struct { KeyType key; //关键字域 InfoType otherinfo; //其他域 }ElemType; 定义单个结点后,再定义顺序表 typedef struct { ...

yyy_yanyueyue的博客 1万+

顺序表的十个基本操作(全)

有关顺序表的十个基本操作,包括 1、初始化顺序表 2、插入 3、删除 4、查找 5、修改 6、逆置 7、排序 8、按序插入 9、按序合并 10、最小值

AIGC 1万+

Unity 调用安卓内部安装apk

一、申请权限 应用内安装其他应用的权限属于特殊权限,需要在特殊申请。 Uri packageURI = Uri.parse("package:" + mContext.getPackageName()); Intent intent = new Intent(Settings.ACTION_MANAGE_UNKNOWN_APP_SOURCES, packageURI); startA...

BDDNH的博客 1240

chapter two 2-3 顺序表的删除方法 &2-4 顺序表的查找

2-3 顺序表的删除方法 &2-4 顺序表的查找 将第i个数据元素从顺序表中删除 找到第i个位置的元素 将第i个元素以后的数据元素依次覆盖前一个位置 顺序表长度减1 下面上代码 全局头文件,存放数据结构 #ifndef DATAELEMENT_H_INCLUDED #define DATAELEMENT_H_INCLUDED #define MAX_SIZE 255 /********...

chillinght的博客 287

Aitoearn内容营销的最佳开源 AI 代理,创建 · 发布 · 互动 · 副业一站式平台,支持渠道:抖音、小红书(红点)、微信通道、快手、哔哩哔哩、微信公众号、抖音等等

Aitoearn内容营销的最佳开源 AI 代理,创建 · 发布 · 互动 · 副业一站式平台,支持渠道:抖音、小红书(红点)、微信通道、快手、哔哩哔哩、微信公众号、抖音等等

struggle2025的博客 1750

2.2.4顺序表的按值查找

查找函数LocateElem(L,9) ,是找L表中值为9的的数组,并返回位序。

qq_62642833的博客 114

智能环境感知:STM32多传感器数据融合与报警策略设计

本文详细介绍了基于STM32的多传感器数据融合系统设计,整合DHT11温湿度传感器、MQ-2烟雾检测和光照强度检测模块,通过智能算法实现环境感知与动态报警。系统采用数据滤波、多传感器校验和自适应阈值策略,显著提升监测精度与可靠性,并通过OLED显示屏提供清晰的多级报警界面。

plant的博客 202

MATLAB实战:5步搞定GNSS单点定位解算(附完整代码)

本文提供了一份基于MATLAB的GNSS单点定位实战指南。通过5个核心步骤,详细讲解了如何从卫星坐标和伪距观测值出发,利用最小二乘迭代算法,构建并实现一个完整的单点定位解算器。文章附有完整代码,并涵盖精度评估与结果分析,适合GNSS初学者和MATLAB用户快速上手实践。

a2b3c4d5e的博客 250

数据结构||顺序表代码

#include <stdio.h> #include <stdlib.h> #define Size 5 typedef struct Table{ int * head; int length; int size; }table; table initTable(){ table t; t.head=(int*)malloc(Si...

weixin_44594976的博客 658

全局特征描述子 CVFH (Clustered Viewpoint Feature Histogram) 原理

特性VFHCVFH处理对象整个物体点云物体点云被分割后的稳定表面块(簇)对遮挡的鲁棒性弱。遮挡会破坏全局形状,导致描述子失效。极强。只依赖于稳定存在的部分。描述子维度263 维308 维 (263 + 45 SC)输出数量一个物体产生1 个描述子一个物体可能产生多个签名计算复杂度相对较低较高(需先聚类)主要应用场景完整、分割良好的物体存在遮挡、背景杂波的不完整物体。

weixin_37079656的博客 619

[C数据结构]顺序表

[C数据结构]顺序表

weixin_46603347的博客 696

EMD-LSTM时序预测 | MATLAB实现基于EMD-LSTM时间序列预测(EMD分解结合LSTM长短期记忆神经网络)

EMD-LSTM时序预测 | MATLAB实现基于EMD-LSTM时间序列预测(EMD分解结合LSTM长短期记忆神经网络)

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 658

解析AI人工智能领域AI芯片的散热技术

当你用ChatGPT写代码、用AI生成高清图片时,背后的AI芯片可能正在“发高烧”——全球TOP500超算的平均功耗已突破10兆瓦,单颗GPU的峰值功耗超过700W(相当于3台家用空调同时运行)。本文将聚焦AI芯片的散热技术,覆盖从基础原理到前沿方案的全链条解析,帮助读者理解“散热为什么比算力更重要”。

AIGC应用创新大全的博客 936

C语言实现顺序表增删查改等

该代码实现了一个顺序表(SeqList)数据结构,并提供了初始化、销毁、插入、删除、查找等基本操作。顺序表通过动态数组存储元素,包含size和capacity分别记录当前元素数量和容量。主要功能包括:初始化时分配内存,销毁时释放内存;插入操作支持头插、尾插和在指定位置插入;删除操作支持头删、尾删和删除指定位置元素;查找操作返回元素下标,未找到则返回-1。代码还提供了打印顺序表内容和容量检查与扩容的功能,初始容量为4,每次扩容为当前容量的2倍。通过测试函数test01验证了顺序表各项操作的正确性。

weixin_58950486的博客 1056

【图像去噪】论文精读:FM2S: Self-Supervised Fluorescence Microscopy Denoising With Single Noisy Image

论文题目:FM2S: Self-Supervised Fluorescence Microscopy Denoising With Single Noisy Image —— FM2S:单噪声图像自监督荧光显微镜去噪arXiv 2024!显微图像去噪!通过可视化详细的细胞结构和生物过程,荧光显微镜具有显着先进的生物学研究。然而,由于难以精确建模固有噪声和获取干净图像进行训练,这种图像去噪任务往往面临挑战,这限制了大多数现有方法。在本文中,我们提出了一种有效的。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 408

数据结构——顺序表查找和有序表查找

1.顺序表查找 又叫线性查找,是最基本的查找技术:从表中第一个(或最后一个)记录开始,逐个与给定值进行比较,若某个记录的关键字和给定值相等,则查找成功。如果顺序表遍历完毕,关键字和给定值都不相等,则查找失败。 (1)基本算法 ...

Acc222222的博客 5041

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

线性表之顺序表的查找

线性表之顺序表的查找 文章目录线性表之顺序表的查找一、按值查找二、按位查找 一、按值查找 #include<stdio.h> #include<string.h> #include<stdlib.h> #define Maxsize 10 typedef struct { int data[10]; int length; }LNode; //按值查找 int locatElem(LNode L, int e) { for (int i = 0; i < M

ningdjdj的博客 812

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

3.7 顺序表

m0_61548909的博客 416

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

6-2 顺序表基本操作 (10分)

6-2顺序表基本操作(10分) 本题要求实现顺序表元素的增、删、查找以及顺序表输出共4个基本操作函数。L是一个顺序表,函数Status ListInsert_Sq(SqList &L, int pos, ElemType e)是在顺序表的pos位置插入一个元素e(pos应该从1开始),函数Status ListDelete_Sq(SqList &L, int pos, ElemType &e)是删除顺序表的pos位置的元素并用引用型参数e带回(pos应该从1开始),函数int ..

Changqing9的博客 2082

数据结构实验-顺序表的查找

数据结构实验-顺序表的查找,仅供参考。

qq_62899367的博客 3176

数据结构——顺序表的初始化、插入、删除、查找、合并

目录 1、顺序表初始化 2、顺序表插入元素 3、顺序表删除元素 4、顺序表查找元素 5、顺序表合并 线性表的顺序表示指的是用一组地址连续的存储单元依次存储线性表的数据元素。 顺序存储方式不仅只用于存储线性结构。 特点 优点 缺点 逻辑上相邻的数据元素物理存储位置也相邻, 并且顺序表的存储空间需要预先分配 1、方法简单,...

TSY_1222的博客 3万+

每日一题Day06 顺序表查找

基于顺序存储结构的图书信息表的最爱图书的查找 题目描述 定义一个包含图书信息(书号、书名、价格)的顺序表,读入相应的图书数据来完成图书信息表的创建,然后根据指定的最爱图书的名字,查找最爱的图书,输出相应图书的信息。 输入描述 总计n+m+2 行。首先输入n+1 行,其中,第一行是图书数目n,后n 行是n 本图书的信息(书号、书名、价格),每本图书信息占一行,书号、书名、价格用空格分隔,价格之后没有空格。其中书号和书名为字符串类型,价格为浮点数类型。然后输入m+1 行,其中,第一行是一个整数m,代表查找m 次

LiuLong0907的博客 8767
上一篇: 2.3.顺序表的插入与删除
下一篇: 2.2.顺序表的定义
巧克力拌面
博客等级 码龄3年 1153粉丝 282原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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