微软2014年4月 实习生招聘机试题 4.most frequent logs

Time Limit: 10000ms
Case Time Limit: 3000ms
Memory Limit: 256MB


Description

In a running system, there're many logs produced within a short period of time, we'd like to know the count of the most frequent logs.
Logs are produced by a few non-empty format strings, the number of logs is N(1=N=20000), the maximum length of each log is 256.
Here we consider a log same with another when their edit distance (see note) is = 5.
Also we have a) logs are all the same with each other produced by a certain format string b) format strings have edit distance  5 of each other.
Your program will be dealing with lots of logs, so please try to keep the time cost close to O(nl), where n is the number of logs, and l is the average log length.
Note edit distance is the minimum number of operations (insertdeletereplace a character) required to transform one string into the other, please refer to httpen.wikipedia.orgwikiEdit_distance for more details.

Input

Multiple lines of non-empty strings.

Output

The count of the most frequent logs.


Sample In

Logging started for id:1
Module ABC has completed its job
Module XYZ has completed its job
Logging started for id:10
Module ? has completed its job


Sample Out

3

 

以下为个人给出的一个解,计算编辑距离使用了动态规划

#include <iostream>
#include <fstream>
#include <string>

using namespace std;
//计算编辑距离,使用动态规划法
int calEditDis(char* a,char* b){
	int len_a=strlen(a);
	int len_b=strlen(b);
	int tmp=0;
	int leftUp,left,up;
	len_a++; //维数分配 需有边界1维
	len_b++;
	int result = 0;
	int* assistArray; //二维数组 assistArray[len_a][len_b]
	assistArray = new int [(len_a)*(len_b)]();
	
	for(int i=0;i<len_a;i++)
		assistArray[i*len_b]=i; //assistArray[i][0]
	for(int j=0;j<len_b;j++)
		assistArray[j] = j;     //assistArray[0][j]
	//cout<<"********************************************"<<endl;
	for(int i=1;i<len_a;i++){
		for(int j=1;j<len_b;j++){
			if(a[i-1]==b[j-1])
				leftUp = assistArray[(i-1)*(len_b)+(j-1)];
			else 
				leftUp = assistArray[(i-1)*(len_b)+(j-1)] + 1;
			left = assistArray[i*len_b+(j-1)] + 1;
			up   = assistArray[(i-1)*len_b+j] + 1 ;
			assistArray[i*len_b+j] = left<up?(left<leftUp?left:leftUp):(up<leftUp?up:leftUp);
			//cout<<assistArray[i*len_b+j]<<" ";
		}
		//cout<<endl;
	}
	//cout<<"**********************************************"<<endl;
	result = assistArray[len_a*len_b-1];
	delete[] assistArray;
	return result;	
}

#define LOGNUM (20000)
#define LOGLEN (256+1)

typedef struct RECORDER{
	bool useful;
	int  index;
	int  num;
}RECORDER;
int main(){

	char (*ptr)[LOGLEN];
	ptr = new char[LOGNUM][LOGLEN];

	int dis=0;
	bool newLog =false;
	
	int result = 0;
//record[LOGNUM] 数组中记录了 出现次数 依次从多到少的相关信息,在整个过程中都维护该数据结构
	RECORDER record[LOGNUM]; 

	int count = 0;
	memset(record,0,sizeof(record));
	fstream fstr("testCase.txt");

	for(int i= 0,j=0,k=0;i< LOGNUM;i++){
		newLog = true;
		if(fstr.eof())
			break;
		fstr.getline(ptr[i],LOGLEN);
		if(strlen(ptr[i])==0)
			continue;
		for(j=0;j<count;j++){
			dis = calEditDis(ptr[(record[j].index)],ptr[i]);
			if(dis <=5){
				record[j].num++;
				newLog = false;
				break;
			}			
		}
		if(newLog == true){
			count++;
			record[count-1].index=i;
			record[count-1].useful = true;
			record[count-1].num = 1;
		}
		else if(j!=0){
			if(j>=1 && record[j].num > record[j-1].num){
				k=j;
				while(k>=1 && record[k].num > record[k-1].num)
					k--;
				{
					RECORDER tmp = record[j];
					record[j] = record[k];
					record[k] = tmp;
				}
			}
		}
	}
	cout<<record[0].num<<endl;
	cout<<ptr[record[0].index]<<endl;
	delete[] ptr;

}


 

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电控制、器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
先展示下效果 https://pan.quark.cn/s/a4b39357ea24 本项目是本人参加BAT等其他公司电话、现场面试之后总结出来的针对Java面试的知识点或真题,每个点或题目都是在面试中被问过的。 除开知识点,一定要准备好以下套路: 个人介绍,需要准备一个1分钟的介绍,包括学习经历、工作经历、项目经历、个人优势、一句话总结。 一定要自己背得滚瓜烂熟,张口就来 抽象概念,当面试官问你是如何理解多线程的时候,你要知道从定义、来源、实现、问题、优化、应用方面系统性地回答 项目强化,至少与知识点的比例是五五开,所以必须针对简历中的两个以上的项目,形成包括【架构和实现细节】,【正常流程和异常流程的处理】,【难点+坑+复盘优化】三位一体的组合拳 压力练习,面试的时候难免紧张,可能会严重影响发挥,通过平时多找会参与交流分享,或找人做压力面试来改善 表达练习,表达能力非常影响在面试中的表现,能否简练地将答案告诉面试官,可以通过给自己讲解的方式刻意练习 重点针对,面试官会针对简历提问,所以请针对简历上写的所有技术点进行重点准备 Java基础 JVM原理 集合 多线程 IO 问题排查 Web框架、数据库 Spring MySQL Redis 通用基础 操作系统 网络通信协议 排序算法 常用设计模式 从URL到看到网页的过程 分布式 CAP理论 锁 事务 消息队列 协调器 ID生成方式 一致性hash 限流 微服务 微服务介绍 服务发现 API网关 服务容错保护 服务配置中心 算法 数组-快速排序-第k大个数 数组-对撞指针-最大蓄水 数组-滑动窗口-最小连续子数组 数组-归并排序-合并有序数组 数组-顺时针打印矩形 数组-24点游戏 链表-链表反转-链表相加 链表-...
<think>嗯,用户问的是这段代码:most_frequent_top10_product_code = np.array(Counter(df.product_code).most_common(10))[:, 0]。我需要先理解这段代码的作用,然后一步步解释清楚。首先,我应该分解每个部分的功能。 Counter来自collections模块,用来统计可哈希对象的出现次数。这里对df.product_code进行统计,然后调用most_common(10)获取前10个最常见的元素及其计数。结果应该是一个列表,里面包含元组,比如[('A', 50), ('B', 45), ...]。 接下来,用np.array把这个列表转成NumPy数组。这时候数组的形状应该是(10,2),假设每个元组有两个元素。然后切片[:, 0]是取所有行的第0列,也就是提取产品代码,排除计数部分。 用户可能需要了解每个步骤的细节,比如为什么用np.array而不是直接列表推导。可能还要提到,如果数据中有并列的情况,most_common(10)会怎么处理,比如是否按出现顺序取前10。另外,是否需要处理可能的异常情况,比如product_code列是否存在缺失值? 还要注意代码的潜在问题,比如导入是否正确,是否有依赖库的安装。可能用户在实际应用中会遇到数据类型的问题,比如product_code是否是字符串类型,否则统计可能会有问题。或者是否需要先对数据进行预处理,比如去除空白字符等。 在解释时,应该分步骤说明,并给出一个例子,让用户更清楚。比如假设df.product_code的值是某个具体的数据集,展示中间结果如何变化。同时,提醒可能出现的错误,比如如果product_code不足10个,会不会报错,或者切片是否依然有效。 最后,总结代码的作用,即获取出现次数最多的前10个产品代码,并转换为NumPy数组。可能用户需要这些代码进行后续分析或可视化,所以解释清楚这一步的输出结构也很重要。</think>好的,我来为您逐步解析这段代码: ```python most_frequent_top10_product_code = np.array(Counter(df.product_code).most_common(10))[:, 0] ``` ### 步骤分解: 1. **Counter统计频次** - `Counter(df.product_code)`:使用`collections`模块的`Counter`统计DataFrame列`product_code`中每个元素的出现次数 - 输出形式示例:`Counter({'A123': 50, 'B456': 45, ...})` 2. **获取前10高频项** - `.most_common(10)`:提取出现频率最高的前10项 - 输出形式:包含元组的列表,例如`[('A123',50), ('B456',45), ...]` 3. **转换为NumPy数组** - `np.array(...)`:将结果转换为二维数组 - 转换后形式: ```python array([['A123', 50], ['B456', 45], ...]) ``` 4. **提取产品代码** - `[:, 0]`:通过切片操作获取所有行的第一列(索引0) - 最终得到: ```python array(['A123', 'B456', ...]) ``` ### 可视化过程: 原始数据 → 统计频次 → 取Top10 → 转数组 → 提取代码列 ### 代码特点: - 适用于需要将高频结果转换为NumPy数组进行后续数值计算的场景 - 通过链式调用实现紧凑的写法 - 最终得到包含前10高频产品代码的一维数组 ### 注意事项: 1. 需要提前导入: ```python from collections import Counter import numpy as np ``` 2. 如果出现频次相同的情况,`most_common()`会按首次出现的顺序排序 3. 实际应用中建议添加异常处理(如处理空值等情况)
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