C++数组默认初值问题

C++之数组大全初始化和赋值方法 C++之数组全能分析掌握 提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录C++之数组全能分析掌握前言 前言 C++数组必是让很多新手头疼的一件事了,本片将详细讲解数组的概念和实例代码,小白一看就恍然大悟,话不多说,开启旅程。。。 # 一、C++输入方式打印二维数组? //定义整形数组 //int arrayName[5]; //初始化数组 int arrayName[5]={10,20,30,40,50}; printf("arrayName[1]=%d\n" 阅读详情

一、 局部变量数组

1、只声明,不赋值:

#include<iostream>
using namespace std;

int main()
{
	int m[5];
	int* n=new int[5];
	
	for(int i=0;i<5;i++)
	{
		cout<<m[i]<<" ";
	}
	
	cout<<endl;
	
	for(int i=0;i<5;i++)
	{
		cout<<n[i]<<" ";
	}

	return 0; 
	
} 

 

无论int a[5]方式,还是int* a=new int[5]方式,编译器都不会给数组自动设置初值,即不会出现默认初值为0的情况。

2、声明时部分赋值:

#include<iostream>
using namespace std;

int main()
{
	int m[5]={3};
	
	for(int i=0;i<5;i++)
	{
		cout<<m[i]<<" ";
	}
	
	return 0;
	
} 

 

 剩余数组元素默认赋为0。

 二、全局变量数组

#include<iostream>
using namespace std;

int m[5];
int* n=new int[5];

int main()
{
	for(int i=0;i<5;i++)
	{
		cout<<m[i]<<" ";
	}
	
	cout<<endl;
	
	for(int i=0;i<5;i++)
	{
		cout<<n[i]<<" ";
	}
	
	return 0;
	
} 

全局变量,动态申请方式与静态分配方式不同。静态分配方式会默认赋初值为0。

C++数值计算利器Alglib:从线性代数到优化拟合的工程实践 在科学计算与工程应用中,数值计算是处理数学模型、仿真分析和数据拟合的核心基础。其原理在于通过计算机算法实现数学运算的近似求解,涉及线性代数、微积分、优化理论等多个数学分支。这项技术的价值在于将复杂的数学问题转化为可编程的解决方案,显著提升研发效率和计算精度。在C++开发领域,面对线性方程组求解、曲线拟合、函数优化等常见场景时,开发者常需在自主实现算法的复杂度与第三方库的可靠性之间权衡。Alglib作为一个成熟的数值计算库,通过提供经过严格测试的稳健算法,如**非线性最小二乘**和**稀疏矩阵**求解器,有效 阅读详情

相关推荐

MATLAB基础运算核心解析:从数组操作到向量化编程实战

在科学计算与工程仿真领域,数组与矩阵运算是数据处理的核心基础。其原理在于通过统一的数据结构(数组)实现高效的数值计算,区别于通用编程语言的标量思维。这种设计的技术价值在于能够以接近数学表达式的形式进行向量化操作,大幅提升计算性能,尤其在处理大规模数据时优势明显。应用场景广泛覆盖信号处理、图像分析、控制系统仿真等工程实践。本文聚焦于MATLAB中的数组创建、索引技巧以及关键的数组运算与矩阵运算区别,深入解析点乘(.*)与矩阵乘(*)的设计逻辑,并结合‘findpeaks函数’进行特征提取、利用‘fft函数’进

weixin_34111790的博客 436

给元素赋初值的方法总结(C++)

作为初学者整理的一些笔记,敬请斧正

soulmates_的博客 4117

SciPy solve_ivp 微分方程求解器:从原理到实战的完整指南

微分方程是描述动态系统演化的核心数学工具,广泛应用于物理、工程、生物和金融建模。其数值求解原理基于将连续时间问题离散化,通过迭代逼近精确解,其中龙格-库塔法和后向差分公式是两类基础算法。掌握这些求解技术对于仿真预测和系统分析具有重要价值,能有效应用于卫星轨道计算、化学反应动力学模拟等场景。本文聚焦于SciPy库中的`solve_ivp`求解器,深入解析其算法选择、精度控制及事件检测等高级功能,帮助读者应对刚性与非刚性系统等实际问题,提升科学计算效率与可靠性。

weixin_34221073的博客 371

【C / C++】关于数组默认初值问题

通过上图不难总结出: 当数组在全局变量区定义时,默认初值为0。 当数组在局部变量区定义时,如果不写“ {} ”,则默认的初值为乱码。 当数组在局部变量区定义时,如果写“ {} ”或给某几位赋值时,则其他未赋值的数默认初值为0。 . ...

辉小歌的博客 9159

Scipy实战避坑指南:数据建模工程师的数值计算核心手册

Scipy是Python科学计算生态中支撑真实建模任务的底层引擎,其本质是面向工程场景的数值算法集合——涵盖常微分方程求解、非线性拟合、统计假设检验与信号特征提取。理解其算法原理(如Levenberg-Marquardt的初值敏感性、Radau法对刚性系统的适应性)是避免模型失效的前提;掌握参数实操逻辑(如find_peaks的height/prominence物理标定、curve_fit的bounds与trf算法协同)才能保障结果可信。它不替代Pandas或Sklearn,而是承担机理建模、参数标定、异常

weixin_34389926的博客 464

MATLAB数学建模实战:从数据处理到仿真优化的全流程指南

数学建模与科学计算是解决复杂工程与科研问题的核心方法,其本质是通过数学模型抽象现实问题,并利用数值算法进行求解与分析。MATLAB作为集成了高级编程语言、丰富算法库和交互式环境的计算平台,在原理上实现了从符号推导、数值计算到数据可视化的无缝衔接,其技术价值在于极大地降低了从数学思想到可执行代码的实现门槛。在应用场景上,MATLAB广泛覆盖了信号处理、控制系统设计、图像分析、统计分析以及基于Simulink的动态系统仿真等领域。本文聚焦于数学实验与建模的全流程,深入探讨了包括环境配置、数据操作(如数组索引与m

weixin_34342905的博客 438

C++ 数组初始化为0

1、作为全局变量时:初值默认为0 int a[100];//初始化默认为0 2、作为局部变量时:初值为一随机值 int a[100] = {0};//a[0] = 0,其余元素默认用0填充 3、遍历赋值 和循环赋值实际一样 void *memset( void *dest, int c, size_t count ); The memset function sets the f...

qq_34405786的博客 7793

C++使用大括号给数组赋初值

C++数组可使用大括号赋初值;

bcbobo21cn的专栏 460

赋初值问题

在声明指针常量时,必须初始化即:int *const p1=&a;是正确的int *const p2;是错误的在为数组动态分配内存时,不能对数组中的元素初始化,即:int *p=new int[5]={1,2,3,4,5};是错误的函数指针(int (*pfun)(int,int))在使用前,必须先赋值,一般采用的赋值方法如下:函数指针名=函数名 pfun = add;在使用指向静态成员的指针时,

冰淇淋色的天空 992

老C++数值算法源码迁移:从CD-ROM到现代C++的实战指南

数值计算是科学仿真与工程分析的基石,从线性方程组求解到快速傅里叶变换,这些经典算法始终在信号处理、图像分析和量化计算中发挥关键作用。传统C++参考代码尽管算法流程清晰,却常因上世纪编译器环境而难以直接运行。理解算法背后的数学原理,掌握源码迁移与参数调试的方法,才能真正释放这些教学原型的技术价值。本文以一套典型C++数值算法书为蓝本,梳理算法选型逻辑、环境搭建路径和核心参数调整方向,并总结迁移过程中常见的语法、编码、数组越界等陷阱,帮助开发者在现代工具链中快速复现可靠的计算结果。

weixin_34032621的博客 360

Arduino程序设计(八)LCD显示实验

本文主要介绍温度/温湿度传感器的LCD显示实验,分别是:1、LM35采集环境温度LCD显示;2、DS18B20采集环境温度LCD显示;3、DHT11采集环境温湿度LCD显示。(1)LM35介绍LM35特性特性说明基本功能LM35作为常用的温度传感器,可以检测周围的温度工作原理利用感温材料,通过内部电路将温度值转化为对应的电压信号工作电压4~30V,常用5V供电温度测量测量范围0~100℃ ,误差 ±0.5℃输出信号线性模拟信号输出,LM35输出电压和摄氏温度程线性关系。

Alice的博客 6711

全国计算机二级C++题库笔记

这个有几年了… Ⅰ. 选择题专项训练是非常全的 Ⅱ. 套卷题目总结 ① 基础操作题目和简单应用题没有,这个比较简单,有些填空的也不好记录,看题就行了。 ② 应用题懒没记录了,这个考的比较简单,给你几个文件,根据题目你写一部分程序出来。主要有写链表、队列、栈、求xxx数的操作、根据题目的相关类似业务代码的那种啊(处理个字符串操作啊啥的)这种。要把前面基础打好! tb买个未~来~教~育~题目刷刷,下面的内容也是上面刷题遇到的然后自行整理下来的。

编程世界中最大的敌人就是自己,而心态才是制胜点。 1577

【计算机图形学】Pov-Ray画的垃圾小车

效果: 代码: #include "colors.inc" #include "metals.inc" #include "glass.inc" //相机 //这个位置车子刚好落在草地上了 camera { location direction z*1.5 right x*image_width/image_height look_at

lishichengyan的博客 1749

C++新经典 | C语言

C语言查漏补缺笔记。

该用户还没想到好的昵称的博客 1653

为ESXI Host添加v3700 FC存储

物理环境: ESXI Host version 5.1.0 Brocade SAN Switch v3700 Storage 存储和ESXI Host分别用光纤线连接在SAN交换机上 1.查询ESXI Host 的WWN号: 2. SAN交换机上查询存储的WWPN号 SAN交换机: 3.建立zone,添加到cfg文件中 brocade8Gb

haoshuwei531024的专栏 7563

Vite与Webpack路径配置大不同:从Vue2迁移到Vue3必须知道的public目录使用技巧

本文详细解析了Vite与Webpack在public目录路径配置上的核心差异,为Vue2迁移到Vue3的开发者提供实用指南。重点对比了两种构建工具的资源处理逻辑,给出典型编译警告的解决方案,并分享路径适配表与高级优化技巧,帮助开发者高效完成技术栈升级。

weixin_30836759的博客 485

C/C++ 工程师能力评估试题

C/C++工程师能力评估

luanqibaazao的博客 838

基于STM32的心电图监测系统设计

本论文旨在设计一种基于 STM32 微控制器的心电图监测系统,通过对人体心电信号的采集、处理和分析,实现对心电图的实时监测与显示。系统采用高精度的心电信号采集模块,结合 STM32 强大的数据处理能力,能够有效去除噪声干扰,提取出准确的心电信号特征。同时,利用 LCD 显示屏实现心电波形的实时显示,并通过蓝牙模块实现数据的无线传输,方便医护人员远程监测。经测试,该系统具有较高的精度和稳定性,能够满足临床心电图监测的基本需求,为医学诊断提供可靠的数据支持。

道亦无名 1351

DFS 深度优先搜索

基于作业的现实需要,必须恶补一下了 第三章 搜索与图论 y总说“凡是求什么最短的,最少的,用宽度优先搜索BFS 凡是思路比较奇怪的,或者对空间要求比较高的,用深度优先搜索DFS” DFS俗称“暴搜”,最重要的是 顺序! 用什么样的顺序,来把题目中的所有的方案都遍历一遍 涉及到一个新的知识点:数组在全局中定义的时候默认值是0 【C / C++】关于数组默认初值问题_辉小歌的博客-优快云博客_c++数组默认值 另外puts("")可以起到一个换行的作用,即光标从上一行的最后移到下一行的开始

qq_62339588的博客 1260

copilot基于 DeepSeek-R1 思路构建 VLA 自动驾驶强化学习系统

下面给出一个完整示例代码,结合 DeepSeek‑R1 的技术方法,实现一个端到端的 VLA(视觉+语言行动)自动驾驶深度强化学习系统。.2f。

ywfwyht的博客 775

基于STM32设计的水下水质检测装置(微信小程序)(205)

本项目设计了一款基于STM32微控制器为核心的水下水质检测设备,该设备具有高度集成化、智能化的特点,能够实时监测水深、温度、浊度及溶解性总固体(TDS)等关键水质参数,并通过4G网络将数据上传至腾讯云IOT物联网平台,实现远程监控和数据分析。同时,为了便于操作和移动观测,还配套开发了微信小程序,用户可通过微信小程序实时查看并控制设备的各项功能,如调整下潜深度等。

1252

C++实现微积分算法:从数值微分到自适应积分的工程实践

数值计算是连接数学理论与工程实践的核心领域,它通过离散化方法在计算机上求解连续数学问题。其基本原理是利用有限差分近似导数、数值积分逼近面积,从而将微积分等抽象概念转化为可执行的算法。这项技术的价值在于为科学计算、机器学习、图形学等提供了底层支撑,使计算机能够处理复杂的数学模型。在应用层面,数值微积分是物理仿真、金融建模和优化算法的基础工具。本文聚焦于C++实现,深入探讨了中心差分、复合梯形法则等基础算法,并详细分析了步长选择、误差控制等工程实践中的关键问题,通过理查德森外推和自适应辛普森法等热词技术,展示了

131

YOLOv11 改进 - 特征融合 | 替换 C3k2 涨点:GELAN 融合 CSP+ELAN 提精度

本文介绍了可编程梯度信息(PGI)和广义高效层聚合网络(GELAN)与 YOLOv11 的结合,以解决深度网络数据传输时的信息丢失问题。PGI 能为目标任务提供完整输入信息,计算目标函数以更新网络权重。GELAN 作为轻量级网络架构,由 SPPELAN、ELAN1、RepNCSPELAN4 等模块组成。我们将 GELAN 代码集成进 YOLOv11, 实验脚本显示,结合 GELAN 的 YOLOv11 在 MS COCO 数据集目标检测任务中或有良好表现。

魔改工程师的博客 1243

基于正倒排索引的boost搜索引擎

一个boost搜索引擎项目

hi_ro_a的博客 289

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")

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

区间DP精讲:分离与合体问题从状态设计到方案输出

动态规划是算法竞赛中的核心思想,而区间DP又是其中极具套路化的分支。它通过将问题拆解为多个子区间,利用最优子结构递推求解,广泛应用于合并石子、矩阵连乘等经典场景。分离与合体问题正是这类模型的典型变体,考察的是对区间合并过程的逆向理解与状态转移的熟练运用。理解dp[i][j]的定义、枚举断点的核心逻辑以及长度优先的循环顺序,是掌握区间DP的关键。同时,通过记录决策数组mid,还能还原完整操作顺序,实现方案输出。本文从基础概念出发,逐步推导转移方程,并结合代码实现与常见踩坑点,帮助读者建立清晰的区间DP解题框架

weixin_33851604的博客 285

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

能量项链问题精讲:区间DP入门与破环成链的完整推导

动态规划是算法竞赛中解决最优决策问题的核心思想,而区间DP又是其中极具代表性的分支。它通过把大问题拆解成连续子区间的最优解,再利用状态转移方程逐步合并,最终求取全局最优。区间DP在石子合并、矩阵链乘等经典场景中广泛使用,这类问题通常要求合并相邻元素并计算代价,是训练状态设计与转移推导的绝佳素材。环形结构会额外增加一层处理难度,常见的做法是通过复制数组实现破环成链,将所有断点统一在一次动态规划中覆盖。以NOIP 2006经典题“能量项链”为例,题目给出环形珠子序列,每次合并相邻珠子产生由三个标记相乘的能量,求

weixin_33991418的博客 477
上一篇: 第四章:多维数组和矩阵 --------------- 4.1 基础题:顺时针打印二维数组
下一篇: 第四章:多维数组和矩阵 ----------- 4.2 基础题:将0所在的行列清零
Estrellas_
博客等级 码龄9年 273粉丝 233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