PTA-59 打印菱形图案

输出菱形图案 (5 分)PTA 实验1-5 输出菱形图案 (5 分) 本题要求编写程序,输出指定的由“A”组成的菱形图案。 输入格式: 本题无输入 输出格式: 按照下列格式输出由“A”组成的菱形图案。 A A A A 立即下载

本题要求编写程序,打印一个高度为n的、由“*”组成的正菱形图案。

输入格式:

输入在一行中给出一个正的奇数n。

输出格式:

输出由n行星号“*”组成的菱形,如样例所示。每个星号后跟一个空格。

输入样例:

7

输出样例:

      * 
    * * * 
  * * * * * 
* * * * * * * 
  * * * * * 
    * * * 
      * 

结尾无空行

#include<stdio.h>
int main()
{
	int n;//n为正奇数
	scanf("%d",&n);
	
	//上部分 
	int i,j,a;
	for(i=1;i<=n/2+1;i++)//i行 
	{
		for(j=1;j<=(n+1)/2-i;j++)//j列 与 i有关 
		{
			printf("  ");//空格 
		}
		for(a=1;a<=2*i-1;a++)
		{
			printf("* ");
		}
		printf("\n");//不能在输出* 后就换行,因为* 不止一个 
	}
	//下部分
	int q,w,e;
	for(q=1;q<=n/2;q++)
	{
		for(w=1;w<=q;w++)
		{
			printf("  ");//第几行就有几个空格
		}
		for(e=1;e<=n-2*q;e++)
		{
			printf("* ");
		}
		printf("\n");
	} 
	return 0; 
}

类似题目:画菱形

菱形是一种特殊的平行四边形,是四条边均相等的平行四边形。题目给出菱形的边长n,用*画出菱形。如n=1,输出:

*

n=2,输出:

 *
*** 
 * 

n=3,输出:

  * 
 ***
*****
 ***
  *

那么,你能用程序来实现么?

输入格式:

输入菱形的边长n,1<n<100。

输出格式:

输出对应的用*表示的菱形。

输入样例:

4

输出样例:

    *
   ***
  *****
 *******
  *****
   ***
    *

代码:

#include<stdio.h>
int main()
{
	int n;
	scanf("%d",&n);//菱形边长n 
	
	int i,j,k;
	//上半部分 
	for(i=1;i<=n;i++)//一共n行 
	{
		for(j=1;j<=n-i;j++)
		{
			printf(" ");//i行有n-i个空格 
		} 
		for(k=1;k<=2*i-1;k++)
		{
			printf("*");//i行有2*1-1个*
		}
		printf("\n");//一行输出后换行 
	} 
	//下半部分
	for(i=1;i<=n-1;i++)
	{
		for(j=1;j<=i;j++)
		{
			printf(" ");//i行有i个空格 
		}
		for(k=1;k<=2*n-1-2*i;k++)//最大一行共2*n-1个* ,则下半部分第i行有 2*n-1-2*i个* 
		{
			printf("*");
		}
		printf("\n");
	} 
	
	return 0;
} 

QFN封装芯片手工焊接实战:从焊盘处理到拖焊技巧 本文详细介绍了QFN封装芯片手工焊接的全过程,从焊盘处理到拖焊技巧,再到常见问题的现场修复方法。通过实战经验分享,帮助工程师和DIY爱好者掌握0.5mm小间距QFN芯片的焊接技术,提升焊接成功率和质量。重点讲解了垂直与平行拖焊手法的对比应用,以及焊后清理与质量检验的关键步骤。 阅读详情

相关推荐

告别繁琐同步:Zotero与Obsidian双向联动新方案(基于Better BibTeX与MarkDBConnect)

本文详细介绍了一套基于Better BibTeX、Bibnotes Formatter和MarkDBConnect插件的Zotero与Obsidian双向联动方案。该方案通过建立智能数据通道,实现文献信息的自动同步与笔记的增量更新,解决了手动同步的繁琐问题,并支持在两大工具间无缝跳转,极大提升了科研和知识管理的工作效率。

weixin_29213827的博客 644

pta——打印菱形图案,简单计算器,字符串排序(c语言)

浙大版《C语言程序设计(第3版)》题目集 习题4-9 打印菱形图案 (15 分) 本题要求编写程序,打印一个高度为n的、由“*”组成的正菱形图案。 输入格式: 输入在一行中给出一个正的奇数n。 输出格式: 输出由n行星号“*”组成的菱形,如样例所示。每个星号后跟一个空格。 输入样例: 7 输出样例: #include<stdio.h> int main() { int i,n,j; scanf("%d",&n); for(j=0;j<n/2+1;j++){

m0_65620244的博客 3797

手动测试台架搭建,让你的车载测试更轻松

如果你也在经常进行车载测试,就知道有时候手头的设备并不能完全满足需求。 在我之前的测试中,发现了一些问题,但是却找不到根本原因。于是,我开始思考如何打造一个更为完美的手动测试台架,让测试变得更加轻松。 经过不断地实践和调试,我终于成功搭建出了一个能够满足自己需求的测试台架。现在,我想和大家分享这个搭建的经验,希望能够帮助到在车载测试领域工作的小伙伴们,让你们的测试更加准确、高效!

weixin_67553250的博客 1万+

PTA习题4-9 打印菱形图案

习题4-9 打印菱形图案 #include <stdio.h> int main() { int n,i,j,k,m; scanf("%d", &n); for (i=1;i<=(n-1)/2;i++) { for (j=1;j<=(n+1)/2-i;j++) printf (" “); for (k=1;k<=2i-1;k++) printf (" “);...

CLARAhelloworld的博客 1571

Virtuoso ADE Explorer实战技巧:从基础操作到高级仿真

本文深入解析了Virtuoso ADE Explorer在模拟电路仿真中的核心价值与实战技巧。作为Cadence平台的专业工具,它专为高效、系统化的设计空间探索而生,能大幅提升PVT验证、参数扫描和蒙特卡洛分析的效率。文章从基础界面操作、并行仿真管理,到高级的参数扫描、数据报告生成及蒙特卡洛结果深度剖析,提供了全面的避坑指南与工作流优化建议,帮助工程师从重复劳动中解放,专注于电路设计与性能优化。

ios99的博客 899

语义通信实战:跳过“比特”保“语义”,手把手构建轻量级图像压缩重建网络(基于PyTorch)

本文详细介绍了基于PyTorch的轻量级语义通信系统LICRnet的实现,专注于图像压缩重建中的语义信息保留。通过深度可分离卷积、可变窗口多尺度注意力等创新技术,显著降低计算量并提升性能,特别适用于无人机巡检、远程医疗等物联网场景。文章包含完整的代码实现、训练策略及部署优化方案。

weixin_27697385的博客 221

PTA 打印菱形图案

本题要求编写程序,打印一个高度为n的、由“*”组成的正菱形图案。

kr20021127的博客 3606

一文学会python基础知识

1. python 运行环境 1.1 脚本式环境 1.2 交互式环境 2. python 注释 3. 变量及变量命名 4. 关键词 BIFS 5. 标准操作符 6. 条件判断 7. 循环 8. python 数据类型 9. python 序列 9.1 序列-字符串(str) 9.2 序列-列表 9.3 序列-元组 10. 字典 11. 集合 12. python内存管理及可变、不可变对象 13. 函数 13.1 函数参数 13.2 return and yiled(生成器) 13.3 参数传递处理 ...

weixin_43178406的博客 26万+

pta--打印菱形图案&&字符&&空心菱形--C语言实现

打印菱形图案和字符菱形

2301_79781443的博客 2608

Simulink仿真状态空间中状态变量时域响应

起因 今天老师留了一道关于状态空间变量响应的题,于是想用simulink仿真,一开始使用state-space模块,但是发现它只能输出y,没办法显示状态变量的变化情况。然而状态变量之间的关系都可以表示为一阶微分方程组,因此我们考虑在Simulink中搭建微分方程组来求解这个问题。 微分方程组 x1˙=x2x2˙=−4x1−5x2+1(1)\dot{x_1}=x_2\\ \dot{x_2}=-4x_...

ZYunfei的博客 7452

使用lighttpd和开发板进行交互

本文介绍了如何在嵌入式开发板上使用Lighttpd Web服务器实现硬件交互功能。主要内容包括:Lighttpd通过CGI程序间接控制硬件的基本原理;lighttpd.conf配置文件的详细解析;开发板文件目录结构设计;用C语言编写控制GPIO的CGI程序示例;网页调用CGI实现按钮触发控制的HTML代码;常见问题调试建议。最后通过效果图展示了网页按钮点击后成功控制LED灯的实际效果,验证了Lighttpd+CGI方案在嵌入式设备Web控制中的可行性。

m0_49476241的博客 1424

PTA-7-59 打印菱形图案

本题要求编写程序,打印一个高度为n的、由“*”组成的正菱形图案。 输入格式: 输入在一行中给出一个正的奇数n。 输出格式: 输出由n行星号“*”组成的菱形,如样例所示。每个星号后跟一个空格。 输入样例: 7 解决过程: int main(){ int n; scanf("%d",&n); for(int i=1;i<=n/2+1;i++)//菱形的上面n/2+1行 { for(int j=1;j<=n/2+1-i;j++)//空格与行的

kikyououu的博客 2691

4、风险管理、信息安全与信息管理的核心原则

本文深入探讨了风险管理、信息安全与信息管理的核心原则,涵盖Risk IT框架、ISO 31000标准以及信息安全与信息管理的关键原则。通过案例分析与实际应用挑战的解析,帮助组织更好地应对数字化时代的风险与安全问题,实现可持续发展。

bread的博客 120

PTA 7-59 打印菱形图案

PS:本题的重中之重就在于找寻输出的规律,从而通过循环输出 本题要求编写程序,打印一个高度为n的、由“*”组成的正菱形图案。 输入格式: 输入在一行中给出一个正的奇数n。 输出格式: 输出由n行星号“*”组成的菱形,如样例所示。每个星号后跟一个空格。 输入样例: 7 输出样例: * * * * * * * * * * * * * * * * * * * * * * * * * 代码段: #include <s.

XDU潭柘的博客 372

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

7-59 打印菱形图案 (15 分) 本题要求编写程序,打印一个高度为n的、由“*”组成的正菱形图案。 PTA:中M2021春C、Java入门练习第I段——变量、表达式、分支、循环

7-59 打印菱形图案 (15 分) 本题要求编写程序,打印一个高度为n的、由“*”组成的正菱形图案。 输入格式: 输入在一行中给出一个正的奇数n。 输出格式: 输出由n行星号“*”组成的菱形,如样例所示。每个星号后跟一个空格。 输入样例: 7 输出样例: 代码如下: #include<stdio.h> int main(){ int n; scanf("%d",&n); int j=0; for(int k=1;k<=n;k+=2){//用*个数

count_Yeah的博客 4128

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

7-59 打印菱形图案 笔记

大概思路: 依据样例找到空格输出的规律,如: 左侧输出的空格依次减2到0后,依次加2还原,每两个*之间有一个空格 然后就很简单了 #include <stdio.h> int main(int argc,char const *argv[]) { int n; scanf("%d",&n); int i,x,y,num,count=n-1; y=num=1; int sign =1; if(n%2==1) { for(x=1; x<=n; x++) { .

weixin_44875153的博客 297

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")

PTA刷题集合(上)

乍一看,这个算式非常的麻烦。首先,先将这个题目算式看做不同的数据相加而形成的(先处理多项式中的单项),通过观察可以发现,单项之间的不同在于符号(正负号),分子,分母的不同,但是这些都是有规律的。根据规律写出来即可。举一个形象的例子,如果将变量a,b看做两个不同的杯子,a里面装的是可乐,b里面装的是雪碧,想要让两个杯子中的饮料交换,需要第三个杯子帮助。首先,先介绍一下斐波那契数列,斐波那契数列是以兔子繁衍的问题为例子引入的,而这个问题正好与题目的要求相符合,所有本题目实质上是求第N项时,菲波那切数列的数值。

keop123的博客 1747

PTA - C语言暑假题集3

7-40求奇数分之一序列前N项和7-41求简单交错序列前N项和7-42生成3的乘方表7-43 求组合数7-44求平方与倒数序列的部分和7-45求交错序列前N项和7-46 求平方根序列前N项和7-47求阶乘序列前N项和7-48求给定精度的简单交错序列部分和7-49猜数字游戏7-50 求e的近似值7-51找出最小值7-52统计素数并求和7-53求奇数和7-54求分数序列前N项和7-55特殊a串数列求和7-56换硬币7-57水仙花数7-58最大公约数和最小公倍数7-59高空坠球7-60打印菱形图案7-61猴子吃桃

Virgo_616的博客 1199

C语言的一些题目

本篇文章的C语言题目来源于洛谷和PTA。近期几天以内会继续在本篇文章补充C语言相关的题目的。

2401_85660523的博客 1283

浙大版《C语言程序设计(第4版)》题目集参考思路集

@[TOC]目录 函数题 1. 求m到n之和 2. 找两个数中最大者 3. 字符金字塔 4. 符号函数 5. 使用函数求奇数和 6. 使用函数计算两点间的距离 7. 使用函数求素数和 8. 使用函数统计指定数字的个数 9. 使用函数输出水仙花数 10. 使用函数求余弦函数的近似值 11. 空心的数字金字塔 12. 分类统计字符个数 13. 使用函数求特殊a串数列和 14. 使用函数输出指定范围内的完数 15. 使用函数输出指定范围内的Fib

weixin_61168459的博客 1693

中M2021秋C语言入门练习第I段——变量、表达式、分支、循环(7-1至7-70)

中国大学MOOC浙江大学翁恺老师的《程序设计入门——C语言》2021秋季课程PTA编程练习题【其实每期练习题一致】,共140题,已全部答完,仅三道题借鉴了他人思维之后,全部为独立思考纯手敲代码(Dev-C++调试成功后,复制粘贴到PTA平台),现收集归拢【时间飞逝,存于优快云草稿箱三年了,现整理格式发布】。

用魔法打败魔法,走楼梯啊! 430

浙大版《C语言程序设计(第4版)》题目集参考答案

浙大版《C语言程序设计(第4版)》题目集参考答案,不断更新,欢迎提问,欢迎斧正。

cutto的博客 2万+

Spring-_-Bear 的 优快云 博客导航

路漫漫其修远兮,吾将上下而求索。

春天熊的技术博客 8085

PTA 习题4-9 打印菱形图案

第三次循环(i=3<=3),这次的(j=0;j<=0)输出一次空格,(j=1;过测试点n=7时,第一次测试点(i=1<=3),(j=0;j<=2)下循环输出三次空格,(j=1;j<=1)下输出一次*,进行换行。第二次循环(i=2<=3),这次的(j=0;j<=1)循环输出两次空格,(j=1;i>=0),(j=0;j<=0)循环输出一次空格,(j=0;i>=0),(j=0,j<=1)循环输出两次空格,(j=0;i>=0),(j=0,j<=2)循环输出三次空格,(j=0;j<=0)循环一次*,换行。

weixin_54595342的博客 1103

[PTA]习题4-9 打印菱形图案

本题要求编写程序,打印一个高度为 n 的、由 “\*” 组成的正菱形图案。

春天熊的技术博客 4051

PTA 编程打印空心字符菱形 (10 分)(C语言)

PTA 编程打印空心字符菱形 C语言

weixin_56497818的博客 7953
上一篇: PTA-56 求给定精度的简单交错序列部分和
下一篇: PTA-93 水仙花数
hand_up
博客等级 码龄5年 60粉丝 57原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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