C语言:将输入的字符串反转过来

输入一行字符串,把字符串翻转[单词顺序不变] 输入一行字符串,把字符串翻转 。 例如: Input: I____am__a__student Output: student__a__am____I (__代表空格)#include<stdio.h> #include<stdlib.h>void my_reverse(char *left, char * right) { //assert(left); //assert( 阅读详情
AI摘要

本文介绍了使用C语言实现字符串反转的两种方法:一种是从后往前直接置换字符;另一种是从两端开始向中间逐步交换字符。通过具体示例展示了每种方法的实现过程。

示例 1:

输入: “China”
输出: “anihC”

法一:直接从后往前置换

#include<stdio.h>
#include<string.h>
int main()
{
    char str1[1000]={0};\\养成一个编程习惯,让数组有内容
    char tmp[1000]={0};
    int i;
    int t;
    gets(str1);
    t=strlen(str1);\\计算输入字符串的字符个数
    for(i=0;i<t;i++)
{
    tmp[i]=str1[t-1-i];\\直接从后往前置换
}
    puts(tmp);
    return 0;
}

法二:从两头往中间置换

前面基本上都是一样的
在for循环这里有改动

    for(i=0;i<t/2;i++)
    \\t为整型,减半后正好为整数 正好满足下接下来的操作
{
    tmp[i]=str1[i];\\这里从两头往中间置换
    str1[i]=str1[t-i-1];
    str1[t-i-1]=tmp[i];
}
    puts(str1);
    return 0;
    }

鄙人第一次写博客
如有问题,请诸位不吝赐教。

C/C++ 字符串反转算法详解及源码 字符串反转算法是将给定的字符串按照字符的顺序进行颠倒的操作。 阅读详情

相关推荐

Ubuntu 22.04源码编译安装ROS Noetic

Ubuntu 22.04源码编译安装ROS Noetic

Drknown的博客 2万+

PTA7-36翻转单词

输入一行字符串,所有内容保持相对位置,将单词翻转。字符串总长度未知,单词数量未知,每个单词不超过20个字母。测试数据保证输入的字符只含英文字母和空格。进行翻转操作后的字符串,因出题人老懒鬼,末尾记得带空格哦。本题目要求将输入字符串翻转。

m0_60738889的博客 893

保姆级教程:用MS建完分子模型,如何一键转成LAMMPS能用的data文件?

本文详细介绍了如何将Materials Studio(MS)构建的分子模型转换为LAMMPS可用的data文件的全流程。重点讲解了力场选择、环境配置、转换命令参数解析及常见问题排查,帮助初学者快速掌握MS与LAMMPS之间的数据转换技巧,特别适合计算材料学领域的研究人员。

weixin_42665255的博客 472

C语言-输入一行字符串(含单词和空格),把字符串翻转

#include <stdio.h> #include <stdlib.h> void con_print(char a[],int p)//逆序输出 { for(p--; p>=0; p--) { printf("%c",a[p]); } } int main() { char a[200],b[200]; int i,p,count=0; w...

Ethan Wilson的博客 906

【Chisel】2.4 时序逻辑

2.4 时序逻辑@[TOC](2.4 时序逻辑)前言寄存器(`Reg`)实例Chisel的状态函数实例2 RegNext实例3 RegInit移位器附录 显式的时钟信号和复位信号 前言 没有状态机的逻辑电路是不完整的,没有状态机的逻辑电路是不完整的,没有状态机的逻辑电路是不完整的,重要的事情说三遍。 这一节我们将要学习Chisel中的时序逻辑。在最后我们会实现一个移位器。 这里你需要知道的是,前面的这几节实际上都是对Chisel的基础语法的学习,它并不会给你带来很大的“惊喜”。Chisel真正的作用是把电路

快乐学习小猪猪的博客 846

光谱预处理最简单实现方法--基于OpenSA光谱分析库

系列文章目录 “光晰本质,谱见不同”,光谱作为物质的指纹,被广泛应用于成分分析中。伴随微型光谱仪/光谱成像仪的发展与普及,基于光谱的分析技术将不只停留于工业和实验室,即将走入生活,实现万物感知,见微知著。本系列文章致力于光谱分析技术的科普和应用。 文章目录系列文章目录前言一、数据来源二、代码解读2.1 读取数据2 .2 划分数据集2 .3 返回训练集和测试集并绘制光谱图片2.4 建立1-D CNN模型2.5 训练1-D CNN模型2.6 测试1-D CNN模型2.7 运行CNN模型,并用查看结果总结

Echo_Code的博客 7069

LeetCode 第151题 翻转字符串里的单词 做题记录

LeetCode 第151题 翻转字符串里的单词 做题记录题目描述我的解法思路对应Java代码复杂度分析更优解法1思路对应Java代码复杂度分析更优解法2对应Java代码复杂度分析收获总结 题目描述 我的解法 思路 还是使用StringBuilder构造新的字符串,根据题目要求每两个字符串间都要有空格,那么关键问题的是从字符串中识别出单词,那就以空格为界,为了存储每个单词,还要建立一个string数组,建立string数组又要提前知道单词的个数,就需要提前遍历一遍。 综上需要对字符串进行两次遍历,建立一个

SOS团成员A 324

PX4 EKF2协方差矩阵‘负定’了怎么办?保姆级排查与数值稳定性修复指南

本文深入解析PX4 EKF2协方差矩阵出现‘负定’问题的原因,并提供全面的排查与修复方案。从理论分析到实践操作,详细介绍了数值稳定性危机的诊断工具、算法加固措施及工程实践中的防御性编程技巧,帮助飞控工程师有效解决滤波算法中的数值稳定性问题。

weixin_28730927的博客 319

浙大 | PTA 练习7-11 字符串逆序 (15分)

输入一个字符串,对该字符串进行逆序,输出逆序后的字符串。 输入格式: 输入在一行中给出一个不超过80个字符长度的、以回车结束的非空字符串。 输出格式: 在一行中输出逆序后的字符串。 输入样例: Hello World! 输出样例: !dlroW olleH #include <stdio.h> #include <string.h> #define MAXS 81 i...

赞美太阳的博客 1447

python等级考试——一级知识点汇总(不包含turtle画图)

本篇文章是针对中国电子学会青少年编程等级考试的,适合初学者以及青少年编程学习者

weixin_65350557的博客 9038

手把手教你用神经网络优化电机控制:从Simulink仿真到实际部署

本文提供了一套完整的工程实践指南,详细讲解了如何将神经网络应用于电机控制,从Simulink仿真建模、轻量级网络设计,到关键的模型量化与代码生成,最终实现向DSP/FPGA硬件的实际部署。文章直面实时性、精度与资源限制等核心工程挑战,为工程师提供了从理论到落地的清晰路径和实用避坑策略。

weixin_29246195的博客 228

C语言习题:实现 mystrcpy(), mystrcmp(), mystrcat(), mystrlen() and 输入一行字符串,将字符串反转输出

1、实现 mystrcpy(), mystrcmp(), mystrcat(), mystrlen() ; #define _CRT_SECURE_NO_WARNINGS #include <stdio.h> #include <string.h> size_t mystrlen(char c[]) { int i = 0; while (c[i]) { i++; ...

CLZHIT的博客 1395

OpenTK简介

OpenTK 因其强大的功能、跨平台特性和灵活性,适用于多种需要图形和计算能力的应用场景,为开发者提供了丰富的可能性和创作空间。

仰望星空的博客 1981

利用C语言,编写一程序:使输入的字符串按照单词反序。如:welcome to guangzhou反转后的结果 guangzhou to welcome

利用C语言,编写一程序:使输入的字符串按照单词反序。如:welcome to guangzhou反转后的结果 guangzhou to welcome

2301_76375498的博客 210

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

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

字符串反转

主题思路: 1.反转全部字符串,(备注:strlen()一定要-1) 2.单个反转,以空格为标识位#include #include #include #include #define BYTE 200 /*1,从键盘获取字符串*/ char * GetStrFromDev(char *str) { str = (char *)malloc(BYTE); assert(s

coding_go的博客 232

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

C //习题 7.5 写一个函数,使输入的一个字符串按反序存放,在主函数中输入和输出字符串。

【代码】C //习题 7.5 写一个函数,使输入的一个字符串按反序存放,在主函数中输入和输出字符串。

Made in Code 6万+

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")

剑指Offer41 反转单词顺序,单词字符顺序不变

1 /************************************************************************* 2 > File Name: 41_ReverseWords.c 3 > Author: Juntaran 4 > Mail: JuntaranMail@gmail.com ...

dingrong3926的博客 144

[Leetcode]字符串的反转

Write a function that takes a string as input and returns the string reversed. Example: Given s = "hello", return "olleh". 很简单,针对长度为奇偶情况不同,作对应的处理: char* reverseString(char* rs) { char *p

Jason's BLOG 950

C语言学习笔记20260609-字符串反转两种实现方法

本文介绍了C语言中字符串反转的两种实现方法:原地反转和备份反转。原地反转通过双指针交换字符直接修改原字符串,节省内存但会覆盖原数据;备份反转将结果存入新数组,保留原字符串但占用更多内存。文章强调了使用fgets替代已废弃的gets函数,并需处理换行符问题。两种方法的核心区别在于是否修改原串和内存开销,适用不同场景。文中提供了详细注释的完整代码示例,并总结了关键注意事项如添加结束符、使用const保护只读参数等。

2503_92342417的博客 355

C语言字符串基础:从char数组到双指针反转算法

本文档为C语言课堂笔记,聚焦字符串的底层原理与核心操作。首先阐述字符串本质——以'\0'结尾的char数组,对比不同定义方式与内存布局。其次讲解字符串输入输出方法(printf/puts/scanf),详解scanf遇空格停止的特性及防溢出技巧。重点介绍str系列函数:strcmp比较、strcpy复制、strcat拼接、strlen求长度,并辨析strlen与sizeof的区别。最后以双指针法实现字符串反转算法,附手动实现strlen的完整代码与易错点速查表。

既然你都点开这里了,那可以给我点个关注吗?可以吗?可以吗? 485

东华OJ第7~9题实战:排序、取余求和与字符串反转

在线判题系统(OJ)是C语言学习者绕不开的练习场,而分支结构、循环与字符数组则是入门阶段最核心的地基。很多初学者在本地运行正确,提交却频繁出现Wrong Answer或Presentation Error,原因往往不在算法而在于输入输出规范与边界条件处理。本文围绕东华OJ第7~9题展开,通过三个整数排序、区间筛选求和、字符串反转三道典型题目,系统梳理了冒泡排序、取余边界、strlen与sizeof区别、字符串结束符等关键知识点。同时结合真实提交经验,总结多组输入处理、变量初始化、输出空格控制、自测样例设计等

weixin_31309419的博客 184

C语言数组与字符串

类型说明符 数组名[常量表达式];示例// 定义一个包含10个整数的数组// 定义一个包含5个浮点数的数组// 定义一个包含20个字符的数组注意数组长度必须是常量表达式(编译时能确定的值)数组下标从0开始,到长度-1结束数组名代表数组的首地址类型说明符 数组名[常量表达式1][常量表达式2];示例// 3行4列的整型矩阵// 5个学生3门成绩// 10个字符串,每个最长20个字符// 方法1:使用字符串常量初始化// 自动添加'\0',长度为6。

2501_94622227的博客 472

ASCII的应用、字符串反转、统计字符出现频率技术笔记

【代码】ASCII的应用、字符串反转、统计字符出现频率技术笔记。

CYH89的博客 132

C语言字符串逆序:从fgets到双指针,四种写法与常见坑

字符串是C语言中最基础也最容易被忽略的数据形式,它以\0结尾的字符数组承载文本信息,而指针则提供了灵活操作字符的底层能力。字符串逆序作为经典练习,核心在于理解数组边界、输入函数差异以及原地交换算法,既能训练循环和下标控制,也能加深对栈与递归机制的认识。双指针法将空间复杂度优化到O(1),是工程实践和笔试题中最稳健的思路;fgets与scanf的差异则直接影响数据读取的完整性,常在在线评测中成为隐性失分点。逆序思维还可自然延伸至回文判断、整句按词逆序等场景,甚至与栈结构、大数加法等进阶主题相连。本文从四种实现

weixin_32075843的博客 292

有趣的6个经典C语言代码案例欣赏

1."Hello, World!" 代码这是 C 语言中最基础的一个程序,打印出 "Hello, World!"。

yangda1111的专栏 71

反转字符串

【代码】反转字符串。

2401_84984673的博客 541
下一篇: 多项式曲线拟合MATLABcensus.mat数据
Run_code_ghq
博客等级 码龄6年 6粉丝 4原创
评论 2
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