LeetCode-415-字符串相加

携程景点评论数据爬取实战:破解AJAX动态加载与分页参数逆向分析 本文详细介绍了携程景点评论数据爬取的实战经验,重点破解了AJAX动态加载与分页参数逆向分析的技术难题。通过分析`getCommentCollapseList`接口,解析动态参数如`poiId`和`pageIndex`,并实现分页逻辑,帮助开发者高效获取评论数据。文章还提供了完整的Python爬虫代码和反爬策略,适用于数据分析与内容挖掘。 阅读详情

题目

来源:LeetCode.

给定两个字符串形式的非负整数 num1 和num2 ,计算它们的和。
注:
1.num1 和num2 的长度都小于 5100
2.num1 和num2 都只包含数字 0-9
3.num1 和num2 都不包含任何前导零
4.不能使用任何內建 BigInteger 库, 
也不能直接将输入的字符串转换为整数形式

    看到这个问题我首先想到的方法就是十进制的加法。

接下来看一下解题思路:

思路一:

    1.十进制加法是从各位开始加的,所以首先需要将字符串进行反转,这里通过StringBuder类里面的resvert()方法,实现字符串的反转。
    2.每个位相加的时候可能会存在进位的情况,通过carry保存结果的十位,通过currentValue保存每一位相加的结果,包括进位;
    3.如果两个字符串长度不一样,直接将剩余的加在结果的后面即可;
    4.最后将结果反转返回;
代码示例:

class Solution {
    public String addStrings(String num1, String num2) {
        //因为后面要多次用到字符串长度,所以这里进行一次计算
        int strLen1 = num1.length();
        int strLen2 = num2.length();
        
        if(strLen1 <= 0 || num1 == null) {
            return num2;
        }
        if(strLen2 <= 0 || num2 == null) {
            return num1;
        }
        //保存进位
        int carry = 0;
        //保存相加后的当前位
        int currentValue = 0;
        //用于保存计算后的结果
        StringBuffer result = new StringBuffer();
        //反转字符串
        String string1 = String.valueOf(new StringBuffer(num1).reverse());
        String string2 = String.valueOf(new StringBuffer(num2).reverse());
        int i = 0;
        for(; i < strLen1 || i < strLen2; i++) {
            if(i >= strLen1) { //把较长的字符串直接加
                currentValue = string2.charAt(i) - '0' + carry;
            } else if(i >= strLen2) {
                currentValue = string1.charAt(i) - '0' + carry;
            } else {//因为是两个字符,所以需要减去两个'0'
                currentValue = string1.charAt(i) + string2.charAt(i) - 2 * '0' + carry;
            }
            //保存进位
            carry = currentValue / 10;
            //保存结果的个位
            currentValue %= 10;
            result.append(currentValue);
        }
        //表示最后一位也存在进位
        if(carry > 0) {
            result.append(carry);
        }
        //将结果反转
        return String.valueOf(result.reverse());
    }
}
总结

    上面用了三次字符串的反转,提交后,看了官方的解题步骤,发现人家只用了一次反转,而且代码干净整洁,果然还是自己太菜了。。。。。。。

思路二

    1.将索引定位在字符串末尾;
    2.依次从后往前遍历相加,用carry来保存进位;
    3.如果遇到字符串长度不一样的,在短的前面补0;
    4.最后将结果反转并返回;
代码示例:

class Solution {
    public String addStrings(String num1, String num2) {
        if("".equals(num1) || num1 == null) {
            return num2;
        }
        if("".equals(num2) || num2 == null) {
            return num1;
        }
        int carry = 0;
        int i = num1.length() - 1;
        int j = num2.length() - 1;
        StringBuffer result = new StringBuffer();
        while(i >= 0 || j >= 0 || carry != 0) {
            //遇到长度不够的情况下补0
            int a = (i < 0 ? 0 : num1.charAt(i--) - '0');
            int b = (j < 0 ? 0 : num2.charAt(j--) - '0');
            int add = a + b + carry;
            //保存进位信息
            carry =  add / 10;
            result.append(add % 10); 
        }
        return result.reverse().toString();
    }
}
总结

    上面通过一次遍历一次字符串反转实现两个字符串相加。
补0这个操作很巧妙,学到了

嵌入式开发实战:如何用cJSON库在STM32上实现轻量级JSON通信(附完整代码) 本文详细介绍了如何在STM32嵌入式系统中使用cJSON库实现高效的JSON通信方案。针对嵌入式环境的内存限制,提供了内存优化策略、cJSON库的深度定制方法以及完整的通信流程实现代码,帮助开发者解决JSON解析效率低下和跨平台兼容性等核心挑战。 阅读详情

相关推荐

使用mixamo导入人物动作到unity

导入的材质是withoutSkin时选择Create From Other Model + 选择带withSkin里的。方案二:Textures选择Extract Textures,将文件存放到喜欢的位置(不行继续方案三)2.动画没有动:开个Animation窗口,选择人物的Prefab(Hierachy),查看窗口左侧。方案三:选中素材自带或者导出的Material,接着方案一选择 选中的materials进行转化。选 withSkin,剩下的动作选without Skin)(角色发生位移时出现选项)

big_good_boy的博客 1634

leetcode题目 415. 字符串相加

题目 给定两个字符串形式的非负整数 num1 和num2 ,计算它们的和。 注意: 1、num1 和num2 的长度都小于 5100. 2、num1 和num2 都只包含数字 0-9. 3、num1 和num2 都不包含任何前导零。 4、你不能使用任何內建 BigInteger 库, 也不能直接将输入的字符串转换为整数形式。 示例 输入:“256” “232” 输出:“488” 解法 我们直接模拟...

陈迹·清欢的博客 229

顶会新宠!Gate+Attention创新思路发A会

性能提升:在Places2自然场景和CelebA-HQ人脸数据集上,与以往方法相比,该系统在自由形式掩码修复任务中取得了更高的质量和更低的误差(例如,平均ℓ1误差和ℓ2误差显著降低)。硬件效率提升:Griffin和Hawk在TPU-v3上的训练效率与Transformer相当,且在推理时具有更低的延迟和显著更高的吞吐量。门控卷积:提出了一种新的门控卷积机制,通过学习每个通道在每个空间位置的动态特征选择机制,解决了传统卷积将所有输入像素视为有效像素的问题。

2501_92785035的博客 974

给定两个以字符串形式表示的非负整数 num1 和 num2,返回 num1 和 num2 的乘积,它们的乘积也表示为字符串形式。

class Solution { public String multiply(String num1, String num2) { if (num1.equals("0") || num2.equals("0")) return "0"; StringBuilder sb = new StringBuilder(); int a = n...

qq_20350025的博客 2875

Cocos Creator实战:5步搞定棋牌游戏大厅场景开发(附完整代码)

本文详细介绍了使用Cocos Creator 3.8开发棋牌游戏大厅的5个关键步骤,包括工程配置、动态UI系统实现、核心交互功能开发、性能优化及调试发布技巧。通过模块化代码和实战案例,帮助开发者快速构建高交互性的棋牌游戏大厅,提升用户留存率。

weixin_29002209的博客 353

WSL2+Docker+Ollama:解锁Windows本地GPU加速运行DeepSeek-R1模型

本文详细介绍了在Windows系统上,通过WSL2、Docker和Ollama的组合方案,实现本地GPU加速运行DeepSeek-R1模型的全过程。该方案解决了Windows环境下Ollama默认无法调用NVIDIA显卡的痛点,通过配置Docker的GPU支持,强制将计算任务分配给GPU,从而显著提升文本生成速度与效率,为开发者提供了一个便捷的本地AI测试环境。

weixin_28452161的博客 356

Leetcode 415. 字符串相加 C++

Leetcode 415. 字符串相加 题目 给定两个字符串形式的非负整数 num1 和num2 ,计算它们的和。 注意: num1 和num2 的长度都小于 5100. num1 和num2 都只包含数字 0-9. num1 和num2 都不包含任何前导零。 你不能使用任何內建 BigInteger 库, 也不能直接将输入的字符串转换为整数形式。 题解 模拟加法,当前位 = (num1[i]+num2[i]+cin)%10,注意更新进位。详细过程见代码 代码 string addStrings(str

weixin_43750513的博客 270

学Simulink--基础微电网场景实例:基于Simulink的微电网黑启动过程建模与仿真

黑启动(Black Start)是指在全系统停电(无电压、无频率)状态下,微电网依靠内部电源自主恢复供电的能力。🌩️典型场景主网长时间故障自然灾害导致区域停电计划检修后重启❗挑战无参考电压/频率 → 逆变器无法锁相负荷逐级投入 → 需避免过流/过压多电源协调 → 防止环流或失步✅黑启动成功标准在30 秒内恢复关键负荷供电电压/频率稳定在范围内无设备损坏或保护跳闸🎯本文目标:手把手教你使用 Simulink + Simscape + Stateflow 搭建。

amy_mhd的博客 200

Leetcode 415 字符串相加 C语言

Leetcode 415 字符串相加 C语言 给定两个字符串形式的非负整数 num1 和num2 ,计算它们的和。(难度简单) 注意: num1 和num2 的长度都小于 5100. num1 和num2 都只包含数字 0-9. num1 和num2 都不包含任何前导零。 你不能使用任何內建 BigInteger 库, 也不能直接将输入的字符串转换为整数形式。 char* addStrings(char* num1, char* num2) { int len1=strlen(num1); int len2

Android驱动开发 740

基于DFT的滤波系列:加窗滤波的 Matlab 实现

在实际应用中,你可以尝试不同类型的窗函数(如汉宁窗、汉明窗等)以及不同的滤波参数来获得所需的滤波效果。此外,还可以进一步了解 DFT 和窗函数的原理,以及其他数字信号处理技术的应用。加窗滤波是一种常用的数字信号处理技术,它通过在频域上应用窗函数来改善信号的频谱特性。我们通过定义输入信号、应用窗函数、进行 DFT 和逆 DFT,实现了滤波过程,并通过绘图进行了可视化。在频域上进行加窗滤波的关键是将窗函数应用于 DFT 的结果。首先,我们需要定义一个输入信号,这里我们使用一个简单的正弦波作为示例。

m0_47037246的博客 462

从入门到精通|Yalmip+Cplex在电力系统中的应用(Matlab代码实现)

​ 火电成本包括运行成本、碳捕集成本,其中火电运行成本由运行维护成 本和发电煤耗成本构成,发电煤耗与其出力关系: ,F 为机组煤耗量(kg/h),P 为机组出力/MW;运行维护成本按照 0.5 倍煤耗成本考虑,碳捕集成本取决于碳排放量及碳捕集单价,火电机组相关参数如附表 1 所示,电煤价格为 700 元/t ​

weixin_46039719的博客 1552

【算法】LeetCode 415—字符串相加算法详解

1. 从两个字符串的末尾开始遍历(即从个位开始) 2. 对应位置的数字相加,再加上可能的进位 3. 计算当前位的结果和新的进位 4. 将当前位的结果添加到结果字符串中 5. 遍历结束后,检查是否还有进位,如果有则添加到结果中 6. 由于我们是从低位到高位计算的,最后需要将结果字符串反转

qq_2778465975的博客 1616

FastGPT智能体开发:FastGPT OpenAPI 知识库接口

FastGPT OpenAPI 知识库接口

王国平的博客 323

LeetCode415 字符串相加 简单

LeetCode415 字符串相加 简单题目思路C++代码官方解法模拟代码感想 题目 给定两个字符串形式的非负整数 num1 和num2 ,计算它们的和。 注意: num1 和num2 的长度都小于 5100. num1 和num2 都只包含数字 0-9. num1 和num2 都不包含任何前导零。 你不能使用任何內建 BigInteger 库, 也不能直接将输入的字符串转换为整数形式。 思路 因为是字符串表示的数字,且根据题目描述,不存在前导0和其他字符,因此这一题应当是把字符串当作数字来相加的。 因

SlipperSoar的博客 268

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

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

LEETCODE | PYTHON | 415 | 字符串相加

LEETCODE | PYTHON | 415 | 字符串相加

Angelawlc的博客 203

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

LeetCode 415题解 | 字符串相加

LeetCode 415 | 字符串相加

2401_87255690的博客 937

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")

#力扣 LeetCode415. 字符串相加 @FDDLC

题目描述: 415. 字符串相加 - 力扣(LeetCode) (leetcode-cn.com) Java代码: class Solution { // num1 和num2 的长度都小于 5100 // num1 和num2 都只包含数字 0-9 // num1 和num2 都不包含任何前导零 // 你不能使用任何內建 BigInteger 库, 也不能直接将输入的字符串转换为整数形式 public String addStrings(String num1.

LiuXingchang的博客 402

【Leetcode】415. 字符串相加-JAVA

【Leetcode】415. 字符串相加-JAVA

weixin_46460843的博客 805

LeetCode力扣_415.字符串相加

这是因为在 ASCII 编码中,数字字符从 ‘0’ 到 ‘9’ 是连续排列的,并且 ‘0’ 的 ASCII 值是 48。因此,例如字符 ‘5’ 的 ASCII 值是 53,当你计算 ‘5’ - ‘0’ 时,相当于 53 - 48,结果是 5,这正是字符 ‘5’ 所代表的整数值。这是基于同样的原理:字符 ‘0’ 的 ASCII 值是 48,所以当你加上一个整数,比如 5,结果是 48 + 5 = 53,这在 ASCII 表中对应的字符是 ‘5’。③. 字符数组数组中以’\0’表示结束,要给结束符预留空间。

weixin_48648405的博客 598

【Day23】力扣:LeetCode算法刷题 [927. 三等分 ] [415. 字符串相加]

字符串相加,却不可以将字符直接转化为整形来运算,而且需要输出的依旧是字符串,那么为了得到每个位置上的数字,我们可以利用ASCII码值的加减来获取。那么我们每次就将两数字之和的个位数连接进结果的字符串中,十位数则累加进下一次的两数之和中,最终也就得到了我们需要的字符串。如果遍历过程中发现遍历到的三个数字不完全相同,说明无法将二进制数组分成三个表示相同值的部分,返回{-1,-1};还需要注意的是,我们从个位数开始遍历,所以得到的字符串是从最小位数字开始的,还需要将字符串反转一下,才算完成。

ebb29bbe的博客 1218

Leetcode415(力扣415):字符串相加

class Solution { public: string addStrings(string num1, string num2) { string res; int sum=0,i=num1.size()-1,j=num2.size()-1; while(i>=0||j>=0||sum) { if(i>=0) sum+=num1[i--]-'0'; if(j>=0) su.

weixin_44537258的博客 217

LeetCode 415. 字符串相加 | Python

使用双指针模拟加法运算,解决 LeetCode 《415. 字符串相加》问题

"大梦三千秋的博客 774

LeetCode 415. 字符串相加

给定两个字符串形式的非负整数 num1 和num2 ,计算它们的和并同样以字符串形式返回。

Edison's 小宇宙 1万+

LeetCode 字符串相加(415题)

LeetCode 字符串相加 @author:Jingdai @date:2020.09.25 题目描述(415题) 给定两个字符串形式的非负整数 num1 和num2 ,计算它们的和。 不能使用任何 BigInteger 库, 也不能直接将输入的字符串转换为整数形式。 思路 这个其实没什么好说的,就是简单记录一下代码。从低位开始各个位相加,有进位记录进位,直接看代码。 代码 public String add(String num1, String num2) { int i = nu

qq_41512783的博客 246

【LeetCode每日一题】——415.字符串相加

给定两个字符串形式的非负整数 num1 和num2 ,计算它们的和并同样以字符串形式返回。 你不能使用任何內建的用于处理大整数的库(比如 BigInteger), 也不能直接将输入的字符串转换为整数形式。

IronmanJay 1227

力扣(LeetCode)415. 字符串相加

给定两个字符串形式的非负整数 num1 和num2 ,计算它们的和。 注意: num1 和num2 的长度都小于 5100. num1 和num2 都只包含数字 0-9. num1 和num2 都不包含任何前导零。 你不能使用任何內建 BigInteger 库, 也不能直接将输入的字符串转换为整数形式。 java 基础版 class Solution { public String add...

weixin_30340617的博客 199
上一篇: SQL语句判断奇偶数
下一篇: LeetCode-1-两数之和
CodAlun
博客等级 码龄8年 46粉丝 96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