【PAT】1105. Spiral Matrix

考查点:模拟题,蛇形填数

思路:这里经过四个循环后除了更新边界外还必须i++,j++,进入内层,以后模拟时不能只停在一个循环,应该第二层循环,第二是中间数的处理,对于正方形中间数必须在过四个循环之后单独处理,即在最后赋值给中间位置

#define LOCAL
#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <cmath>
#include <string>
#include <vector>
#include <map>
#include <set>
#include <queue>
#include <stack>
#define FOR(i, x, y) for(int i = x; i <= y; i++)
#define rFOR(i, x, y) for(int i = x; i >= y; i--)
#define MAXN 10010
#define oo 0x3f3f3f3f
using namespace std;
int a[MAXN];
int ans[MAXN][MAXN];
bool cmp(int a,int b){
    return a>b;
}
int main()
{
     #ifdef LOCAL
        freopen("data.in","r",stdin);
        freopen("data.out","w",stdout);
    #endif // LOCAL
    int N;
    cin>>N;
    FOR(i,0,N-1)
    scanf("%d",&a[i]);
    if(N==1){
        printf("%d",a[0]);return 0;
    }
    sort(a,a+N,cmp);


    int n,m;
    m=(int)ceil(sqrt(1.0*N));
    while(N%m!=0){
        m++;
    }
    n=N/m;
    int cnt=0;
    int i=0,j=0;
    int L=1,R=n-1,U=1,D=m-1;
    while(cnt<N){

        while(cnt<N&&j<R){
            ans[i][j++]=a[cnt++];
        }
        R--;
        while(cnt<N&&i<D){
            ans[i++][j]=a[cnt++];
        }
        D--;
        while(cnt<N&&j>=L){
            ans[i][j--]=a[cnt++];
        }
        L++;
        while(cnt<N&&i>=U){
            ans[i--][j]=a[cnt++];
        }
        U++;
        j++;
        i++;
        if(cnt==N-1)ans[i][j]=a[cnt++];
    }
    FOR(i,0,m-1)
    FOR(j,0,n-1)
    {
        printf("%d",ans[i][j]);
        if(j<n-1){
            printf(" ");
        }else printf("\n");
    }
    return 0;
}


基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
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