1083 List Grades

本文介绍了一个使用C++编写的程序,该程序能够从输入文件中读取参赛者的姓名、ID和分数,并按分数从高到低进行排序。接着程序会筛选出分数在指定范围内的参赛者信息并输出。
#include<bits/stdc++.h> 
using namespace std;
struct Node{
	int score;
	string name;
	string id;
};
bool cmp(Node a,Node b){
	if(a.score!=b.score) return a.score>b.score;
}
int main()
{
	#ifndef ONLINE_JUDGE
	freopen("in.txt","r",stdin);
	#endif
	int n;
	cin>>n;
	vector<Node> ppp;
	ppp.resize(n);
	for(int i=0;i<n;i++){
		cin>>ppp[i].name>>ppp[i].id>>ppp[i].score;
	}
	int grade1,grade2;
	cin>>grade1>>grade2;
	int cnt=0;
	sort(ppp.begin(),ppp.end(),cmp);
	for(int i=0;i<n;i++){
		if(ppp[i].score<=grade2&&ppp[i].score>=grade1){
			cout<<ppp[i].name<<' '<<ppp[i].id<<endl;
			cnt++;
		}
	}
	if(cnt==0){
		cout<<"NONE"<<endl;return 0;
	}else{
		return 0;
	}
}

 

Nano-ESG数据资源库的构建基于2023年初至2024年秋季期间采集的逾84万条新闻文本,从中系统提炼出企业环境、社会及治理维度的信息。其构建流程首先依据特定术语在德语与英语新闻平台上检索,初步锁定与德国DAX 40成分股企业相关联的报道。随后借助嵌入技术对文本段落执行去重操作,以降低内容冗余。继而采用GLiNER这一跨语言零样本实体识别系统,排除与目标企业无关的文档。在此基础上,通过GPT-3.5与GPT-4o等大规模语言模型对文本进行双重筛选:一方面判定其与ESG议题的相关性,另一方面生成简明的内容概要。最终环节由GPT-4o模型完成,它对每篇文献进行ESG情感倾向(正面、中性或负面)的判定,并标注所涉及的ESG具体维度,从而形成具备时序特征的ESG情感与维度标注数据集。 该数据集适用于多类企业可持续性研究,例如ESG情感趋势分析、ESG维度细分类别研究,以及企业可持续性事件的时序演变追踪。研究者可利用数据集内提供的新闻摘要、情感标签与维度分类,深入考察企业在不同时期的环境、社会及治理表现。此外,借助Bertopic等主题建模方法,能够从数据中识别出与企业相关的核心ESG议题,并观察这些议题随时间的演进轨迹。该资源以其开放获取特性与连续的时间覆盖,为探究企业可持续性表现的动态变化提供了系统化的数据基础。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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