蓝桥杯day02——Fizz Buzz

【PyTorch】用神经网络实现FizzBuzz问题 目录问题描述解决问题的思路model.py - 模型构建fizzbuzz.py - 针对数字的处理train.py - 模型训练test.py - 选取最优模型进行测试 问题描述 相信大家对FizzBuzz问题都不陌生。 给定整数nnn,按照如下规则打印从startstartstart到start+nstart+nstart+n的每个数: 如果这个数能被3整除,打印fizz; 如果这个数能被5整除,打印buzz; 如果这个数能同时被3和5整除,打印fizzbuzz; 如果这个数既不能被3整除也不能被5整除 阅读详情

1、题目

给你一个整数 n ,找出从 1 到 n 各个整数的 Fizz Buzz 表示,并用字符串数组 answer(下标从 1 开始)返回结果,其中:

  • answer[i] == "FizzBuzz" 如果 i 同时是 3 和 5 的倍数。
  • answer[i] == "Fizz" 如果 i 是 3 的倍数。
  • answer[i] == "Buzz" 如果 i 是 5 的倍数。
  • answer[i] == i (以字符串形式)如果上述条件全不满足。

示例 1:

输入:n = 3
输出:["1","2","Fizz"]

示例 2:

输入:n = 5
输出:["1","2","Fizz","4","Buzz"]

示例 3:

输入:n = 15
输出:["1","2","Fizz","4","Buzz","Fizz","7","8","Fizz","Buzz","11","Fizz","13","14","FizzBuzz"]

提示:

  • 1 <= n <= 104

 

2、解析

实现的是经典的FizzBuzz问题,即对从1到n的每个整数进行如下操作:如果该数能被3整除,就在答案中添加"Fizz";如果该数能被5整除,就在答案中添加"Buzz";如果该数能同时被3和5整除,就在答案中添加"FizzBuzz"。如果都不能,就将该数本身添加到答案中。

  1. 创建一个名为answer的空列表,用于存储结果。
  2. 使用for循环遍历从1到n的每个整数(在Python中,range(n)生成一个从0到n-1的整数序列)。
  3. 在循环中,首先检查当前的整数(i+1)是否能被15整除(i+1)%15==0)。如果能,就在answer`中添加字符串"FizzBuzz",然后跳过本次循环,准备处理下一个整数。
  4. 如果不能被15整除,就检查当前的整数是否能被3整除((i+1)%3==0)。如果能,就在answer`中添加字符串"Fizz",然后跳过本次循环。
  5. 如果既不能被15整除,也不能被3整除,就检查当前的整数是否能被5整除((i+1)%5==0)。如果能,就在answer`中添加字符串"Buzz",然后跳过本次循环。
  6. 如果以上三个条件都不满足,就说明当前的整数既不能被3整除,也不能被5整除,更不能被15整除。这时,就将该整数转换为字符串,并添加到answer中。
  7. 循环结束后,返回存储结果的answer列表。

3、python代码

class Solution:
    def fizzBuzz(self, n: int) -> list[str]:
        answer=[]
        for i in range(n):
            if (i+1)%15==0:
                answer.append("FizzBuzz")
            elif (i+1)%3==0:
                answer.append("Fizz" )
            elif (i+1)%5==0:
                answer.append("Buzz")
            else:
                answer.append(str(i+1))
        return answer

 4、运行结果

 

FizzBuzz算法是一个经典的编程问题,它的目标是从1到n输出数字序列,但对于序列中的某些特定数字,需要输出不同的字符串 FizzBuzz算法是一个经典的编程问题,它的目标是从1到n输出数字序列,但对于序列中的某些特定数字,需要输出不同的字符串。具体而言,在FizzBuzz算法中,当数字能被3整除时,输出"Fizz";当数字既能被3整除又能被5整除时,输出"FizzBuzz";如果数字能被3整除但不能被5整除,我们输出"Fizz";如果数字能被5整除但不能被3整除,我们输出"Buzz"。在本例中,我们选择了n=20,即输出1到20的数字序列。最后,如果数字既不能被3整除也不能被5整除,我们直接输出该数字本身。 阅读详情

相关推荐

《python算法与数据结构2000讲》0412. Fizz Buzz

《python算法与数据结构2000讲》0412. Fizz Buzz

IT 甄选推荐 104

FizzBuzz(二)

FizzBuzz FizzBuzz是一个非常简单的小游戏。游戏规则如下:从1开始往上数数,当遇到3的倍数的时候,说fizz,当遇到5的倍数,说buzz,当遇到15的倍数,就说fizzbuzz,其他情况则正常数数。 我们可以写一个简单的小程序来解决要返回正常数值还是fizz,buzz或者fizzbuzz。 我们首先定义模型的输入与输出(训练数据) 然后我们用pyTorch定义模型 为了让我们学会FizzBuzz这个游戏,我们需要定义一个损失函数,和一个优化算法。 这个优化算法会不断优化(降低.

vivi_cin的博客 1万+

Unity资源逆向解析:从APK到AssetStudio的完整实战

本文详细介绍了Unity资源逆向解析的全流程,从APK解包到使用AssetStudio深度解析Unity游戏资源。通过实战案例演示如何提取《植物大战僵尸》等游戏的素材,包括贴图、音频和3D模型,帮助开发者掌握Unity游戏逆向工程的核心技术。

weixin_30664051的博客 475

人工智能-编程-Fizz Buzz

题目描述: 写个程序来玩Fizz Buzz. 这是一个游戏。玩家从1数到100,如果数字被3整除,那么喊’fizz’,如果被5整除就喊’buzz’,如果两个都满足就喊’fizzbuzz’,不然就直接说数字。这个游戏玩起来就像是: 1 2 fizz 4 buzz fizz 7 8 fizz buzz 11 fizz 13 14 fizzbuzz 16 … 一.传统方法编程 def fizz_buzz(num): if num % 3 == 0 and num % 5 == 0: r

纯洁的小魔鬼 1万+

ESP32驱动TFT屏幕实战:LVGL与TFT_eSPI完美结合

本文详细介绍了如何在ESP32上结合TFT_eSPI驱动库与LVGL图形库,实现高效、流畅的嵌入式GUI开发。内容涵盖硬件连接、软件环境搭建、库配置、LVGL移植、界面创建及性能优化等全流程实战指南,帮助开发者快速构建低成本、高性能的交互式显示应用。

weixin_29206669的博客 200

springboot 启动方式 装配流程 自定义starter 文件加载顺序 常见设计模式

springboot 启动方式 装配流程 自定义starter 文件加载顺序 常见设计模式

sv 937

buzz fizz 翻译_【Oxford-2】The Fizz-Buzz

原标题:【Oxford-2】The Fizz-Buzz Vocabularyfizz-buzz烟花zip-zap烟花let 让,使go off 爆炸buzz off 文中指烟花没了puff 喷出,张开zip 撕裂声zap 嘶嘶声fizz 嘶嘶声buzz 嗡嗡声puff 膨胀声原文1、The Fizz-Buzz Dad had a Zip-zap.爸爸有一个Zip-zap(烟花)。(Let it o...

weixin_31570865的博客 1万+

推荐国内可使用的chatGPT的工具

是基于ChatGPT 3.5和ChatGPT 4开发的chatGPT应用程序版,这个应用可以直接使用而不需要魔法,如果我们有自己的APT KEY的话可以一直使用,但是如果没有的话,我们只能使用ChatGPT 3.5 版本的,次数也是有所限制,应该是20次每天,这也足够我们的使用了,响应的速度也是非常的快。

有你真好的博客 1万+

PyTorch - fizzbuzz

可以利用 `sklearn.model_selection.train_test_split()`,设置 `train_size=0.8`,对所有数据以 4:1 的比例划分为训练集和验证集,得到 train_X 和 eval_X,进而构造 train_y 和 eval_y。优化器选择自适应矩估计 (Adaptive moment estimation, Adam) torch.optim.Adam(),设置学习率 `lr=5e-4`,动量 `betas=(0.9, 0.999)1。下面是训练过程的代码。

AI工程化、开源分享、文档翻译、代码笔记 418

nvprof:CUDA编程性能分析工具

NVIDIA提供了具有高性能计算的GPU产品,如何检验硬件的实际性能,写出高效的CUDA代码让算力加速卡物尽其用,那可以通过其配套提供的“护城河”软件工具链来检验和帮助发挥GPU的性能:nvprof。如下,对于将8192个A,B向量进行向量加法运算,即C[i] = A[i] + B[i],当软件设置不同的blocknum, threadnum时候,CUDA执行kernel的时间是不同的。比如如下命令,可以看到程序tmp1的总体性能,下面一行是打印gpu的执行时间情况。

Briwisdom的博客 3385

基于YOLOv8的表面裂痕等缺陷检测:深度学习与UI界面的实践

本文详细介绍了如何使用YOLOv8进行表面裂痕等缺陷检测,并结合图形用户界面展示检测结果。通过YOLOv8的强大能力,我们可以实现高效、准确的表面缺陷检测,提升工业产品的质量控制水平。未来,随着深度学习技术和数据集的不断发展,表面缺陷检测的精度和速度将不断提升,应用领域也将进一步拓展。希望本文的实践能够为深度学习在工业检测领域的应用提供一些启示。

YOLO 551

再谈软件设计中的抽象思维(下),从FizzBuzz到规则引擎

作为《程序员的底层思维》出版两年之后的再回顾,在上一篇《再谈软件设计中的抽象思维(上),从封装变化开始》中,我介绍了抽象设计的本质是发现变化点,结合问题域,提炼共性,沉淀领域知识。今天这篇我们通过实现一个通用的规则引擎,进一步讲解抽象思维在软件设计中的运用。1. FizzBuzz游戏FizzBuzz是一个在欧美非常流行的小游戏,类似于我们中国人酒桌上玩的“敲7游戏”,游戏规则是这样的,假设体育老师...

我的新书《代码精进之路:从码农到工匠》 8041

特殊通信领域场景应用:基于Simulink的数字预失真(DPD)算法仿真建模示例

增益压缩:高功率输入时输出信号的增益下降。相位失真:输入信号的相位随功率变化而改变。带外干扰:非线性失真会引入额外的频谱分量,影响邻道信号。多项式模型:用多项式拟合功率放大器的非线性特性。查找表(LUT):通过离线训练生成预失真映射表。自适应算法:实时调整预失真参数以动态补偿失真。发送端:生成随机比特流并调制为射频信号。预失真模块:对输入信号进行预失真处理。功率放大器模块:模拟非线性失真。接收端:解调信号并评估误码率(BER)。

xiaoheshang_123的博客 274

蓝桥云课练习_day1

实现一个算法来识别一个字符串 str2str2 是否是另一个字符串 str1str1 的排列。排列的解释如下:如果将 str1str1 的字符拆分开,重新排列后再拼接起来,能够得到 str2str2 ,那么就说字符串 str2str2 是字符串 str1str1 的排列。先要有字符串str1,str2.排列可以用列表,将str1,str2转换为列表,排序。如果 str2str2 字符串不是 str1str1 字符串的排列,则输出。如果 str2str2 字符串是 str1str1 字符串的排列,则输出。

2302_77050317的博客 372

C# Winform使用Monaco打造代码编辑器

本文介绍了如何在Winform项目中集成Monaco代码编辑器。通过NuGet安装WebView2控件,创建monaco-editor.html文件加载编辑器,并实现与C#代码的交互。关键步骤包括:初始化WebView2环境、配置Monaco编辑器参数、设置代码变更监听事件以及处理C#与JavaScript之间的通信。注意事项提示了依赖库安装问题的解决方法。该方案实现了功能完整的代码编辑器,支持代码自动保存和实时显示功能。

遇见--专栏 347

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

动手学深度学习(五)——torch三层网络之FizzBuzz小游戏

FizzBuzz小游戏: 一个简单的小游戏:从1开始数数,当遇到3的倍数的时候,说Fizz;当遇到5的倍数的时候,说Buzz;当遇到15的倍数的时候,说FIzzBuzz;其余时候正常读数 1.FizzBuzz原理及python说明 其原理可以用几个小函数来进行说明: def fizz_buzz_encode(i): '''对输入的数值进行编码,当满足不同的条件的时候有不同的输出''' if i%15 == 0:return 3 elif i%5==0:return 2 elif i

Liu Feng's Blog 2038

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

FizzBuzz问题

问题:请依次打印从1至100的整数,在该数能被3整除的时候,打印"Fizz",能被5整除的时候打印"Buzz",如果既能被3又能被5整除的时候,打印"FizzBuzz"。解决代码:            for (int i=1; i 100; i++)            ...{                if (((i % 3 ) == 0) && ((i%5) == 

-KOONSOFT - 7996

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")

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Fizz Buzz 经典问题 - 蓝桥杯

Python: 方法、if else语句、算术运算符、逻辑运算符、input()Java:方法、if else语句、算术运算符、逻辑运算符、Scanner类。从标准输入或其他方式读取一个整数N,确保N在1到10^4的范围内。如果N既不能被3整除也不能被5整除,则直接输出N本身。将上述步骤得到的结果输出到控制台或文件中。

it爱好者的学习之路 835

leetcode200题之扫尾部分(一)

1. 超级丑数 思路:与丑数Ⅱ想法一致。 让我们从数组中只包含一个丑数数字 1 开始,使用K个指针 pos[j] ,标记所指向丑数要乘以的因子。算法很简单:在dp[pos[j]]×primes[j] 选出最小的丑数。并将该丑数对应的因子指针往前走一步. 此题质因子为数组,丑数Ⅱ中为固定的3个数,可以直接3指针p1,p2,p5; class Solution { public: int nthSuperUglyNumber(int n, vector<int>& prim

ttdss12345678的博客 229

力扣412题Fizz Buzz详解:从基础到优化的多语言解法与面试技巧

在算法面试和编程实践中,条件判断与循环控制是基础且核心的编程概念,它们构成了解决绝大多数逻辑问题的框架。其原理在于通过遍历和分支处理数据,实现特定的业务规则。掌握这些基础技术,不仅能提升代码效率,更是编写可维护、可扩展软件的关键。在诸如数据处理、游戏逻辑、自动化测试等应用场景中,这类模式无处不在。本文以经典的力扣(LeetCode)第412题“Fizz Buzz”为例,深入剖析其背后的编程思想。通过对比Java和Python的基础解法与进阶优化,如字符串拼接法和哈希表映射法,本文旨在帮助读者,特别是准备面试

weixin_31412781的博客 270

Fizz Buzz

Fizz Buzz

m0_68143495的博客 525

用神经网络生成fizzbuzz序列

没错,就是你听过的那个fizzbuzz,3整除fizz,5整除buzz,同时整除fizzbuzz,现在用神经网络来生成。 大体思路: 将自然数字序列作为训练数据,使用二进制形式:虽然数据用二进制,也是0和1组成的,但是不是one-hot,one-hot是每一个特征或者标签分类都是独立的情况。而二进制,显然,1023和1022共享了一堆“1”,只有最后一位不同。因为fizzbuzz有规律,数字之...

huqinwei的专栏 1573

【python学习笔记】:5个高效编程技巧(二)

写一个程序,打印数字1到100,3的倍数打印“Fizz”来替换这个数,5的倍数打印“Buzz”,对于既是3的倍数又是5的倍数的数字打印“FizzBuzz”。下面的最后一种方式在绑定两个不同类型的对象时显得很cool。这是我见过诸多语言中很少有的如此棒的简便法​​​​​​​。

Jiangziyadizi的博客 348

412. Fizz Buzz

vector<string> fizzBuzz(int n) { vector<string> vec; for(int i=1;i<=n;i++){ if(i%15==0) vec.push_back("FizzBuzz"); else if(i%3==0)

u012778718的博客 298

leetcode-412. Fizz Buzz

如果 拼接数组中的值 为空,则 i 既不是 3 的倍数也不是 5 的倍数,将 i 拼接到 评价数组中。answer[i] == “FizzBuzz” 如果 i 同时是 3 和 5 的倍数。answer[i] == i (以字符串形式)如果上述条件全不满足。answer[i] == “Fizz” 如果 i 是 3 的倍数。answer[i] == “Buzz” 如果 i 是 5 的倍数。如果 i 是 3的倍数,则将 Fizz 拼接到 拼接数组中。如果 i 是 5的倍数,则将 Buzz 拼接到 拼接数组中。

zheng_jia_jun的博客 1439

[1]Fizz Buzz 和计数质数

做题总结,FizzBuzz和质数计数

KunkunkunL的博客 316
上一篇: 蓝桥杯day02——第三大的数
下一篇: 蓝桥杯day02——移动机器人
python_198
博客等级 码龄3年 359粉丝 112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

打赏作者

python_198

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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