面试题整理-数组做为平衡二叉树进行访问

平衡二叉树的数组表示算法 博主是学生,水平有限,多多包涵。 之前学了平衡二叉树,想用数组表示平衡二叉树,但发现算法和用指针有很大不同,所以拿出来分享 #include #include #include #include #define max 100 #define NULL 0 #define LH +1 #define EH 0 #define RH -1 #define TRUE 1 #define FA 阅读详情

题目:

现在有一个数组,是排好序的。如何将其按照平衡二叉树进行打印。需要按层次遍历。

思路很简单,就是需要确定一个算法去找左子结点与右子结点。

#include <stdio.h>
#include <stdlib.h>
#include <iostream>
#include <algorithm>
#include <vector>
#include <string>
#include <assert.h>
#include <iomanip>
#include <limits>
#include <map>
#include <queue>

using namespace std;
class node {
public:
	int begin, mid, end;
	node(int a, int b, int c):begin(a),mid(b),end(c){};
	node():begin(-1),mid(-1),end(-1){};
};
void tree_print(vector<int> &a) {
	const int n = a.size();
	queue<node> q;
	vector<char> rec(n, 0);

	q.push(node(0, n>>1, n)); rec[n>>1] = 1;
	q.push(node());

	while (q.size() > 1) {
		node t = q.front(); q.pop();

		if (-1 == t.begin && -1 == t.mid && -1 == t.end) {
			cout << endl;
			q.push(node());
			continue;
		}

		cout << a[t.mid] << ' ';
		int left = t.begin + ((t.mid - t.begin)>>1);
		int right = t.mid + ((t.end - t.mid)>>1);

		if (0 <= left && left < n && 0 == rec[left]) {
			q.push(node(t.begin, left, t.mid));
			rec[left] = 1;
		}
		if (0 <= right && right < n && 0 == rec[right]) {
			q.push(node(t.mid, right, t.end));
			rec[right] = 1;
		}
	}
	cout << endl;
}

int main(void) {
	vector<int> a;
	int n = 5;
	for (int i = 0; i < n; ++i) {
		a.push_back(i);
	}
	tree_print(a);
	return 0;
}




【数据结构】面试题整理 共36题 链表是一种常见的数据结构,它由一系列节点组成,每个节点包含数据和一个指向下一个节点的指针。与数组不同,链表中的元素在内存中不必是连续存储的,这使得链表在插入和删除操作时非常高效。单向链表(Singly Linked List):每个节点只包含一个指向下一个节点的指针。双向链表(Doubly Linked List):每个节点包含两个指针,一个指向下一个节点,一个指向前一个节点。循环链表(Circular Linked List):链表的最后一个节点指向第一个节点,形成一个环。 阅读详情

相关推荐

【测开求职】面试题:数据结构 吐血整理

本篇文章是笔者为准备研究生复试以及校招而写,因此主要针对问答,注重理解,而不在于细节计算。涵盖考研范围内的所有知识内容,读者可以先查看上面的链接走一遍数据结构的整体框架结构。其中,重点难点以及易混淆的知识点,笔者用其他近30篇文章进行了详述,在知识点处贴好了链接,有需要的可以查阅。

vector的博客 7065

数据结构—平衡二叉树

查询数据的时间复杂度、平衡二叉树

且将&的博客 1152

平衡二叉树和顺序二叉树的两种存储方式

数据结构的课程设计,是平衡二叉树和顺序二叉树的两种存储方式

由一数组建平衡二叉树 并查找 Java实现

package fenshujs; import java.util.Arrays; import java.util.Scanner; public class bishi { private static class Node { public int s; public Node left = null; public Node right = null;

K3140911026的博客 1410

Palantir解密:从企业数字化能力构成说起,“本体”如何破解现代企业数据应用难题?

抛开技术外壳来看,Palantir“本体”的理念内核其实并不复杂:构建一个统一、可操作的数字现实,以高效驱动决策与行动。其技术实施和产品沉淀的过程诚然是高复杂性、高难度的,但这正体现了Palantir所代表的新硅谷“All in AI+”的战略决心。对于我们而言,必须深刻认识到:企业数字化能力建设既不是高精尖技术的简单堆砌,也不是局部场景的数字化改良,而是一场企业级的“数字孪生”——关乎战略、组织与业务全域的体系能力的重塑。

SZSDQJC的博客 1685

【暂时完结】Prescan学习笔记

Prescan学习记录1. Prescan基础知识1.1 Conventions·坐标1.2 Road segment·道路片段1.2.1 让一个路段连接其他两个路段1.2.2 配置车道线1.2.3 Road marking·道路标志1.3 Trajectory·轨迹1.3.1 建立一个Path·路径1.3.2 配置Speedprofile1.3.3 Synchronization of Trajectories·轨迹同步1.3.4 Multiple trajectories · 多轨迹分配 1. Pres

dreautumn的博客 1万+

有序数组转换为平衡二叉树

抓住两个条件:有序数组,平衡二叉树 根据有序数组可以利用二分查找对数组进行均匀划分; 平衡二叉树是左右子树的深度差控制在1以内。 具体JAVA程序如下

simonGeek的专栏 3028

IKM 测试题 - Java SE 8 评估测试题目

IKM 测试题 - Java SE 8 评估测试题目

licheng11y的博客 1314

树相关的面试题整理

1.二叉树的最大深度 最简单的应该还是左右子树最大的+1 2.二叉树的最小深度 最后用个min比较左右子树,小的+1 3.从中序和后序构造二叉树 得先定义一个unordered_map<int,int> m;然后将所有inorder的存到map中,m[inorder[i]]=i;调用的build函数的6个参数分别是(inorder,0,inorder.size()-1,pos...

谜底的博客 740

SKILL实现电路virtuoso原理图schematic中引脚pin的net自动打上pin label

SKILL实现电路virtuoso原理图schematic中引脚pin的net自动打上pin label

qq_41510657的博客 2612

PaddleOCR实战:从零开始训练自己的OCR模型(附完整代码与数据集处理技巧)

本文提供了一份详尽的PaddleOCR实战指南,手把手教你从零开始训练专属的OCR模型。内容涵盖高质量训练数据的准备与标注技巧、预训练模型的选型对比、关键参数调优策略,并附有完整的代码示例。通过遵循本文的步骤,开发者可以高效构建并优化贴合自身业务场景的高精度OCR模型,实现从数据到部署的全流程掌握。

weixin_29263201的博客 570

3 分钟理解完全二叉树、平衡二叉树、二叉查找树,2024年最新javajvm面试题

这里附上上述的技术体系图相关的几十套腾讯、头条、阿里、美团等公司2021年的面试题,把技术点整理成了视频和PDF(实际上比预期多花了不少精力),包含知识脉络 + 诸多细节,由于篇幅有限,这里以图片的形式给大家展示一部分。当程序员容易,当一个优秀的程序员是需要不断学习的,从初级程序员到高级程序员,从初级架构师到资深架构师,或者走向管理,从技术经理到技术总监,每个阶段都需要掌握不同的能力。早早确定自己的职业方向,才能在工作和能力提升中甩开同龄人。

2401_84587108的博客 1898

Oracle GoldenGate (OGG) 实战:从安装到故障排查的完整避坑指南

本文提供了一份详尽的Oracle GoldenGate实战指南,涵盖从环境准备、核心进程配置到性能调优与故障排查的全过程。重点解析了OGG安装与部署中的常见陷阱,并分享了确保数据同步链路稳定运行的高级运维技巧与常见故障处理方法,帮助技术人员高效避坑。

weixin_29230649的博客 380

数据结构面试题整理

由于堆是完全二叉树,所以可以使用数组的索引来表示父子关系,即对于数组中任意位置i的元素,其左子节点的位置是2i+1,右子节点的位置是2i+2,父节点的位置是(i-1)/2(向下取整)。这种栈通常在数组初始化时分配一块连续的内存空间,数组的大小可能是固定的,也可能是动态扩展的(如Java的ArrayList或C++的std::vector)。栈的内存分配方式既可以是静态的(如基于数组的实现,预先分配固定大小的内存),也可以是动态的(如基于链表的实现,按需分配内存)。例如,12 + 1 2 +12+。

飞天鱼 677

windows使用jupyter notebook读取文件路径的几种方法和设置默认打开路径

简单分享小虎这段时间以来学到的jupyter notebook操作技巧。

狂小虎/Anthony Dave的博客 KuangXiaoHu's Blogs 1万+

SAP MD81创建客户独立需求简介

正常我们用的最多的计划独立需求都是使用的是MD61 ,今天我们说下SAP的另外的一个标准功能客户独立需求MD81。虽然SAP给这个TCODE的描述是客户独立需求,但是实际是没有地方去关联对应的客户信息的。可以看到根据客户需求产生了对应的计划订单,我们创建的时候选择的KSV是按库存生产的,所以转换的时候生产订单也按单生产的。上面填写的这些字段的信息是不是和我们销售订单里面的字段的信息很相似。1)填写交货日期,可以选择按月 ,按日,按周等类型选择对应的日期。保存后会显示对应的客户独立需求的号码,如下图。

我小时候很黑的博客 2903

Android面试整理

归”意味着边界条件,递归程序必须在适当的时候返回,如何考虑返回条件,来达成最终的结果,掌握这两个字,就能更加深入地理解递归这个思想的精髓。比如:给定一个列表[[1,1],2,[1,1]],连续调用迭代器的next方法,直到hasNext返回false,则遍历的元素依次为[1,1,2,1,1]。虚拟机原理,如何自己设计一个虚拟机(内存管理,类加载,双亲委派);给定一个数组,其中有n个元素,分别为红色、白色和蓝色,请将数组中的元素进行排序,使得颜色相同的元素排在一起,并且颜色顺序为红、白、蓝。

乐褀的博客 1262

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")

整理的嵌入式Linux驱动面试题,拿去背吧!

定义:是一种描述硬件信息的结构化数据(.dts 文件,编译为.dtb),包含 CPU、内存、外设的型号、地址、引脚等信息。解决的问题:替代传统 Linux 的 “板级代码(board.c)”,将硬件信息与内核代码分离,实现 “一套内核适配多硬件”(避免为不同板修改内核)。// 示例:获取节点"led@0x12340000"的"gpio"属性// 查找节点// 读取u32类型属性定义:MMU 是 CPU 内的硬件单元,负责虚拟地址到物理地址的转换,提供内存保护。虚拟内存管理。

一口Linux的专栏 1242

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

整理背问到的面试题

面试中遇到的不能流畅回答出来的问题

weixin_47215856的博客 779

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

java后端——面试题整理

自用近期面试的面试题整理1.问答:==String的intern()方法有了解过吗====final和static的区别====Integer和int的区别====import static了解过吗====StringBuffer和StringBilder的区别====字符串用+会生成新的对象吗====java有哪些集合====简单介绍一下HashMap====二叉树、平衡二叉树、红黑树简单介绍一下区别====有哪些排序算法====几种排序算法中时间复杂度是O(nlogn)的有====简单介绍一下冒泡排序算

玉帝 3070

81道数据结构和算法面试八股文(答案、分析和深入提问)整理

平衡二叉树通过自我调整机制,在维持较小的高度的同时,确保了高效的增删查操作。它是许多数据结构和算法中的基础构建块,对于需要频繁查询和修改的数据集尤为重要。加密算法是确保数据安全的基础工具,其选型和实现需要根据具体场景进行合理设计。理解加密算法的原理和应用能够帮助我们更好地保护敏感信息和数据安全。AVL树更适合查找频繁的场景,红黑树更适合插入和删除频繁的场景。AVL树保持更严格的平衡,导致查找性能更优,但插入和删除性能较差;而红黑树的插入和删除操作相对高效,但查找性能略逊色于AVL树。

ocean2103的专栏 4752

Java面试系列-数据结构面试题20道,数组和链表,哈希表,栈和队列,双向链表,二叉搜索树,平衡二叉树,堆,DFS,BFS,图,调表,优先队列,Trie树,位图,布隆过滤器,LRU,B树,斐波那契堆

1. 数组和链表的主要区别是什么? 2. 如何实现一个高效的哈希表? 3. 栈和队列的主要区别是什么? 4. 如何实现一个双向链表? 5. 如何实现一个二叉搜索树? 6. 如何实现一个平衡二叉搜索树? 7. 如何实现一个堆(最大堆或最小堆)? 8. 如何实现一个图的深度优先搜索(DFS)? 9. 如何实现一个图的广度优先搜索(BFS)? 10. 如何实现一个优先队列? 11. 如何实现一个跳表? 12. 如何实现一个Trie树? 13. 如何实现一个斐波那契堆? 14. 如何实现一个哈希集合(HashSet

横竖撇折点 1226

【嵌入式面试】2022年嵌入式经典面试题汇总(数据结构)

2022年秋招我面试嵌入式MCU开发方向,经过了多场的笔试与面试,在准备的过程中看了非常多的资料,我的汇总的笔记一直写在有道云笔记中,没有分享出来。现在已经到了23年春招了,特此整理后分享出来。资料看过了觉得不错就保存下来了,如果有不对的地方,欢迎批评指正,侵权联删!数据结构自己遇到的面试题比较少,因此可以参考我发的或者网上的其他资料。本栏前文【嵌入式面试】2022年嵌入式经典面试题汇总(C语言)

一位才工作的工程师,持续学习,持续输出。更多内容,关注公众号“不想脱发的基兄”。 2346

整理推荐的嵌入式开发面试题

核心功能:挂载系统分区、执行 OTA 升级脚本、清除数据。:将 JPEG 压缩格式(二进制流)转换为 RGB/BGR 等未压缩格式,步骤:解析文件头、霍夫曼解码、逆 DCT 变换、去量化、色彩空间转换(YCrCb→RGB)。:根文件系统(rootfs)是 Linux 启动后挂载的第一个文件系统,提供用户空间基础环境(命令、库、配置文件、设备节点等),是用户态程序运行的载体。总线设备驱动:I2C 接口的温湿度传感器(SHT30)、SPI 接口的显示屏(OLED),适配设备树,实现设备探测、数据读写逻辑;

李肖遥的专栏 222

整理了一份华为面试题,看完之后默默的学习去了

static有什么用途?(请至少说明两种) 引用与指针有什么区别? 描述实时系统的基本特性 全局变量和局部变量在内存中是否有区别?如果有,是什么区别? 什么是平衡二叉树? 堆栈溢出一般是由什么原因导致的? 什么函数不能声明为虚函数? 冒泡排序算法的时间复杂度是什么? 写出float x 与“零值”比较的if语句 Internet采用哪种网络协议?该协议的主要层次结构? Internet物理地址和IP地址转换采用什么协议? IP地址的编码分为哪俩部分? 用户输入M,N值,从1至N开始顺序循环数数,每数到M输出

siyuanwai的博客 926

C++面试题 个人整理

以下内容为本人在网上摘抄整理 1.static有什么用途?(请至少说明两种)     1)在函数体,一个被声明为静态的变量在这一函数被调用过程中维持其值不变。     2) 在模块内(但在函数体外),一个被声明为静态的变量可以被模块内所用函数访问,但不能被模块外其它函数访问。它是一个本地的全局变量。     3) 在模块内,一个被声明为静态的函数只可被这一模块内的其它函数调用。那就

qqq4012的专栏 644
上一篇: 面试题整理-台阶问题
下一篇: 面试题整理-矩阵查找元素
ju136
博客等级 码龄19年 95粉丝 80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