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
600+累计阅读
653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
11.20python面试题每日分享-剑指offer
1、一行代码实现1–100之和利用sum()函数求和
2、如何在一个函数内部修改全局变量利用global 修改全局变量
3、列出5个python标准库
os:提供了不少与操怍系统相关联的函数
sys:通常用于命令行参数
re:正则匹配
math:数学运算
datetime:处理日期时间
4、字典如何删除键和合并两个字典del和update方法
5、谈下python的GIL
GIL是python的全局解释器锁，同一进程中假如有多个线程运行，一个线程在运行python程序的时候会霸占python解释器（加了一把锁即GIL)，使该进程内的其他线程无法运行，等该线程运行完后其他线程才能运行。如果线程运行过程中遇到耗时操作，则解释器锁解开，使其他线程运行。所以在多线程中，线程的运行仍是有先后顺序的，并不是同时进行。多进程中因为每个进程都能被系统分配资源，相当于每个进程有了一个python解释器,所以多进程可以实现多个进程的同时运行，缺点是进程系统资源开销大
Matlab2018a崩溃解决的办法No sandbox or build area path
Matlab 2018a （No sandbox or build area path）出现崩溃后需要使用terminal进行如下操作： cd /home/david/MySoft/MATLAB/R2018a/bin/glnxa64 （你的matlab路径） mkdir exclude mv libfreetype* exclude/ 执行后图片如下： 如果你用的Windows系统，请手动按照上面步骤剔除了dll。 Matlab 2018a （No sandbox or build are
Python基础算法/剑指offer
之前完成了个人的Python编写，包括常见的一些基础算法，剑指offer的绝大多数算法的编写。都上传到github上了，很多里面都有自己几个测试用例，不过都注释掉了，直接去掉注释就好。如果对你有帮助，请记得点击github工程上的star，^_^ 现在总结如下：数据结构markdown格式 链表及常见操作 平衡查找树AVL 三种方法检测变位词Anagram 构建堆 二分查找 二叉查找树
如何将TDengine集成到Thingsboard？
1 概述 ThingsBoard是用于数据收集、处理、可视化和设备管理的开源物联网平台。它通过行业标准的物联网协议MQTT、CoAP和HTTP实现设备连接，并支持云和本地部署。 ThingsBoard迄今没有导入专业的时序数据库应用，用户可选择的只有PostgreSQL和Cassandra。虽然针对PostgreSQL引入了TimeScale插件，但由于其不是按照宽表的方式组织数据记录，TimeScale的优势根本发挥不出来。总之，这两种数据库不具备高效的数据吞吐能力。 而且，Thingsboard在
python——《剑指 offer》面试题5:替换空格
题目描述 请实现一个函数，将一个字符串中的每个空格替换成“%20”。例如，当字符串为We Are Happy.则经过替换之后的字符串为We%20Are%20Happy。 解题思路： 为了减少时间复杂度，先遍历一遍字符串，统计空格的个数，从而计算出新字符串的长度，然后设置两个指针，分别从新旧字符串的尾部开始依次移动，如果遇到字符，那么就直接复制过来指针向前移动一个单位，如果遇到空格，则将‘%’...
Vivado FIR Complier_IP核使用方法
文章依靠该IP核对应手册PG149写的,因为笔者需求简单,没有深入挖掘功能,可以自行下载学习。
Linux系统搭建OpenClaw（原Clawdbot）全流程指南 最新版
工具定位：开源个人 AI 助手，支持文件读取、命令执行、多渠道交互（Telegram / 本地终端等）；系统要求：主流 Linux 发行版（Ubuntu/Debian/CentOS 等），Node.js ≥22（核心依赖）；安全提示：OpenClaw 为测试版，具备高权限操作能力，建议使用非主力机，配置权限白名单，避免接触敏感数据。
剑指offer-面试题3-刷题及总结(python)
二维数组中的查找解题思路代码实现(python)解题总结 题目：在一个二维数组中，每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。请完成一个函数，输入这样的一个二维数组和一个整数，判断数组中是否含有该整数。 解题思路 由于第一次做这种类型的题目，对于这种查找不太熟悉，模拟一下查找过程，把数组想象成n*m的矩阵，如果取数组中间位置的数字a与该整数比较，那比较结果可能有三种，大...
ROS2_Moveit2_Ur5e_Grasp项目详解（二）：核心模块功能解析
本文深入解析了ROS2_Moveit2_Ur5e_Grasp项目的核心模块功能。重点阐述了OctoMap建图模块如何为机械臂提供实时三维环境感知，并详细介绍了Robotiq夹爪与MoveIt2的集成控制、UR5e的运动规划策略，以及视觉模块如何协同工作，最终实现从目标检测到动态抓取的完整闭环。
【剑指offer】Python面试算法刷题汇总
1、把字符串转换成整数： # -*- coding:utf-8 -*- ''' 函数功能：输入字符串转整数，不能使用str()和int()函数 'saaf12425' 返回0 '' 返回0 '124' 返回124 '+123' 返回123 '-321' 返回-321 ''' class Solution: def StrToInt(self, s): # write code here
SPICE仿真软件：HSPICE_（22）.HSPICE仿真案例分析
通过上述案例分析，我们可以看到HSPICE仿真软件在不同电路类型和仿真场景中的应用。无论是简单的直流分析、交流分析还是复杂的暂态分析，HSPICE都能提供详细的仿真结果，帮助我们更好地理解和优化电路设计。希望这些案例能够为读者提供实用的参考和指导，进一步提升使用HSPICE进行电路仿真的能力。输入文件的编写：确保输入文件格式正确，使用注释来解释每一部分的内容。分析类型的选择：根据电路的特点选择合适的分析类型，如.DC.AC和.TRAN。输出结果的设置：使用.print命令来指定需要输出的节点电压和支路电流。
【OpenClaw从入门到精通】第15篇：国产芯片适配实战——昇腾/龙芯/天数智芯全流程跑通（2026实测版）
2026年国产芯片AI适配迎来爆发期，OpenClaw作为轻量化本地AI智能体，已实现华为昇腾、龙芯、天数智芯等主流国产平台的全流程适配。本文基于实测数据，从背景解析、核心原理、算法优化、实操部署四个维度，详细讲解OpenClaw在香橙派昇腾开发板、龙芯3B6000M、天数彤央TY1200及联想开天X7h的部署流程，同时提供统一工具玄武CLI的使用指南。文中包含完整代码、执行结果、避坑技巧及虚拟实战案例，兼顾新手入门与进阶提升，帮助读者快速掌握国产芯片上的本地AI部署能力，实现数据隐私保护与低成本AI落地。
《剑指Offer》-面试题Python实现合集
《剑指Offer》作为互联网行业求职必看的书籍，其中收录了各大公司招聘时常问到的一些面试题，对于大家通过技术面颇有裨益。因此这个月我也花了接近三周早上的时间，用于通览全书。由于书中是用C++实现的，而本人主要使用Python，因此在掌握解题思路后，采用Python对每个面试题进行了重构。本着先过一遍再慢慢消化和吸收的原则，仓促完成了所有面试题的重构。如有问题，欢迎大家交流讨论~ 全部代码放在了Gi...
YOLO26中的PPM空间金字塔池化：改良设计与多尺度特征提取教程
在计算机视觉的语义分割任务中，准确理解图像中的上下文信息至关重要。例如，在街景图像中，可能同时存在远处的小汽车和近处的大建筑物，网络需要具备捕获多尺度上下文信息的能力。例如，要正确识别图像中的"船"，不仅需要看到船本身的特征，还需要理解周围的水面环境。金字塔的每一层对应不同的池化尺度，从细粒度到粗粒度，形成了多层次的特征表示。PPM（Pyramid Pooling Module）正是为了解决这一问题而提出的模块，它通过构建金字塔形状的池化结构，有效地聚合不同尺度的上下文信息，从而提升语义分割的精度。
11.25 python面试题每日分享-剑指offer
11.25 python面试题每日分享-剑指offer 1.python实现列表去重的方法 先通过集合去重，在转列表 2、fun(args,**kwargs)中的args,kwargs什么意思? 3、python2和python3的range (100)的区别 python2返回列表，python3返回迭代器，节约内存 4、一句话解释什么样的语言能够用装饰器? 函数可以作为参数传递的语言，可以使用装饰器 5、python内建数据类型有哪些 整型–int 布尔型–bool 字符串–str 列表–list
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
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');```[](https://bitdeli.com/free "Bitdeli Badge")
**11.27python面试题每日分享-剑指offer**
11.27python面试题每日分享-剑指offer 1、简述面向对象中_new_和_init_区别 _init_是初始化方法，创建对象后，就立刻被默认调用了，可接收参数 1.1_new_至少要有一个参数cls，代表当前类，此参数在实例化时由Python解释器自动识别 1.2_new_必须要有返回值，返回实例化出来的实例，这点在自己实现_new_时要特别注意，可以return父类（通过super(当前类名, cls)) _new_出来的实例，或者直接是object的__new_出来的实例 1.3_init
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
LeetCode-Book终极指南：三语算法题库助你高效备战技术面试
作为算法学习者和技术面试准备者，你是否正在寻找一套系统化、多语言、高质量的算法题解资源？LeetCode-Book项目正是你需要的答案！这个开源项目精心整理了《剑指Offer》、《图解算法数据结构》和《Krahets 笔面试精选 88 题》三大经典算法题库，提供了Python、Java、C++三种语言的完整解题代码，是算法学习和技术面试准备的终极宝典。 ## 📚 项目概述与核心价值 Leet
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
99年，二本通信工程专业，工作没满一年，我跳槽了 【附蚂蚁/美团/网易/小破站等Python面经】
记录下自己的漫漫跳槽之路~ 基本情况 浙江某普通本科，非科班，无实习。社招总共投了六家公司，蚂蚁、网易、字节、B站、得物、美团，收到前四家offer。一直以来，都觉得自己非常幸运。希望能够将这份幸运分享给每一位同学。哪怕最微弱的一束光，也会散发出耀眼的光芒。 为什么跳槽？ 时间跳转到2021年3月，当时的我工作还没满一年，赶完了论文ddl不久。几个月前的我的工作状态：打比赛、撸代码、赶实验、9116。我非常感激那段时光，感谢队友、同事的种种帮助。但是由于种种原因，我从交完论文开始就萌生了出去看看的想法。.
2024年LeetCode高效刷题实战指南：从环境配置到华为OD专项训练
算法与数据结构是计算机科学的核心基础，其原理在于通过特定的数据组织和操作逻辑，高效解决计算问题。掌握它们对于提升编程思维、优化程序性能具有关键的技术价值，广泛应用于软件开发、人工智能、大数据处理等领域。对于准备技术面试和编程竞赛的开发者而言，系统性的算法训练至关重要。本文聚焦于2024年的LeetCode刷题实战，提供了一套涵盖环境配置、策略规划与工具使用的完整方案。文中特别融入了针对“华为OD机试真题”的专项训练方法，并介绍了如何利用“VS Code LeetCode插件”等高效工具提升本地刷题效率，旨在
校招笔试通关秘籍：九大必刷题库与高效备考全攻略
数据结构与算法是计算机科学的核心基础，其原理在于通过特定的数据组织方式和高效的运算逻辑来解决复杂问题。掌握它们的技术价值在于能显著提升问题解决能力和代码效率，是评估开发者工程能力的关键指标。在应用场景上，无论是后端开发中的高性能服务设计，还是面试笔试中对逻辑思维的考察，扎实的算法功底都至关重要。本文聚焦校招笔试这一典型场景，深入解析如何通过系统刷题来攻克数据结构、操作系统、计算机网络等核心领域。文中结合LeetCode、牛客网等主流平台的热门题库，提供了从理论复习到实战模拟的完整备考路径，旨在帮助求职者高效
剑指offer python实现 66道算法题
所有题目均采用牛客网在线编程实现，代码均在github上。数组1.二维数组中的查找题目：在一个二维数组中，每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。请完成一个函数，输入这样的一个二维数组和一个整数，判断数组中是否含有该整数字符串2.替换空格题目：请实现一个函数，将一个字符串中的空格替换成“%20”。例如，当字符串为We Are Happy.则经过替换之后的字符串为W...
【Python】剑指offer-面试题3
链接：https://www.nowcoder.com/questionTerminal/623a5ac0ea5b4e5f95552655361ae0a8 来源：牛客网 在一个长度为n的数组里的所有数字都在0到n-1的范围内。 数组中某些数字是重复的，但不知道有几个数字是重复的。也不知道每个数字重复几次。请找出数组中任意一个重复的数字。 例如，如果输入长度为7的数组{2,3,1,0,2,5,3}，...
《剑指offer》面试题的Python实现
《剑指Offer》是很多程序员面试前要看的书，但里面的算法都是基于C++实现的，最近用了三周左右时间，用Python完成了里面几乎所有的算法题，由于时间以及个人水平均有限，或许会有部分问题没有发现，希望大家发现后能指出，在此感谢大家！也希望我写的东西能对大家有一点帮助。所有源代码请在这里获取。 Python-Offer的主要特点简介如下： 所有题目按照书中章节排列，便于查询； 每个题目单独一个文...
剑指offer python面试题_【剑指offer】【python】面试题2~5
使用python实现《剑指offer》面试题ヾ(◍°∇°◍)ﾉﾞ，以此记录。2_实现Singleton模式题目：实现单例模式单例模式，是一种常用的软件设计模式。在它的核心结构中只包含一个被称为单例的特殊类。通过单例模式可以保证系统中，应用该模式的一个类只有一个实例。即一个类只有一个对象实例。原理：使用模块时，第一次导入会生成.pyc文件(存放相应目录下的__pycache__文件夹内)，当第二次使...
剑指offer经典面试编程题python（P1～P6）
P1 二维数组中的查找 题目描述 在一个二维数组中（每个一维数组的长度相同），每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。请完成一个函数，输入这样的一个二维数组和一个整数，判断数组中是否含有该整数。 注意： 1、判断数组是否为空 2、从左上或者右下开始查找会更快 # -*- coding:utf-8 -*- class Solution: # array 二维...
剑指offer-面试题4-(举一反三)-刷题及总结(python)
替换空格解题思路代码实现(python)解题总结 题目：有两个排序的数组A1和A2。内存在A1的末尾有足够多的空余空间容纳A2。请实现一个函数，把A2中的所有数字插入到A1中并且所有的数字是排序的。 解题思路 这道题是面试题4-替换空格的相关题目，和那道例题一样，首先想到的可能是在A1中从头到尾复制数字，但这样就会出现多次复制一个数字的情况，更好的办法是从尾到头比较A1和A2中的数字，并把较大的数...
python版剑指offer（第二版）面试题及答案
面试题1：略 面试题2：略 面试题3：数组中重复的数字 题目一：找出数组中重复的数字 在一个长度为n的数组里的所有数字都在0~n-1的范围内。数组中某些数字是重复的，但不知道有几个数字重复了，也不知道每个数字重复了几次。请找出数组中任意一个重复的数字。例如，如果输入长度为7的数组{2,3,1,0,2,5,3}，那么对应的输出重复的数字是2或3。 #测试数据 a = [2,3,1,0,2,5,3] #改变数组 def findRepeatNum(arr): if arr==None or len(arr)
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
