华为OD机试 Python【中位数问题】

题目

众数是指一组数据中出现次数量多的那个数,众数可以是多个。
中位数是指把一组数据从小到大排列,最中间的那个数,如果这组数据的个数是奇数,那最中间那个就是中位数,如果这组数据的个数为偶数,那就把中间的两个数之和除以2,所得的结果就是中位数。
查找整型数组中元素的众数并组成一个新的数组,求新数组的中位数。

输入描述
输入一个一维整型数组,数组大小取值范围 0<N<1000,数组中每个元素取值范围 0<E<1000

输出描述
输出众数组成的新数组的中位数

用例

输入	
10 11 21 19 21 17 21 16 21 18 15
输出	
21

解题思路

遍历数组并使用哈希表记录每个元素出现的频率,找到出现次数最多的元素并将它们存入列表。然后对这个众数列表进行排序,根据列表长度的奇偶性计算中位数,若长度为奇数则中位数为中间元素,若为偶数则中位数为中间两个元素的平均值。

代码

def main(
华为OD机试——新学校选址问题的深入解析与详细代码实现(C++/Java/JavaScript/Python) 在华为OD机试中,新学校选址问题是一个经典的优化问题。通过计算中位数来确定最优学校位置,可以有效地解决这一问题。读取输入数据;对家庭位置进行排序;根据家庭数量的奇偶性计算中位数;输出最优解。本文通过对问题的深入解析以及C++、Java、JavaScript和Python四种编程语言的代码实现,为读者提供了详细的解决思路与完整的代码参考。希望通过本文的讲解,大家可以更好地掌握这一题目的解法,并在面试中从容应对类似的最优化问题。 阅读详情

相关推荐

华为OD机试 - 新学校选址(Python)| 真题+思路+代码

题目 为了解新学期学生暴涨的问题,小乐村要建立所新学校 考虑到学生上学安全问题,需要所有学生家到学校的距离最短. 假设学校和所有学生家都走在一条直线之上,请问学校建立在什么位置, 能使得到学校到各个学生家的距离和最短 输入 第一行: 整数 n 取值范围 [1,1000],表示有 n 户家庭。 第二行: 一组整数 m 取值范围[0,10000] ,表示每户家庭的位置,所有家庭的位置都不相同。

梦想橡皮擦,专栏100例写作模式先行者,现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者 4094

如何在华为OD机试中获得满分?Python实现【寻找两个正序数组的中位数】一文详解

✅创作者:陈书予 🎉个人主页:陈书予的个人主页 🍁陈书予的个人社区,欢迎你的加入: 陈书予的社区 🌟专栏地址: 2023华为OD机试(A卷+B卷)(Python)(2022&2023) 给定两个大小分别为 m 和 n 的正序(从小到大)数组 nums1 和 nums2。请你找出并返回这两个正序数组的 中位数 。算法的时间复杂度应该为。 5. 测试 需要确保 的长度小于等于 的长度,这样可以保证在进行二分查找时,时间复杂度最低。定义两个指针 和 ,分别表示在 中进行二分查找的最小索引和最大索引

陈书予 363

华为OD机试 - 新学校选址(Python/JS/C/C++ 双机位A卷 100分)

华为OD机试 2024E卷题库疯狂收录中,刷题。

学Java,找哪吒 1084

华为OD机试 - 自动曝光(Python) | 机试题算法思路 【2023】

该题是一种图像亮度调整算法,主要思路是将输入的一维灰度图像的亮度调整到 128 级别,具体实现是通过计算原始图像的灰度平均值和 128 的差值,然后依次增减每个像素的值直到达到期望值,返回最少需要增减多少次。其中,更新新的图像灰度值的函数 update_and_get_avg 负责增减每个像素的值并返回新图像的灰度平均值。参加华为od机试,一定要注意不要完全背诵代码,需要理解之后模仿写出,通过率才会高。为原创内容,该部分版权由 OD 联盟共同拥有,并授权组内成员发布。里,每个像素点的取值范围。

梦想橡皮擦,专栏100例写作模式先行者,现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者 6596

【华为OD机试真题 Python语言】157、 新学校选址 | 机试真题+思路参考+代码解析

文章对你有所帮助的话,欢迎给个赞或者 star,你的支持是对作者最大的鼓励,不足之处可以在评论区多多指正,交流学习。为了解新学期学生暴涨的问题,小乐村要建立所新学校,考虑到学生上学安全问题,需要所有学生家到学校的距离最短。第二行:一组整数m取值范围 [0,10000 ],表示每户家庭的位置,所有家庭的位置都不相同。假设学校和所有学生家都走在一条直线之上,请问学校建立在什么位置,第一行:整数n取值范围[1 ,1000 ],表示有n户家庭。如果有多个位置,则输出最小的。一个整数,确定的学校的位置。

KJ.JK 3624

华为OD机试 - 众数和中位数(Python)| 真题+思路+考点+代码+岗位

使用一个字典 map 记录输入字符串中每个整数出现的次数,遍历输入字符串中的每一个整数,将该整数作为字典的键,如果该键不存在,则将其值设为 1;如果该键已存在,则将其值加 1。如果列表 new_arr 的长度是偶数,则求出其中间两个数的平均值作为结果;如果列表长度是奇数,则直接取其中间数作为结果。使用列表推导式创建一个列表 new_arr,该列表中的元素是字典中值等于最大值的键。为原创内容,该部分版权由 OD 联盟共同拥有,并授权组内成员发布。试题来源:华为 OD 联盟整理收集。👉 助你解开所有机试题。

坚果的博客 687

华为OD机试 - 众数和中位数(Python)| 真题+思路+代码

机试题目 众数是指一组数据中出现次数多的数 众数可以是多个 中位数是指把一组数据从小到大排列,最中间的那个数, 如果这组数据的个数是奇数,那最中间那个就是中位数 如果这组数据的个数为偶数,那就把中间的两个数之和除以 2 就是中位数 查找整型数组中元素的众数并组成一个新的数组 求新数组的中位数 输入 输入一个一维整型数组,数组大小取值范围 0 < n < 1000 数组中每个元素取值范围, 0 < e < 1000

梦想橡皮擦,专栏100例写作模式先行者,现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者 4329

华为OD机试真题Python实现【新学校选址】真题+解题思路+代码(2022&2023)

为了解新学期学生暴涨的问题,小乐村要建立所新学校考虑到学生上学安全问题,需要所有学生家到学校的距离最短.假设学校和所有学生家都走在一条直线之上,请问学校建立在什么位置,能使得到学校到各个学生家的距离和最短。

码莎拉蒂 1684

华为OD机试真题Python实现【众数和中位数】真题+解题思路+代码(2022&2023)

使用一个字典 map 记录输入字符串中每个整数出现的次数,遍历输入字符串中的每一个整数,将该整数作为字典的键,如果该键不存在,则将其值设为 1;如果该键已存在,则将其值加 1。如果列表 new_arr 的长度是偶数,则求出其中间两个数的平均值作为结果;如果列表长度是奇数,则直接取其中间数作为结果。使用列表推导式创建一个列表 new_arr,该列表中的元素是字典中值等于最大值的键。为原创内容,该部分版权由 OD 联盟共同拥有,并授权组内成员发布。试题来源:华为 OD 联盟整理收集。数组中每个元素取值范围,

码莎拉蒂 1682

华为OD机试真题Python实现【自动曝光】真题+解题思路+代码(2022&2023)

一个图像有n个像素点,存储在一个长度为n的数组img里,每个像素点的取值范围[0,255]的正整数。请你给图像每个像素点值加上一个整数k(可以是负数),得到新图newImg,使得新图newImg的所有像素平均值最接近中位值128。请输出这个整数k。

码莎拉蒂 1376

华为OD机试 - 计算最接近的数(Python)

其中 x[i] * 2 的原因是,新滑窗中x[i]是正的,而旧滑窗中x[i]是负的,为了将-x[i] 变为 +x[i], 则需要为 -x[i] + x[i] * 2。其中,数组中位数:长度为N的数组,按照元素的值大小升序排列后,下标为 N/2 元素的值。然后,求解window和数组x中位数mid的差距,差距绝对值越小,则说明二者越接近。结果最接近于数组中位数的下标 i ,如果有多个 i 满足条件,请返回最大的 i.结果最接近于数组中位数的下标 i ,如果有多个 i 满足条件,请返回最大的 i.

m0_46181452的博客 327

华为OD机试详解:如何使用C++、Java、JavaScript和Python快速找到数组的众数与中位数

通过本篇文章的讲解,我们详细剖析了如何使用C++、Java、JavaScript和Python解决华为OD机试中的众数和中位数问题。我们通过代码展示了不同语言在处理这一问题时的差异与共同点,帮助你掌握这一类算法题的通用解法。不仅如此,这个问题还涉及到常见的哈希表操作和排序技巧,能够帮助我们在实际编程中更加灵活地处理类似的统计与排序问题。参考资料LeetCode牛客网。

m0_57781768的博客 402

【100%通过率】华为OD机试真题 Python 实现【新学校选址】【2022.11 Q4 新题】

为了解新学期学生暴涨的问题,小乐村要建立所新学校考虑到学生上学安全问题,需要所有学生家到学校的距离最短.假设学校和所有学生家都走在一条直线之上,请问学校建立在什么位置,能使得到学校到各个学生家的距离和最短

MISAYAONE的博客 1万+

【华为OD机试】确定学校位置 A卷100分(Java、python)

为了解新学期学生暴涨的问题,小乐村要建立所新学校,考虑到学生上学安全问题,需要所有学生家到学校的距离最短。第二行:一组整数m取值范围 [0,10000 ],表示每户家庭的位置,所有家庭的位置都不相同。假设学校和所有学生家都走在一条直线之上,请问学校建立在什么位置,第一行:整数n取值范围[1 ,1000 ],表示有n户家庭。能使得到学校到各个学生家的距离和最短。如果有多个位置,则输出最小的。一个整数,确定的学校的位置。到各个家庭的距离分别为。

weixin_45975659的博客 57

华为OD机试 Python【 最接近的数】

首先,这个数组排序后为[2,3,50,50],中位数是50。接着,我们按照上面的公式计算,找到差值与50最接近的是X[1] - X[2],所以返回1。你的目标是找到使这个结果与数组的中位数最为接近的i值。如果有多个相同的结果,请返回最大的i。数组的中位数是什么?假设你有一个正整数数组X和一个整数K。数组X的长度n限制为:2 ≤ n ≤ 1000。i的范围是:0 ≤ i < 1000。你可以假设数组X里的元素都是正整数。输入: [50,50,2,3], 2。K的值肯定小于数组的大小。

wtswts1232的博客 512

【100%通过率 】【华为OD机试c++/java/python】新学校选址【2023 Q1|100分】

为了解新学期学生暴涨的问题,小乐村要建立所新学校 考虑到学生上学安全问题,需要所有学生家到学校的距离最短. 假设学校和所有学生家都走在一条直线之上,请问学校建立在什么位置, 能使得到学校到各个学生家的距离和最短输入描述:第一行:整数n取值范围[1,1000],表示有n户家庭。第二行:一组整数m取值范围[0,10000],表示每户家庭的位置,所有家庭的位置都不相同。

goldarmour的博客 635

AXI4接口说明

ACLK:全局AXI接口时钟输入(建议与系统时钟保持一致)ARESET_n:全局AXI接口复位信号,低电平有效。PS:在HBM AXI接口应用中,此复位端口仅应在数据传输开始前使用。若在传输开始后使用,会导致AXI接口与内存控制器失步(out-of-sync)。当开关启用时,IP核会将所有ARESET_n引脚内部连接在一起——因为内存作为一个整体工作。

rhtul的博客 1524

2026四款AI原生IDE实测:Trae、Qoder、CodeBuddy、Cursor能力边界深度解析

AI原生IDE正从代码编辑器演进为开发者智能工作流中枢,其核心在于对上下文理解、AST编辑意图建模与多模态任务调度的工程化实现。区别于传统插件式AI辅助,真正的AI原生IDE需具备知识库嵌入、符号图索引、操作链固化等底层能力,从而支撑Figma转码、N+1查询修复、跨语言迁移等复杂场景。Trae强调中文语境与企业规范的强绑定,Qoder聚焦AST级编辑轨迹预测,CodeBuddy通过IDE/插件/CLI三态划分控制权边界,Cursor则以云端Agent实现开发任务的时空并行。本文基于真实项目压测,揭示免费版

ctk87443的博客 2474

ESP-CSI:使用ESP32进行CSI(信道状态信息)采集

使用esp32进行csi(信道状态信息)采集和处理

capsize的博客 8285

KDD 2025 | 人大团队提出多任务贝叶斯联邦学习算法,同时处理分类和回归

©PaperWeekly 原创 ·作者 |吕俊良单位 |中国人民大学统计学院本文介绍了中国人民大学统计学院的一篇关于多任务贝叶斯联邦学习的文章“Task Diversity in Bayesian Federated Learning: Simultaneous Processing of Classification and Regression”,本文被 KDD 2025 接收,代码已经...

Paper weekly 2747

如果使用ssms连接SQLserver的时候出现无法连接到服务器。

如果使用ssms连接SQLserver的时候出现无法连接到服务器。 Lan 2020-03-29 22:11 329 人阅读 0 条评论 标题: 连接到服务器------------------------------无法连接到...

Vastsa的博客 1万+

【Transformer 相关理论深入理解】注意力机制、自注意力机制、多头注意力机制、位置编码

transformer原理

qq_38253797的博客 2万+

槽型光电开关传感器原理图设计,已量产(光电传感器)

在嵌入式设备的位置限位、物料计数等场景中,槽型光电开关是性价比极高的传感器方案 —— 它通过遮挡发射器与接收器之间的光路实现电平切换,电路简单且抗干扰性优于漫反射式光耦。今天分享一个实际项目中落地的槽型光电开关检测电路,从器件选型到逻辑设计都做了简化适配,适合小批量原型或低成本产品的需求。

不脱发的程序猿 724

GeoXCP:可解释人工智能中空间解释的不确定性量化

GeoXCP: uncertainty quantification of spatial explanations in explainable AI提出基于保形预测(conformal prediction)的不确定性量化框架——地理空间解释保形预测(GeoXCP),将空间依赖纳入建模过程,生成具有校准不确定性估计的空间自适应解释。通过大量模拟实验和真实世界数据集验证,GeoXCP在不同地理空间场景中能提供可靠解释并有效量化不确定性,推动可解释地理空间机器学习的发展,帮助决策者评估模型驱动洞察的可信度。

May the Force be with you 244

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

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")

上一篇: 华为OD机试 Java【中位数问题】
下一篇: 华为OD机试 C++【任务时长计算问题】
AlgorithmHero
博客等级 码龄4年 606粉丝 1067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

打赏作者

AlgorithmHero

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