2017-12-12 test13

本文介绍了一种将数组中的奇数和偶数重新排列的方法,并提供了一个示例代码。此外,还探讨了在一个递增的二维杨氏矩阵中查找特定数字的有效算法。

1.调整数组使奇数全部都位于偶数前面。
题目:
输入一个整数数组,实现一个函数,来调整该数组中数字的顺序使得数组中所有的奇数位于数组的前半部分,所有偶数位于数组的后半部分。


#define _CRT_SECURE_NO_WARNINGS 1
#include<stdio.h>

/*1.调整数组使奇数全部都位于偶数前面。 
题目: 
输入一个整数数组,实现一个函数,来调整该数组中数字的顺序使得数组中所有的奇数位于数组的前半部分,
所有偶数位于数组的后半部分。
*/
void change(int arr[],int sz)
{

	int i=0;
	int j=0;
	for (i=0;i<sz;i++)
	{
		if(arr[i]%2!=0)
		{
			continue;
		}
		else 
		{
		   j=i;
           do
		   {
			   j++;
		   }
		   while ((arr[j]%2==0)&&(j<sz));
		   if (j<sz)
		   {
			   int tmp=arr[j];
			   arr[j]=arr[i];
			   arr[i]=tmp;
			   
		   }
		   else
			   break;
		}
			 
	}

	for (i=0;i<sz;i++)
	{
		printf("%3d",arr[i]);
	}
}
int main()
{
	int arr[]={1,2,3,4,5,6,7,8,9,10};
	int sz=sizeof(arr)/sizeof(arr[0]);
	change(arr,sz);
	return 0;
}

//杨氏矩阵
有一个二维数组.
数组的每行从左到右是递增的,每列从上到下是递增的.
在这样的数组中查找一个数字是否存在。
时间复杂度小于O(N);
数组:
1 2 3
2 3 4
3 4 5

1 3 4
2 4 5
4 5 6

#include<stdio.h>  
#include<windows.h>  
  
#define ROW 3  
#define COL 3  
  
void find_num(int arr[ROW][COL],int key, int*px, int *py)  
{  
    int row = 0;  
    int col = *py-1;  
    while((row <= *px-1)&&(col >= 0))  
    {  
        if(arr[row][col] > key)  
        {  
            col--;  
        }  
        else if(arr[row][col] < key)  
        {  
            row++;  
        }  
        else  
        {  
            *px = row;  
            *py = col;  
            return;  
        }  
    }  
    *px = -1;  
    *py = -1;  
}  
  
int main()  
{  
    int arr[ROW][COL] = {1,2,3,4,5,6,7,8,9};  
    int x = ROW;  
    int y = COL;  
    find_num(arr, 6, &x, &y);  
    printf("x = %d\ny = %d\n",x,y);  
    system("pause");  
    return 0;  
}  
以下是一个简单的基于Transformer算法的代码示例,可以用来预测SNumber。 ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Dense, Dropout, LayerNormalization, MultiHeadAttention, TimeDistributed, concatenate # 加载数据 data = pd.read_csv('data.csv') X = data.drop(['SNumber'], axis='columns') y = data['SNumber'] # 标准化输入特征 scaler = StandardScaler() X = scaler.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False) # 构建Transformer模型 def transformer_model(input_shape): inputs = Input(shape=input_shape) x = Dense(64, activation='relu')(inputs) x = LayerNormalization()(x) x = Dropout(0.2)(x) x = Dense(32, activation='relu')(x) x = LayerNormalization()(x) x = Dropout(0.2)(x) x = Dense(1)(x) model = Model(inputs=inputs, outputs=x) return model # 训练模型 model = transformer_model((X_train.shape[1],)) model.compile(optimizer='adam', loss='mean_squared_error') model.fit(X_train, y_train, epochs=100, batch_size=16, validation_data=(X_test, y_test)) # 预测结果 y_pred = model.predict(X_test) # 可视化预测结果 plt.plot(y_test.values, label='True') plt.plot(y_pred, label='Predicted') plt.legend() plt.show() ``` 需要注意的是,这只是一个简单的示例,实际上可能需要进行更多的特征工程和调整模型参数来获得更好的预测结果。
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
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