日知录

对于高效算法, 有些比较简单的技术, 如分治法, 随机化, 和递归求解技术.这边介绍些更为复杂的技术, 动态规划, 贪心算法当对于复杂问题设计算法时, 首先会想到使用分治法来解决, 分而治之, 一个很有哲理性的思路, 再复杂的问题都可以不断分解到你可以轻松解决的粒度, 把所有简单问题都解决完后, 组合在一起就得到了复杂问题的解, 可以看出其中典型的递归求解的思路. 使用分治法的

1. 模运算模运算很有用, 最常用的是钟表.还有二进制负数的补码, 有2n 个数, [-2n-1 , 2n-1 -1]正数当然直接表示成2进制即可, 对于负数就需要用补码, 即[1, 2n-1] 的二进制表示的取反再加一.以前对这个补码不理解, 所以也一直记不住, 其实:Any number in the range -2n-1 to 2n-1 - 1

在看搜索引擎做查询结果排序的用到了堆排序，特来复习一下。那么在深入堆排序之前先来列举一下常见的排序方法，Insertion sort，最简单直观的排序方法，时间复杂度最坏O(n2)，in place(Recall that a sorting algorithm sorts in place if only a constant number of elements of the input array are ever stored outside the array.)就是说除了输入数组，仅

现在recommendation是非常普遍的一项技术， 在网上购物Amazon会推荐你可能感兴趣的商品，在电影，音乐网站，会推荐你可能喜欢的音乐或电影。那么这儿就来看看，这些推荐是怎么样实现的Collaborative Filtering日常生活中，最简单的获取推荐的方法就是问朋友，你可能知道某些朋友的品位比较高，爱好和你比较相像。不过这种方法并不是一直管用，因为朋友知道的毕竟是很有限的， 相信每个人都会有很纠结不知道去哪儿吃饭，或不知道什么商品更值得买的时候。那么这时候就需要一个Collaborative

考虑一下这个场景, 使用网络爬虫高速爬取大量的网页内容, 如果想把这些网页进行实时聚类, 并从中提取每个网页聚类的主题. 我们应该怎么样去做对于普通或常见的聚类算法, 比如K-means, 或Hierarchical 聚类, 无法适用于这个常见, 对于这些聚类算法无法进行incremental聚类, 即在聚类开始前必须知道整个数据集, 而这个场景中的数据集是随着爬虫不断增多的. 而且这些聚类算法的performance 不够高, 比如对于K-means 需要不断的partition 以达到比较好的聚类效

Merge Sort def mergeSort(data):     length = len(data)     if length 0 and len(r)>0:         if l[0] > r[0]:             data.append(l.pop(0))         else:             data.append(r.pop(0))                   if len(l) >0:       data.extend(l)     else:   

Stack, QueueStack是后进先出, LIFO, 队列为先进先出, FIFO在python中两者, 都可以简单的用list实现,进, 用append()出, Stack用pop(), Queue用pop(0), pop的时候注意判断len(l) 对于优先队列, 要用到前面讲到的堆链表和多重数组这些数据结构在python中就没有存在的价值, 用list都能轻松实现散列表为了满足实时查询的需求而产生的数据结构, 查询复杂度的期望是O(1), 最差为O(n)问题描述, 对于n