1029. Median (25)

本文介绍了一道PAT算法题目,通过合并两个已排序数组并找出中位数的方法来解决问题。文中提供了C++代码实现,展示了如何利用排序算法找到两个数组的中位数,时间复杂度为O(n)。

这题好像以前时间限制是400ms

前些年的408算法题

最优解好像是比较两个数组的中间值大小,然后舍去小的左边和大的右边,这样重复到最后,这样时间复杂度就是logn

因为pat上有输入,所以时间复杂度至少为O(n)。。。

当然可以利用排好序的条件,遍历两个数组,比较大小排序,最后输出中间值,这样时间复杂度就是O(n)

#include<iostream>
#include<vector> 
#include<algorithm>
using namespace std;
int n ,m;
vector<int> num; 
int main(){
	cin>>n;
	for(int i = 0; i < n; i++){
		int temp;
		scanf("%d",&temp);
		num.push_back(temp);
	}
	cin>>m;
	for(int i = 0; i < m; i++){
		int temp;
		scanf("%d",&temp);
		num.push_back(temp);
	}
	sort(num.begin(),num.end());
	cout<<num[(n + m - 1) / 2];
	return 0;
} 


分析下列代码作用,用for循环达成效果 代码如下: df_cleanID['是否吃大米'].median() df_cleanID['平均每次食用量'].median() df_cleanID['是否吃小麦面粉'].median() df_cleanID['平均每次食用量.1'].median() df_cleanID['是否吃杂粮'].median() df_cleanID['平均每次食用量.2'].median() df_cleanID['是否吃薯类'].median() df_cleanID['平均每次食用量.3'].median() df_cleanID['是否吃油炸面食'].median() df_cleanID['平均每次食用量.4'].median() df_cleanID['是否吃猪肉'].median() df_cleanID['平均每次食用量.5'].median() df_cleanID['是否吃牛羊肉'].median() df_cleanID['平均每次食用量.6'].median() df_cleanID['是否吃禽肉'].median() df_cleanID['平均每次食用量.7'].median() df_cleanID['是否吃内脏类'].median() df_cleanID['平均每次食用量.8'].median() df_cleanID['是否吃水产类'].median() df_cleanID['平均每次食用量.9'].median() df_cleanID['是否吃鲜奶'].median() df_cleanID['平均每次食用量.10'].median() df_cleanID['是否吃奶粉'].median() df_cleanID['平均每次食用量.11'].median() df_cleanID['是否吃酸奶'].median() df_cleanID['平均每次食用量.12'].median() df_cleanID['是否吃蛋类'].median() df_cleanID['平均每次食用量.13'].median() df_cleanID['是否吃豆腐'].median() df_cleanID['平均每次食用量.14'].median() df_cleanID['是否吃豆腐丝等'].median() df_cleanID['平均每次食用量.15'].median() df_cleanID['是否吃豆浆'].median() df_cleanID['平均每次食用量.16'].median() df_cleanID['是否吃干豆'].median() df_cleanID['平均每次食用量.17'].median() df_cleanID['是否吃新鲜蔬菜'].median() df_cleanID['平均每次食用量.18'].median() df_cleanID['是否吃海草类'].median() df_cleanID['平均每次食用量.19'].median() df_cleanID['是否吃咸菜'].median() df_cleanID['平均每次食用量.20'].median() df_cleanID['是否吃泡菜'].median() df_cleanID['平均每次食用量.21'].median() df_cleanID['是否吃酸菜'].median() df_cleanID['平均每次食用量.22'].median() df_cleanID['是否吃糕点'].median() df_cleanID['平均每次食用量.23'].median() df_cleanID['是否吃水果'].median() df_cleanID['平均每次食用量.24'].median() df_cleanID['是否吃果汁饮料'].median() df_cleanID['平均每次食用量.25'].median() df_cleanID['是否吃其他饮料'].median() df_cleanID['平均每次食用量.26'].median()
最新发布
03-30
从上述代码来看,其主要目的是对 `df_cleanID` 数据框中的某些列计算它们的 **中位数 (median)**。每两行分别处理了两类数据: 1. 是否消费某类食品(如“是否吃大米”),这类列通常是二元变量(例如 0 或 1 表示否或是)。 2. 消费该类食品的平均量(如“平均每次食用量”),这类列通常表示具体的数值。 ### 使用 for 循环改写此段代码 可以利用列表存储相关的字段名,并通过循环依次对其应用 `.median()` 函数。以下是优化后的代码: ```python columns = [ '是否吃大米', '平均每次食用量', '是否吃小麦面粉', '平均每次食用量.1', '是否吃杂粮', '平均每次食用量.2', '是否吃薯类', '平均每次食用量.3', # ... 其他字段按顺序添加到这里 ... '是否吃其他饮料', '平均每次食用量.26' ] medians = {} for i in range(0, len(columns), 2): # 每次步进两个元素 col_yes_no = columns[i] # 第一列为“是否...” col_amount = columns[i + 1] # 第二列为对应的“平均每次食用量” medians[col_yes_no] = df_cleanID[col_yes_no].median() medians[col_amount] = df_cleanID[col_amount].median() # 输出结果字典 print(medians) ``` 在这个例子中: - 我们将所有需要操作的列名称存入了一个名为 `columns` 的列表; - 利用一个字典 `medians` 存储每一列及其对应的结果值; - 遍历过程中每隔一步取出一对列(即 "是否..." 和它的 “平均每次食用量” 对应部分),然后针对这两列逐一求取其中位数并记录到结果字典里; 最终得到的是包含每个列及相应中位数值的一个字典结构,这有助于更清晰地查看各项统计信息而无需重复书写相似的操作命令。 --- #### 提出
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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