Problem R: 偶数排序

Problem R: 偶数排序

Description

输入一个正整数N和N个整数,将它们中的偶数按从大到小的顺序进行排序后输出。

Input

输入一个正整数N(1≤N≤100)和N个整数,用空格分隔。

Output

将这N个数中的偶数按从大到小的顺序输出

Sample Input

10 8 4 14 2 11 30 40 500 17 100
8 80 200 99 -12 34 55 88 11

Sample Output

500 100 40 30 14 8 4 2
200 88 80 34 -12

#include<stdio.h>
int main(){
      int n,m,c,i,k,j,a[100],b[100];
      while(scanf("%d",&n)!=EOF){
                  m=0;
            for(i=0;i<n;i++)
                  scanf("%d",&a[i]);
            for(i=0;i<n;i++){
                  if(a[i]%2==0){
                       b[m]=a[i];
                        m++;
                  }
            }
            for(i=0;i<m-1;i++){
                        k=i;
            for(j=i+1;j<m;j++){
                  if(b[k]<b[j]){
                        k=j;
                  }
               }
               if(k!=i){
                 c=b[i];
                 b[i]=b[k];
                 b[k]=c;
               }
            }
            for(i=0;i<m;i++)
            printf("%d ",b[i]);
            printf("\n");
      }
return 0;
}

总结

1、首先将原来数组内的偶数全部筛选出来,组成全新的新数组,然后按大到小排序。
2、借用到辅助数组和排序法的方法。

### 计算中位数的算法 在计算机科学中,计算中位数是一个经典的选择问题。选择问题的目标是从一组未排序的数据中找到第 \(k\) 小的元素。当 \(k=\frac{n}{2}\) 时(对于偶数长度数组)或接近 \(\frac{n+1}{2}\) 的位置时(对于奇数长度数组),这个问题就转化为寻找中位数。 一种常见的解决方法是基于快速选择算法(Quickselect)。这是一种类似于快速排序的分治法,但它只处理数据的一部分而不是整个数组。其基本思想如下: - 随机选取一个“枢轴”(pivot)。 - 对数组进行分区操作,使得小于枢轴的部分位于左侧,于枢轴的部分位于右侧。 - 如果枢轴的位置正好是我们要找的第 \(k\) 小元素,则返回该值;如果它位于目标索引之前,则递归查找右半部分;反之则递归左半部分[^2]。 这种方法的时间复杂度平均情况下为 O(n),最坏情况下的时间复杂度为 O(n²)。然而,在实际应用中可以通过随机化技术来减少最坏情况发生的概率。 以下是 Quickselect 实现的一个 Python 示例: ```python import random def partition(arr, low, high): pivot = arr[high] i = low - 1 for j in range(low, high): if arr[j] <= pivot: i += 1 arr[i], arr[j] = arr[j], arr[i] arr[i + 1], arr[high] = arr[high], arr[i + 1] return i + 1 def quick_select(arr, k): def select(l, r, index): if l == r: return arr[l] p_index = random.randint(l, r) arr[p_index], arr[r] = arr[r], arr[p_index] p_index = partition(arr, l, r) if index == p_index: return arr[index] elif index < p_index: return select(l, p_index - 1, index) else: return select(p_index + 1, r, index) n = len(arr) if not 0 <= k < n: raise IndexError("Index out of bounds") return select(0, n - 1, k) ``` 此实现允许我们高效地获取任意排名的元素而无需完全排序列表。 ### 中位数与其他统计量的关系 除了上述提到的快速选择外,还有其他几种方式可以用来估计或者精确求解中位数值。例如堆结构能够维持动态集合中的最小最关系以便于在线查询中位数[^3]。此外,还可以利用桶排序的思想近似得到分布密集区域内的中心趋势代表点作为替代方案之一。 值得注意的是,“选择问题”的定义不仅限于单维向量上的简单检索任务,还扩展到了多维度空间里更复杂的场景下——比如几何图形内部距离最近的一对节点之间连线的方向角角度等等这些都需要依赖相应领域内专门设计出来的新颖策略来进行解答。
评论
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