华为OD机试 Python【分配元素】

题目

推荐多样性需要从多个列表中选择元素,一次性要返回 N 屏数据(窗口数量),每屏展示 K 个元素(窗口大小),选择策略:

1、各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一个元素,再从第二个列表中为每屏选择一个元素,依次类推
2、每个列表的元素尽量均分为 N 份,如果不够 N 个,也要全部分配完,参考样例图:

(1)从第一个列表中选择 4 条 0 1 2 3,分别放到 4 个窗口中

(2)从第二个列表中选择 4 条 10 11 12 13,分别放到 4 个窗口中

(3)从第三个列表中选择 4 条 20 21 22 23,分别放到 4 个窗口中

(4)再从第一个列表中选择 4 条 4 5 6 7,分别放到 4 个窗口中

…

(5)再从第一个列表中选择,由于数量不足 4 条,取剩下的 2 条,放到 窗口1 和 窗口2

(6)再从第二个列表中选择,由于数量不足 4 条并且总的元素数达到窗口要求,取 18 19 放到 窗口3 和 窗口4

输入描述
第一行输入为 N,表示需要输出的窗口数量,取值范围 [1, 10]
第二行输入为 K,表示每个窗口需要的元素数量,取值范围 [1, 100]

之后的行数不定(行数取值范围 [1, 10]),表示每个列表输出的元素列表。元素之间以空格隔开,已经过排序处理,每个列表输出的元素数量取值范围 [1, 100]

输出描述
输出元素列表,元素数量 = 窗口数量 * 窗口大小,元素之间以空格分隔,多个窗口合并为

推荐多样性(100%用例)C卷 (Java&&Python&&C++&&Node.js&&C语言) 推荐多样性需要从多个列表中选择元素,一次性要返回N屏数据(窗口数量),每屏展示K个元素(窗口大小) ,选择策略:1.各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一个元素,再从第二个列表中为每屏选择一个元素,依次类推2.每个列表的元素尽量均分为N份,如果不够N个,也要全部分配完,参考样例图:(1)从第一个列表中选择4条0 123,分别放到4个窗口中(2)从第二个列表中选择4条10 11 12 13,分别放到4个窗口中。 阅读详情

相关推荐

华为OD机试D卷C卷 - 推荐多样性(C++ Java JavaScript Python C语言)

队列的基本特征是元素按特定顺序存储,类似于等待轮流的人群,主要通过添加元素到队尾(入队)和从队首移除元素(出队)等操作来访问和操作元素。通过扩展 List 和 Queue,Java 中的 LinkedList 结合了这些接口的特性和底层链表数据结构,为各种用例提供了灵活性和效率。Java 的 LinkedList 类可用于实现队列,它还实现了 List 接口。它提供了一个双向链表实现,非常适合实现基本的 FIFO 队列。Java 的 ArrayDeque 类提供了一个双端队列实现,也可以用作队列。

算法大师! 2325

【华为OD】C卷真题200分:推荐多样性 输出窗口元素 C/C++实现

码蚁软件,需要帮助vx:wumu1024,推荐多样性需要从多个列表中选择元素,一次性要返回N屏数据(窗口数量),每屏展示K个元素(窗口大小),选择策略: 1.各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一个元素,再从第二个列表中为每屏选择一个元素,依次类推 2. 每个列表的元素尽量均分为N份,如果不够N个,也要全部分配完,参考样例图: (1)从第一个列表中选择4条0 1 2 3,分别放到4个窗口中 (2)从第二个列表中选择4条10 11 12 13,分别放到4个窗口中

十年以上编程经验的干货分享 1847

基于情感识别的在线教育互动优化:技术实现与未来展望

摘要:在线教育面临情感互动缺失的挑战,情感识别技术通过面部表情、语音和行为数据分析,为动态教学调整提供可能。本文介绍了基于深度学习的多模态情感识别方法,包括面部表情分析(使用CNN)和语音情感分析(LSTM),并提供了可运行的代码示例。研究显示,结合多模态数据可提升识别准确率至70%。文章还探讨了情绪-内容自适应优化方案及隐私保护措施,同时指出实时性、文化差异和可解释性等未来挑战。情感识别技术有望通过元宇宙和强化学习进一步升级在线教育体验,但需平衡技术精度与人文关怀。

博客 1365

华为OD机试 Python【元素分配】

将输入的多个有序列表存储为队列,按照窗口的数量和每个窗口所需的元素个数,将列表中的元素按顺序分配到各个窗口中。1、各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一个元素,再从第二个列表中为每屏选择一个元素,依次类推。先输出窗口1的元素列表,再输出窗口2的元素列表,再输出窗口3的元素列表,最后输出窗口4的元素列表。(5)再从第一个列表中选择,由于数量不足 4 条,取剩下的 2 条,放到 窗口1 和 窗口2。4、每个列表的元素列表已经过排序处理,输出结果要保证不改变同一个列表的元素顺序。

wtswts1232的博客 75

华为OD机试 Python【多列表元素的均匀分配】

将输入的多个有序列表存储为队列,按照窗口的数量和每个窗口所需的元素个数,将列表中的元素按顺序分配到各个窗口中。1、各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一个元素,再从第二个列表中为每屏选择一个元素,依次类推。先输出窗口1的元素列表,再输出窗口2的元素列表,再输出窗口3的元素列表,最后输出窗口4的元素列表。(5)再从第一个列表中选择,由于数量不足 4 条,取剩下的 2 条,放到 窗口1 和 窗口2。4、每个列表的元素列表已经过排序处理,输出结果要保证不改变同一个列表的元素顺序。

wtswts1232的博客 193

华为OD机试C卷-- 推荐多样性(Java & JS & Python & C)

推荐多样性需要从多个列表中选择元素,一次性要返回 N 屏数据(窗口数量),每屏展示 K 个元素(窗口大小),选择策略: 1.各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一个元素,再从第二个列表中为每屏选择一个元素,依次类推 2.每个列表的元素尽量均分为 N 份,如果不够 N 个,也要全部分配完,参考样例图: (1)从第一个列表中选择 4 条 0 1 2 3,分别放到 4 个窗口中 (2)从第二个列表中选择 4 条 10 11 12 13,分别放到 4 个窗口中 (3)从第三个列表中选择

wbajsjhhhhh的博客 4394

【华为OD机试考生抽中题 C&D卷】推荐多样性 200 分 ,用 Python 编码,速通

先输出窗口 1 的元素列表,再输出窗口 2 的元素列表,再输出窗口 3 的元素列表,最后输出窗口 4 的元素列表。中选择,由于数量不足 4 条并且总的元素数达到窗口要求,取 18 19 放到窗口 3 和窗口 4。(1)从第一个列表中选择 4 条 0 1 2 3,分别放到 4 个窗口中。中选择,由于数量不足 4 条,取剩下的 2 条,放到窗口 1 和窗口 2。第二行输入为 K,表示每个窗口需要的元素数量,取值范围 [1, 100]中选择 4 条 4 5 6 7,分别放到 4 个窗口中。

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 371

【华为OD机试】真题E卷-推荐多样性(Python)

推荐多样性需要从多个列表中选择元素,一次性要返回N屏数据(窗口数量),每屏展示K个元素(窗口大小),选择策略 1.各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一元素,再从第二个列表中为每屏选择一个元素,依次类推;2.每个列表的元素尽量均分为N份,如果不够N个,也要全部分配完,比如下面的例子:

u014481728的博客 1117

华为OD机试Python - 推荐多样性

推荐多样性需要从多个列表中选择元素,一次性要返回 N 屏数据(窗口数量),每屏展示 K 个元素(窗口大小),选择策略: 各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一个元素,再从第二个列表中为每屏选择一个元素,依次类推 每个列表的元素尽量均分为 N 份,如果不够 N 个,也要全部分配完。

steven_my的博客 129

华为OD机考2025C卷 - 推荐多样性 (Java & Python& JS & C++ & C )

华为OD机考2025C卷 - 推荐多样性 (OD上机考试2025年C卷)。提供在线OJ刷题。Java、C++、Python、C语言、JavaScript题解,并提供完整思路讲解。

算法大师! 1215

华为OD机试D卷C卷 - 推荐多样性算法 - 解析与C++/Java/JavaScript/Python/C语言实现指南

在华为OD机试中,“推荐多样性”是一道关注算法逻辑的经典题目,需要结合多列表的数据处理与数据均分的策略,来生成符合特定规则的输出结果。本文通过题目描述、输入输出解析、解题思路和五种编程语言实现代码的逐行注释,帮助大家深入理解和掌握推荐多样性的算法要求。C语言代码通过动态数组和结构体定义队列,实现了复杂的内存管理和穿插式数据分配,最终输出元素顺序符合题意。C++代码采用了向量和队列结构的组合,分阶段处理数据,保持了元素的原始顺序,实现了数据均分的逻辑。方法,实现了多列表的穿插输出,并保持了数据的顺序。

m0_57781768的博客 202

推荐多样性

紧接着,继续从输入中读取若干个已排序的列表,这些列表中的元素将被穿插分配到各个窗口中。1. 各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一个元素,再从第二个列表中为每屏选择一个元素,依次类推。(6)再从第二个列表中选择,由于数量不足4条并且总的元素数达到窗口要求,取18 19放到窗口3和窗口4。先输出窗口1的元素列表,再输出窗口2的元素列表,再输出窗口3的元素列表,最后输出窗口4的元素列表。(5)再从第一个列表中选择,由于数量不足4条,取剩下的2条,放到窗口1和窗口2。

面试高手的博客 1777

【华为OD机试真题 Python语言】474、推荐多样性 | 机试真题+思路参考+代码解析(C卷)

题目描述 >推荐多样性需要从多个列表中选择元素,一次性要返回 N 屏数据(窗口数量),每屏展示 K 个元素(窗口大小),选择策略:   各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一个元素,再从第二个列表中为每屏选择一个元素,依次类推   每个列表的元素尽量均分为 N 份,如果不够 N 个,也要全部分配完,参考样例图:   (1)从第一个列表中选择 4 条 0 1 2 3,分别放到 4 个窗口中   (2)从第二个列表中选择 4 条 10 11 12 13

KJ.JK 6823

华为OD机试2025A卷 - 推荐多样性(Java & Python& JS & C++ & C )

推荐多样性需要从多个列表中选择元素,一次性要返回 N 屏数据(窗口数量),每屏展示 K 个元素(窗口大小),选择策略:各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一个元素,再从第二个列表中为每屏选择一个元素,依次类推每个列表的元素尽量均分为 N 份,如果不够 N 个,也要全部分配完,参考样例图:(1)从第一个列表中选择 4 条 0 1 2 3,分别放到 4 个窗口中(2)从第二个列表中选择 4 条 10 11 12 13,分别放到 4 个窗口中。

算法大师! 1398

避坑指南:RK3576+Android14适配移远5G模组(RG200U)时,我遇到的3个‘巨坑’及解决方案

本文详细记录了RK3576芯片适配Android14系统与移远RG200U 5G模组过程中遇到的三大技术难题:RIL服务启动失败、HIDL兼容性矩阵配置错误及ttyUSB权限冲突。通过实战案例提供了动态库拷贝、HIDL版本链声明和SELinux策略调整等解决方案,帮助开发者高效完成5G模组集成,特别适用于基于kernel6.1的嵌入式开发场景。

weixin_30664051的博客 392

Isograph Reliability Workbench 14实战:从零构建故障树分析模型

本文以“马达不转”为例,手把手教你使用Isograph Reliability Workbench 14从零构建故障树分析模型。内容涵盖创建工程、定义顶事件、添加逻辑门与基础事件等核心步骤,并介绍了模型检查与定性定量分析,帮助你系统掌握这一强大的可靠性工程工具。

weixin_29309213的博客 366

NVIDIA DGX Spark实战指南:从开箱到部署200B参数大模型

本文详细介绍了NVIDIA DGX Spark桌面AI超级计算机的开箱体验与实战部署指南。文章深入解析了其Grace Blackwell架构与128GB统一内存的核心优势,并逐步演示了从系统初始化、运行200B参数大模型到进行QLoRA微调的全过程。该设备将高达1 PetaFLOP的AI算力浓缩于桌面,为开发者和研究团队提供了本地化、高性能的AI开发与部署一体化解决方案。

weixin_29274969的博客 2245

打开LWIP_DEBUG的打印信息调试

在lwip 2.1.2的版本,打开的debug 调试的步骤: 1.在debug.h 文件中找到debug打印的定义 默认LWIP_DEBUG这个宏没有定义, 2.在lwipopt.h 文件中或者其他文件定义 一下LWIP_DEBUG这个宏, 3.在opt.h 中可以打开各种宏的调试信息, /* --------------------------------------- ---------- Debugging options ---------- ---------...

haidscs的博客 9883

飞书应用开发脚手架lark-harness:从零构建企业级机器人

在构建企业级应用时,开发脚手架是提升工程效率和规范性的关键工具。其核心原理在于通过预设的项目模板、最佳实践和通用模块封装,自动化处理项目初始化、配置管理和基础架构搭建。这种技术价值在于将开发者从重复性劳动中解放出来,确保团队技术栈统一,并降低维护成本。在Node.js生态中,脚手架常与Express或Koa等Web框架结合,用于快速构建Web服务、API接口和实时事件处理系统。具体到飞书开放平台开发场景,开发者需要处理OAuth 2.0授权、事件订阅验证、消息加解密等复杂且标准的流程。lark-harnes

weixin_30703911的博客 614

多模态数据集对比:MicroLens、PixelRec和Amazon在电商推荐中的表现差异

本文深入对比了三大主流多模态数据集MicroLens、PixelRec和Amazon在电商推荐中的表现差异。通过实际测试数据,分析了这些数据集在冷启动处理、模态融合、稀疏性挑战等关键场景下的真实表现,为算法工程师和研究员提供实用指南。特别关注多模态数据集的选择对推荐系统效果的影响,帮助开发者优化模型性能。

weixin_28717939的博客 421

UniApp实战:5分钟搞定后台持续定位与轨迹实时更新(附完整代码)

本文详细介绍了在UniApp中实现后台持续定位与动态轨迹地图系统的完整方案。针对物流配送、运动健身等场景,文章深入讲解了权限申请、坐标系选择、定位防抖优化、地图轨迹线(polyline)实时绘制等核心步骤,并提供了可复用的完整代码,帮助开发者高效解决App切后台定位停止、轨迹漂移等常见难题。

weixin_29266679的博客 487

后仿真中的关于延时问题(物理特性角度)

大家都知道,后仿真讲究仿真时序。那么,在网表阶段,接触到后仿延时问题。今天总结一下。

那么菜的博客 1772

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

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

上一篇: 华为OD机试 C++【分配元素】
下一篇: 华为OD机试 Java【基于访问频率和时间的文件缓存系统】
AlgorithmHero
博客等级 码龄4年 606粉丝 1067原创
评论 1
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