试题算法提高进制转换

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 340平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄8年

关注

原创最新推荐文章于 2026-04-16 14:42:42 发布 340 阅读 AI 写同款· GEO 优化 ›

蓝桥杯算法提高 进制转换 算法提高 进制转换 时间限制：1.0s 内存限制：256.0MB 问题描述　　程序提示用户输入三个字符，每个字符取值范围是0-9，A-F。然后程序会把这三个字符转化为相应的十六进制整数，并分别以十六进制，十进制，八进制输出。　　输入格式：输入只有一行，即三个字符。　　输出格式：输出只有一行，包括三个整数，中间用空格隔开。　　输入输出样阅读详情

2020蓝桥杯习题汇总

资源限制
时间限制：1.0s 内存限制：256.0MB
问题描述
　　编写函数将十进制整数按8进制输出，然后编写main函数验证该函数。例如输入12，则输出为：12=014，输入32，则输出32=040。
输入格式
　　输入一个整数。
输出格式
　　输出这个整数的八进制形式。
样例输入
12
样例输出
014
数据规模和约定
　　输入的整数n>=0.
　
代码：

while True:
    try:
        n = int(input())
        if n == 0:
            print(0)
        else:
            print("0","{:o}".format(n),sep="")
    except:
        break

收录于

蓝桥杯

当前文章被收录于：

蓝桥杯

69 篇文章 15 人学习

佛系更新

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#python

进制转换详解(附练习题) 进制转换详解包含讲解+联系想学习的朋友可以看下立即下载

相关推荐

python【蓝桥杯vip练习题库】ADV-309进制转换

试题算法提高 进制转换 资源限制时间限制：1.0s 内存限制：256.0MB 问题描述　　编写函数将十进制整数按8进制输出，然后编写main函数验证该函数。例如输入12，则输出为：12=014，输入32，则输出32=040。输入格式　　输入一个整数。输出格式　　输出这个整数的八进制形式。样例输入 12 样例输出 014 数据规模和约定　　输入的整数n>=0. """ @Author:Lixiang @Blog(个人博客地址): https://lixiang007.top/ @WeChat：18845312866 """ import math import string

算法提高 进制转换

1111: 算法提高 进制转换 时间限制:1 Sec内存限制:256 MB 提交:2解决:1 [提交][状态][讨论版] 题目描述程序提示用户输入三个字符，每个字符取值范围是0-9，A-F。然后程序会把这三个字符转化为相应的十六进制整数，并分别以十六进制，十进制，八进制输出。输入输入只有一行，即三个字符。输出 ...

dengjing1200的博客 254

Kalibr标定避坑指南：如何用AprilGrid板快速完成双目IMU标定

本文详细介绍了使用AprilGrid板进行Kalibr双目IMU联合标定的实战技巧，包括标定工具选型、数据采集优化、标定流程及结果验证。通过AprilGrid板的唯一标识性和抗遮挡优势，结合IMU静止标定和运动激励设计，显著提升标定精度。文章还提供了常见报错处理和高级优化技巧，帮助开发者高效完成传感器标定。

sunny的博客 282

蓝桥-算法提高 进制转换

问题描述　　编写函数将十进制整数按8进制输出，然后编写main函数验证该函数。例如输入12，则输出为：12=014，输入32，则输出32=040。输入格式　　输入一个整数。输出格式　　输出这个整数的八进制形式。样例输入 12 样例输出 014 数据规模和约定　　输入的整数n>=0. #include<stdio.h> #include<math.h> int main(){ int n,m,i,now=0; scanf("%d",&n); for(

D_AKJS 227

uniapp 实现RFID识别的实战指南

本文提供了在uniapp中实现RFID识别的完整实战指南。核心在于通过Android系统广播机制，利用uni-app的plus对象调用原生接口，完成与RFID手持设备的“软硬件握手”。文章详细介绍了从环境准备、设备选型、核心代码实现到避坑优化的全流程，帮助开发者快速构建高效的RFID盘点或管理应用。

weixin_29161719的博客 407

CSP-J2019普及组复赛T4：加工零件

CSP-J2020普及组复赛T1：优秀的拆分，广度优先遍历求最短路。

少儿编程乔老师 1854

蓝桥杯算法训练 进制转换java

问题描述我们可以用这样的方式来表示一个十进制数：将每个阿拉伯数字乘以一个以该数字所处位置的（值减１）为指数，以１０为底数的幂之和的形式。例如：１２３可表示为１＊１０２＋２＊１０１＋３＊１００这样的形式。　　与之相似的，对二进制数来说，也可表示成每个二进制数码乘以一个以该数字所处位置的（值－１）为指数，以２为底数的幂之和的形式。一般说来，任何一个正整数Ｒ或一个负整数－Ｒ都可以被选来作为一个数...

weixin_43824233的博客 309

PointNet++改进策略目录

后续我将如何使用文章中创新点加入的PointNet++中代码实现部分进行更新。

u012901740的博客 2198

蓝桥杯试题算法提高 进制转换

Sanmu 635

【ROS2】手眼标定：moveit2_handeye_calib使用详解

moveit2_handeye_calib MoveIt2 官方的手眼标定功能包，包含标定插件、图形化界面和示例程序。提供基于 ArUco/ChArUco 标定板的采集与求解功能。标定板下载aruco在线生成器。

郭老二 248

Camunda 7.x 系列【62】启动流程实例源码解析

为了更好的了解Camunda，接下来我们简单分析下启动流程实例相关源码

记录知识、锤炼自我 1174

蓝桥试题算法提高 进制转换 JAVA

问题描述　　编写函数将十进制整数按8进制输出，然后编写main函数验证该函数。例如输入12，则输出为：12=014，输入32，则输出32=040。输入格式　　输入一个整数。输出格式　　输出这个整数的八进制形式。样例输入 12 样例输出 014 数据规模和约定　　输入的整数n>=0. 　　思路：Integer.toOctalString十进制转八进制，这题有点水，具体看代码吧~...

高瑜的博客 4583

17、Nimble 包开发与并行编程指南

本文介绍了Nimble包的开发与版本管理流程，涵盖语义化版本控制规范及发布步骤；深入探讨了Nim中的并行编程基础，包括并发与并行的区别、threads模块与threadpool模块的使用方法及其差异；分析了线程执行的不确定性、线程池的优势，并提供了线程同步和资源管理的实践示例，帮助开发者高效构建稳定、高性能的Nim应用程序。

wine的专栏 57

蓝桥杯试题算法提高 进制转换

问题描述　　编写函数将十进制整数按8进制输出，然后编写main函数验证该函数。例如输入12，则输出为：12=014，输入32，则输出32=040。输入格式　　输入一个整数。输出格式　　输出这个整数的八进制形式。样例输入 12 样例输出 014 数据规模和约定　　输入的整数n>=0. 我是真不懂为什么前面要多个0出来，题解也是稀里糊涂就过了 #include<iostrea...

weixin_43764596的博客 569

RK3568 OpenHarmony3.2 蓝牙模块AP6275S适配（已更新）

OpenHarmony3.2 Release版默认是适配AP6275s这款蓝牙芯片的，但是打开蓝牙，发现无法扫描到设备、连接设备。目前平台soc为RK3568，根据项目要求，自定义外设。接下来将以解决bug为目的，学习和记录OpenHarmony平台下蓝牙模块的适配流程。RK809 CLK：32.768KHzUART1M1：与蓝牙模块通讯的串口：GPIO4_B6：GPIO4_A5WAKE_GPIO：未定义，硬件拉高1.8V：未定义，悬空主要是打开串口，/dev/ttyS1，得到文件描述符fd。

Martian_Jonas的博客 2249

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")

ADV-309 试题算法提高 进制转换

资源限制时间限制：1.0s 内存限制：256.0MB 问题描述　　编写函数将十进制整数按8进制输出，然后编写main函数验证该函数。例如输入12，则输出为：12=014，输入32，则输出32=040。输入格式　　输入一个整数。输出格式　　输出这个整数的八进制形式。样例输入 12 样例输出 014 数据规模和约定　　输入的整数n>=0. import java.util...

Cypresszky的博客 506

Probability and Statistics - 4th edition

NOIP2018初赛

NOIP 2018 提高组初赛试题题目+答案+简要解析一、单项选择题（共 10 题，每题 2 分，共计 20 分；每题有且仅有一个正确选项） 1. 下列四个不同进制的数中，与其它三项数值上不相等的是（）。 A. (269) 16 B. (617) 10 C. (1151) 8 D. (100110...

lqh85225151的专栏 583

SIMATIC S7-1200, S7-1500 PID 控制[手册]

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

第十二届全国青少年信息学奥林匹克联赛初赛试题普及组c语言,第十二届全国青少年信息学奥林匹克联赛初赛试题.doc...

WORD格式可编辑专业技术知识共享第十二届全国青少年信息学奥林匹克联赛初赛试题(??提高组??C? 语言??二小时完成??)●●??全部试题答案均要求写在答卷纸上，写在试卷纸上一律无效??????●●?一、??单项选择题??(共?10?题，每题?1.5?分，共计?15?分。每题有且仅有一个正确答案.)。??1.?在以下各项中。(????)不是?CPU?的组成部分。?A.?控制器?????B...

weixin_36240177的博客 149

蓝桥杯算法提高 进制转换（c语言版详细注释）

试题算法提高 进制转换 &...

xyf0209的博客 831

蓝桥杯算法提高 进制转换 ADV-309

蓝桥杯算法提高 进制转换 ADV-309 资源限制时间限制：1.0s 内存限制：256.0MB 问题描述编写函数将十进制整数按8进制输出，然后编写main函数验证该函数。例如输入12，则输出为：12=014，输入32，则输出32=040。输入格式输入一个整数。输出格式输出这个整数的八进制形式。样例输入 12 样例输出 014 数据规模和约定输入的整数n>=0. #inc...

一起加油 4863

蓝桥杯 ADV-117 算法提高 进制转换

问题描述程序提示用户输入三个字符，每个字符取值范围是0-9，A-F。然后程序会把这三个字符转化为相应的十六进制整数，并分别以十六进制，十进制，八进制输出。输入格式：输入只有一行，即三个字符。输出格式：输出只有一行，包括三个整数，中间用空格隔开。输入输出样例样例输入FFF样例输出FFF 4095 7777 #include <iostream> using namespace ...

柳婼の blog 574

算法训练 进制转换

/* 问题描述我们可以用这样的方式来表示一个十进制数：将每个阿拉伯数字乘以一个以该数字所处位置的（值减１）为指数，以１０为底数的幂之和的形式。例如：１２３可表示为１＊１０２＋２＊１０１＋３＊１００这样的形式。与之相似的，对二进制数来说，也可表示成每个二进制数码乘以一个以该数字所处位置的（值－１）为指数，以２为底数的幂之和的形式。一般说来，任何一个正整数Ｒ或一个负整数－Ｒ都可以被选来作为...

qq_41353167的博客 351

蓝桥杯试题解答汇总（c/c++版）

蓝桥杯试题解答目录算法训练算法提高历届试题算法训练试题编号试题名称 ALGO-11 (VIP试题)瓷砖铺放 ALGO-142 P1103 ALGO-150 6-1 递归求二项式系数值 ALGO-226 (VIP试题)最大获利算法提高试题编号试题名称 ADV-18 (VIP试题)实数相加 ADV-150 周期字串 ADV-15...