数据结构入门4-数组 『重塑矩阵 | 杨辉三角』


💪💪💪此系列仅为记录本人补充学习数据结构相关知识,有兴趣的,大家可以共同学习👏👏👏

[= 重塑矩阵 =]

题目描述

题目传送门

解题思路

1、判断是否满足重塑条件 原矩阵元素个数是否与重塑矩阵个数相同
2、不满足条件 直接返回原矩阵
3、满足条件:先构建初始化重塑矩阵
4、遍历原矩阵,并填充重塑矩阵

解题方法

func matrixReshape(mat [][]int, r int, c int) [][]int {
    //判断是否满足条件 m*n = r*c
    if len(mat)*len(mat[0]) != r*c {
        return mat
    }
    // 满足条件 构建重塑矩阵
    res := make([][]int, r)
    for i:=0;i<r;i++{
        res[i] = make([]int, c)
    }
    // 遍历原矩阵 填充新矩阵
    newR, newC := 0,0
    for i := 0;i<len(mat);i++{
        for j:=0;j<len(mat[0]);j++{
            res[newR][newC] = mat[i][j] 
            newC++
            // 满足列数,则换行,同时重置列值为0
            if newC == c {
                newR++
                newC=0
            } 
        }
    }
    return res
}

在这里插入图片描述

[= 杨辉三角 =]

题目描述

题目传送门

解题思路

纯数学的解法 刚开始连杨辉三角都不知道,头疼😱😱😱😱😱😱😱😱😱😱

解题方法

func generate(numRows int) [][]int {
    // 纯数学的东西,很头疼呀
    ans := make([][]int, numRows)
    for i := range ans {
        // 循环行
        ans[i] = make([]int, i+1)
        // 首尾都是1
        ans[i][0] =  1
        ans[i][i] = 1
        // 填充每行的中间列
        for j := 1;j<i;j++{
            ans[i][j] = ans[i-1][j-1] + ans[i-1][j]
        }
    }
    return ans
}

在这里插入图片描述

### 实现矩阵重塑的方法 在编程中,矩阵重塑是一种常见的操作,通常用于调整数据结构以便于后续处理。以下是几种常见编程语言中的实现方式。 #### Python 中的 NumPy 库 NumPy 是一种强大的科学计算库,在其中可以轻松完成矩阵重塑的操作。`numpy.reshape()` 函数允许用户改变数组形状而不更改其数据[^4]。 ```python import numpy as np # 创建一个一维数组 array = np.array([1, 2, 3, 4, 5, 6]) # 将一维数组重塑为二维数组 (2x3) reshaped_array = array.reshape(2, 3) print(reshaped_array) ``` 上述代码展示了如何通过 `reshape` 方法将原始的一维数组转换成指定大小的二维数组。需要注意的是,新形状的总元素数量必须等于原数组的元素总数[^4]。 #### MATLAB 中的 Reshape 功能 MATLAB 提供了一个内置函数叫做 `reshape` 来重新排列向量或者矩阵的数据到一个新的维度上而保持原有顺序不变[^5]。 ```matlab % 原始列向量 vector = [1; 2; 3; 4; 5; 6]; % 转换成 2 行 3 列的形式 newMatrix = reshape(vector, 2, 3); disp(newMatrix); ``` 这段脚本说明了怎样利用 MATLAB 的 `reshape` 把垂直方向上的矢量变成具有两行三列的新布局形式[^5]。 #### TensorFlow/Keras 下张量变形 对于深度学习框架如TensorFlow 或 Keras来说,它们也支持类似的变换功能来适应神经网络层间输入输出规格的要求[^6]。 ```python from tensorflow import keras import numpy as np input_data = np.random.rand(100).reshape((10, 10)) # 构建随机初始数据集 layer_reshape = keras.layers.Reshape(target_shape=(5, 2))(keras.Input(shape=(10,))) model = keras.models.Sequential([ layer_reshape, ]) output = model.predict(input_data) print(output.shape) # 输出应显示新的尺寸配置 ``` 这里定义了一种模型架构片段,它接受固定模式下的批量样本作为入口,并应用重设指令将其映射至另一组特定参数设定之中[^6]。
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

打赏作者

Bennett_G

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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