华为OD机试 - 货币单位换算（Java 2025 B卷 100分）

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.1k累计阅读 1.2k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄9年

关注

原创 2025-06-14 16:55:27 1.1k 阅读 AI 写同款· GEO 优化 ›

华为OD机试（JAVA）真题专栏收录该内容

¥49.90 ¥99.00

839篇文章

订阅专栏

一、题目描述

记账本上记录了若干条多国货币金额，需要转换成人民币分 (fen)，汇总后输出每行记录一条金额，金额带有货币单位，格式为数字+单位，可能是单独元，或者单独分，或者元与分的组合要求将这些货币全部换算成人民币分 (fen) 后进行汇总，汇总结果仅保留整数，小数部分舍弃。元和分的换算关系都是1:100，如下:

1CNY=100fen (1元=100分)
1HKD=100cents (1港元=100港分)1JPY=100sen (1日元=100仙)
1EUR=100eurocents (1欧元=100欧分)
1GBP=100pence (1英镑=100便士)

汇率如下表：

CNY	JPY	HKD	EUR	GBP
100	1825	123	14	12

即100CNY=1825JPY=123HKD=14EUR=12GBP。

二、输入描述

第一行输入为N，N表示记录数。0<N<100之后N行，每行表示一条货币记录，且该行只会是一种货币。

<

了解本专栏

订阅专栏解锁全文

收录于

当前文章被以下社区和专栏收录：

标签

#java #算法 #华为机试

深度解析华为OD机试：货币单位换算问题及其多语言实现（Python/C++/Java/JavaScript）通过这道货币单位换算题目，我们学习了如何使用不同编程语言进行字符串解析、汇率换算以及输出处理。这道题目考察了字符串处理的能力，特别是如何高效地解析带有不同单位的货币金额。通过使用正则表达式、哈希表等数据结构，我们可以高效地解决这一问题。解析输入的货币记录。根据汇率表进行金额转换。汇总所有转换后的人民币分数并输出结果。这些技巧在实际编程工作中同样具有广泛的应用价值，特别是在处理多国货币金额或其他需要复杂字符串解析的场景中。阅读详情

相关推荐

华为OD机试 - 货币单位换算（Java）

剩下的就是将不同单位转换成人民币分的汇率计算工作了，如下源码中exchange记录的不同单位转成人民币分的汇率。每行记录一条金额，金额带有货币单位，格式为数字+单位，可能是单独元，或者单独分，或者元与分的组合。要求将这些货币全部换算成人民币分（fen）后进行汇总，汇总结果仅保留整数，小数部分舍弃。记账本上记录了若干条多国货币金额，需要转换成人民币分（fen），汇总后输出。1HKD=100cents（1港元=100港分）1JPY=100sen（1日元=100仙）1CNY=100fen（1元=100分）

qq_34143141的博客 423

该程序实现了一个多国货币转换系统，将输入的多种货币金额转换为人民币分(fen)并汇总。系统支持包括人民币(CNY)、港元(HKD)、日元(JPY)、欧元(EUR)和英镑(GBP)等多种货币及其辅币单位的转换。主要功能点包括：提供货币单位识别，能够区分数字部分和货币单位实现汇率换算逻辑，根据固定汇率将各种货币转换为人民币分支持复合单位的识别和转换汇总所有转换结果并只保留整数部分程序通过逐字符解析输入金额，分离数字和货币单位，然后根据预设汇率进行换算。各语言版本核心逻辑相同，均包含货币单位验证和汇率

算法算法算法！！！ 95

2026华为OD机试（Python）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，Python实现。

MISAYAONE的博客 28万+

华为OD机试新系统双机位C卷真题题库目录｜机考题库 + 算法考点详解

本文整理华为OD机试(机考) 新系统真题题库，提供高频考点精析与详细题目内容，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解和在线OJ做题练习。华为OD机试新系统真题题库。

qq_45776114的博客 10万+

【全网首发】2025华为 OD 机试2025B卷机考真题库清单（全真题库）含考点说明（华为OD2025年B卷）

【持续更新】2025华为 OD 机试2025B卷机考真题库清单（全真题库）含考点说明（华为OD2025年B卷）

算法大师！ 1万+

2026华为OD机试（C语言）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，C语言实现。

MISAYAONE的博客 11万+

【2025华为OD机考真题】- 货币单位换算(B卷-100分)（Golang版）

🔔本文收录于「最新最全华为OD机试真题(Golang版)」专栏，手把手带你零基础教学华为OD机试。本题集提供最优题解思路，解题步骤，代码解析，复杂度分析及最优题解源码等，支持多语言题解，助你轻松拿捏OD机考，一举上岸！安利大家关注&&收藏&&订阅！题库正在疯狂收录中，up！up！up！！ 🚫提醒：拒绝一切代考/替考，违法必究！专栏所写题库均搜集于互联网，经过精心筛选和整理，结合数位十多年大厂实战经验资深大佬经验所撰，欢迎订阅。 💗订阅福利：一次订阅，可永久免费阅读，提供在线答疑解惑，后续题库更新

**My Coding Family** 1846

2026华为OD机试（JAVA&Go）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，Java实现。

MISAYAONE的博客 34万+

2026华为OD机试（JavaScript）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，JavaScript实现。

MISAYAONE的博客 8万+

【2025华为OD机考真题】- 货币单位换算(B卷-100分)（C++版）

🔔本文收录于「最新最全华为OD机试真题(C++版)」专栏，手把手带你零基础教学华为OD机试。本题集提供最优题解思路，解题步骤，代码解析，复杂度分析及最优题解源码等，支持多语言题解，助你轻松拿捏OD机考，一举上岸！安利大家关注&&收藏&&订阅！题库正在疯狂收录中，up！up！up！！ 🚫提醒：拒绝一切代考/替考，违法必究！专栏所写题库均搜集于互联网，经过精心筛选和整理，结合数位十多年大厂实战经验资深大佬经验所撰，欢迎订阅。 💗订阅福利：一次订阅，可永久免费阅读，提供在线答疑解惑，后续题库更新皆可阅

**My Coding Family** 1670

【华为OD机考真题】- 货币单位换算(2025B卷-100分)（Java版）

🔔本文收录于「最新最全华为OD机试真题(Java版)」专栏，手把手带你零基础教学华为OD机试。本题集提供最优题解思路，解题步骤，代码解析，复杂度分析及最优题解源码等，支持多语言题解，助你轻松拿捏OD机考，一举上岸！安利大家关注&&收藏&&订阅！题库正在疯狂收录中，up！up！up！！ 🚫提醒：拒绝一切代考/替考，违法必究！专栏所写题库均搜集于互联网，经过精心筛选和整理，结合数位十多年大厂实战经验资深大佬经验所撰，欢迎订阅。 💗订阅福利：一次订阅，可永久免费阅读，提供在线答疑解惑，后续题库更新皆可

**My Coding Family** 1007

华为OD机试2025C卷真题题库目录｜机考题库 + 算法考点详解

本文整理华为OD 2025C卷机试（机考）题库，提供高频考点精析与详细题目内容，提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解

qq_45776114的博客 3982

2026华为OD机考新系统真题 + 双机位C卷 + 往年真题 - 题库目录分值说明 + 考点说明+在线OJ

2026年4月1日起，华为OD机试正式切换至新系统模式！采用力扣模式，无需自己写输入！难度大幅度降低。正在备考华为OD机试的同学，优先刷新系统机试真题，可大幅提升通过率。新系统考题考点与旧版一致，无需重新适应。本专栏所有算法题均配有详细思路解析，并提供C语言、JS、C++、Python、Go、Java多语言源码实现。订阅后私信即可开通专属OJ刷题权限，高效备考一次上岸！

算法大师！ 45万+

整车 EOL下线测试系统介绍

整车下线（EOL）测试专门针对整车进行设计开发，是车企将组装好的整车交付客户前的最后一道检测工序。EOL 测试针对的是整车下线测试，不同于零部件下线，是整车级别的下线测试，测试过程关系整车的每个零部件，其测试质量直接影响到整车的质量好坏。因此，整车EOL测试是整车下线必不可少的测试过程.

王小奎的博客 5480

【低轨】Starlink星链-Ku波段OFDM信号同步机制与PNT应用潜力

本文深入解析了Starlink星链Ku波段OFDM信号的同步机制及其在定位、导航与授时（PNT）领域的应用潜力。研究发现，其信号帧内嵌的同步序列具有相位恒定特性，支持超长相干积分，可在极低信噪比下实现高精度伪距测量，为利用低轨卫星通信信号实现高精度PNT服务提供了新的技术路径。

weixin_29250403的博客 729

智能车竞赛循迹控制：基于状态机的直道、弯道、十字路口处理策略

在嵌入式系统与自动控制领域，PID控制算法是实现精确运动控制的基础。其原理是通过比例、积分、微分三个环节的线性组合，对系统误差进行实时校正，从而实现对目标值的快速、稳定跟踪。这项技术的核心价值在于为各类自动控制系统提供了稳定、可靠且易于实现的解决方案，广泛应用于机器人、无人机、工业自动化等场景。在智能车循迹这类特定应用中，赛道环境复杂多变，单一的PID控制器难以应对直道、弯道、十字路口等不同赛道元素的控制需求。此时，有限状态机（FSM）作为一种高效的**决策框架**，能够根据实时感知的赛道特征（如边线曲率、

weixin_34034261的博客 282

手机直连卫星上网，3GPP R17/R18到底做了哪些技术升级？（IoT/NR NTN详解）

本文深入解析了3GPP R17/R18标准中手机直连卫星上网的技术升级，重点介绍了IoT NTN与NR NTN两项关键技术。R17通过星历辅助补偿算法和多普勒频移控制，实现了智能手机直连卫星的突破；R18则进一步优化移动性、支持高频段和星上本地交换，提升用户体验。这些技术为物联网和5G/6G通信开辟了新可能。

weixin_33701251的博客 617

计算机导论期末知识点及试题总结 [近三万字总结 · 全]

计算机网络：计算机网络是利用通信线路连接起来相互独立的计算机的集合，其主要目的是实现数据通信和资源共享。计算机病毒：破坏计算机功能或数据，影响计算机使用，并能自我复制的一组计算机指令或程序。操作系统：操作系统是由程序和数据结构组成的大型系统软件，它负责计算机的全部软硬件的资源分配，调度和管理，控制各类程序的正常执行，并为用户使用计算机提供良好的环境。高速缓冲储存器（Cache）：位于cpu和内存之间的储存器，其特点是速度快，目的是是储存器的速度与cpu的速度相匹配。总线：若干信号线的集合，是

这个人好有趣....hh 1万+

DDR ECC错误注入与寄存器配置实战指南

本文详细介绍了DDR ECC错误注入的核心价值与实战操作指南，包括通过FI_Dx和FI_ECC寄存器注入数据与ECC错误的方法。文章提供了环境准备、寄存器配置、错误检测及系统可靠性测试策略，帮助开发者验证内存系统的纠错能力和可靠性，提升硬件开发的稳定性与效率。

nnn11的博客 1104

在群辉（NAS）中安装虚拟机套件（Virtual Machine Manager）

一、在群辉中下载虚拟机套件Virtual Machine Manager ①启用Open vSwitch（网络-->管理--启用Open vSwitch） ②打开“套件中心” ③查找到Virtual Machine Manager套件点击“安装套件” 二、安装虚拟机套件（Virtual Machine Manager） ①打开虚拟机套件运行设置向导 ②选择存储空间...

Power EM与Signal EM解决办法与原理分析

1.面对power EM，首先检查missing via，补全via，还可以加宽，加密局部power mesh，一些power IO出pin有power EM问题，可以叠加多层线和垂直方向补power形成网络降低并联电阻和提供更多电流通路解决，这种方法还可以降低ir drop。3.先进工艺有一个via ladder的方法可以解决power/signal em问题，clock cell出pin绕线或者power rail连接power stripe通过搭梯子的方式连接，原理还是分流。

m0_61544122的博客 4741

锂电池充电器电路设计里面有电路

锂电池充电器电路设计里面有电路 3.7V升压到5V电路设计。

Probability and Statistics - 4th edition

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")