【简单】HJ62 查找输入整数二进制中1的个数(Python三种写法)

二进制1的个数—python 输入一个整数,输出该数二进制表示中1的个数。其中负数用补码表示。 题解1: 从n的2进制形式的最右边开始判断是不是1:n&1 == 1,count+=1,n>>1 该解法如果输入是负数会陷入死循环, 因为负数右移时,在最高位补得是1,移到最后会全变成1 本题最终目的是求1的个数,那么会有无数个 题解2: 正整数的补码不变,负整数的补码为取反加一。 判断是否是正数,否的话和0x... 阅读详情

【题目】
输入一个正整数,计算它在二进制下的1的个数。
注意多组输入输出!!!!!!

数据范围: 1≤n≤231−1 1≤n≤231−1
输入描述:

输入一个整数
输出描述:

计算整数二进制中1的个数
【示例1】
输入:5
输出:2
【示例2】
输入:0
输出:0
【代码】
【写法1】位运算

import sys
for line in sys.stdin:
    n=int(line)
    cnt=0
    while n:
        cnt+=1
        n&=(n-1)
    print(cnt)

【写法2】位运算

import sys
for line in sys.stdin:
    n=int(line)
    cnt=0
    while n:
        cnt+=n&1
        n//=2
    print(cnt)

【写法3】库函数直接调用

import sys
for line in sys.stdin:
    n=int(line)
    print(bin(n).count('1'))
【牛客网华为机试】HJ62 查找输入整数二进制中1的个数 题目 描述 输入一个正整数,计算它在二进制下的1的个数。 注意多组输入输出!!!!!! 输入描述: 输入一个整数 输出描述: 计算整数二进制中1的个数 示例1 输入: 5 输出: 2 说明: 5的二进制表示是101,有2个1 解题思路 (1)用bin函数将整数转换成2进制 (2)用str函数将二进制转换成字符串 (3)用count函数计算字符串中包含“1”的数量 (4)输出结果 代码 while True: try: print(s 阅读详情

相关推荐

MuJoCo柔性体仿真实战:从FlexComp建模到自定义模型导入

柔性体仿真是机器人交互研究中不可或缺的一环,MuJoCo作为高精度物理求解器,凭借高效的求解速度与批量并行能力,成为强化学习与软体抓取任务的热门选择。其FlexComp机制将连续材料离散为粒子-约束系统,以较低建模成本模拟布料、软组织等形变行为,相比Gazebo等平台更具实时性与可扩展性。技术价值体现在自定义柔性体建模与导入流程中:通过XML配置网格密度、间距与材料参数,即可生成贴合任务需求的软体垫子或硅胶抓手。在柔性抓取、颗粒抓手、医疗仿真等场景中,该方法能快速构建可训练的环境。围绕环境搭建、FlexCo

weixin_29045585的博客 163

求二进制中1的个数(python)

解法 1 利用整数除法的特点,通过相除和判断余数的值来分析。 def count_1(v): num = 0 while v: if v%2 == 1: num += 1 v = v // 2 return num 解法 2 利用二进制移位的方法 def count_2(v): num = 0 while v: num += v&1 v >>=

qq_43211230的博客 2966

Spring Authorization Server自定义密码模式:突破标准OAuth2限制,实现MFA与复杂业务集成

OAuth 2.0授权框架是构建现代应用安全体系的基石,其密码模式(Resource Owner Password Credentials Grant)提供了一种直接的资源所有者凭证交换令牌的机制。该模式的核心原理是客户端收集用户密码并直接向授权服务器请求访问令牌,适用于受信任的客户端场景。在技术价值上,它简化了某些传统应用的OAuth集成流程。然而,标准实现往往难以满足复杂的现实业务需求,例如需要集成多因素认证(MFA)、对接外部LDAP目录服务或执行自定义密码加密校验等场景。Spring Authori

weixin_34302561的博客 438

二进制中1的个数

题目描述: 输入一个32位整数,输出该数二进制表示中1的个数。 注意:负数在计算机中用其绝对值的补码来表示。 样例1 输入:9 输出:2 解释:9的二进制表示是1001,一共有2个1。 样例2 输入:-2 输出:31 解释:-2在计算机里会被表示成11111111111111111111111111111110, 一共有31个1。 分析: 先判断整数二进制表示中最右边一位是不是1,然后右移一位,原...

hahaEverybody的博客 625

别再只盯着轨迹线了!FLUENT DPM后处理实战:从粒子采样到直方图报告的完整流程

本文详细介绍了FLUENT DPM后处理的完整流程,从粒子采样到直方图报告的实战技巧。通过设置采样面、分析.dpm文件数据以及创建加权直方图,帮助工程师获取粒子速度、粒径分布等定量信息,提升多相流模拟的深度分析能力。特别适合需要超越轨迹线分析的CFD工程师。

weixin_28730353的博客 280

STM32F103内部晶振配置实战:从代码修改到频率验证(附工程模板)

本文详细介绍了STM32F103内部晶振(HSI)的配置实战,从代码修改到频率验证的全流程,并附赠可直接使用的工程模板。通过对比HSI与外部晶振的优缺点,帮助开发者在成本敏感和空间受限的应用中实现稳定时钟配置,同时提供频率校准和常见问题排查方法。

weixin_29171087的博客 323

整数二进制比较()

python练习题.整数二进制比较 题目: 1.定义一个函数,参数为一个整数列表,返回该列表中整数的二进制中1最多的整数(如果数量相同,则返回第一个) 如:整数列表为[45,23,12,7],则对应的二进制为[101101,10111,1100,0111],前两个的1数量相同,则返回值为45 这是小白的蠢萌解法: `输出结果: 注:如果大家有更简单的方法,还希望大佬不吝赐教,共同进步!! ...

Jancydc的博客 2023

基于SpringBoot 3 + Vue 3的全栈民宿预约管理系统设计与实现

文章将详细阐述系统的需求分析、架构设计、数据库设计、核心功能模块的实现(包括用户认证、房源管理、订单流程、支付集成等),并提供关键代码片段,最后对系统进行总结与展望。.requestMatchers("/api/admin/**").hasRole("ADMIN") // 管理员接口。.requestMatchers("/api/auth/**").permitAll() // 认证接口公开。.requestMatchers("/api/public/**").permitAll() // 公开资源。

2201_76125393的博客 273

python输入一个整数,输出该数二进制表示中1的个数

# -*- coding:utf-8 -*- class Solution: def NumberOf1(self, n): # write code here cnt = 0 if n<0: n = n & 0xffffffff while n: cnt+=1 ...

渔村暮火 9340

STM32F4 SPI FLASH(W25Q128)驱动详解(含DMA+完整读写擦除+低功耗)

本文实现了一款基于STM32 HAL库的SPI Flash驱动,以W25Q128为例,提供了完整的初始化、读写、擦除、ID读取等功能。驱动集成了DMA传输、超时保护、页对齐写入等特性,支持扇区擦除、整片擦除、页写入及跨页缓冲写入。代码结构清晰,易于移植到其他SPI Flash型号(如W25Q64、W25Q16等),适用于数据存储、固件升级、文件系统等嵌入式场景。

kevin1499的博客 98

魔改短线利器DPO指标,频繁交易也能盈利超30倍?手机同花顺可用!

昨天我们提示了一些高位风险板块,今天来看基本上都在跌幅前列。这一波由AIGC驱动的大行情,短期来看可能已经到了尾声。中期大家可以关注30日线和60日线是否有支撑,这种现象级的生产力变革主导的行情不可能直接就凉了——哪怕相关的企业距离从中获利还很遥远。在A股,当前是否盈利并不是当前股价的主要矛盾。保守的同学不妨关注下昨天的机会列表,里边全是一些超跌的板块,短期可能会延续弱势,但是一旦站上20日线,可能就会有一波超跌反弹的行情。AIGC中的资金外流,大概率会有一些低位板块得到临幸。

量化祛魅师 老Q。 1万+

《华为机试》刷题之HJ62 查找输入整数二进制中1的个数

《华为机试》刷题之HJ62 查找输入整数二进制中1的个数

胡萝卜 4242

手把手教你学基带SOC芯片(4.2)--基带soc芯片的存储器设计

基带 SoC 中的存储器设计需要综合考虑功耗、成本和性能等因素。SRAM 适合高速缓存,DRAM 适合主内存,Flash 存储器适合非易失性存储。通过优化存储单元设计、阵列布局和外围电路,可以提高存储器的性能和效率。

MHD0815的博客 351

华为机试_HJ62 查找输入整数二进制中1的个数【简单】【收藏】

目录描述输入描述:输出描述:解题过程提交代码一(常规方法)提交代码二(位运算方法)学习代码代码一代码二收藏点输入一个正整数,计算它在二进制下的1的个数。注意多组输入输出!!!!!!数据范围:1≤n≤2^31−1 输入一个整数计算整数二进制中1的个数啪的一下啊,很快啊。我觉得是考察多组出入输出。不对,上面写的是考察位运算。所以,以后确实要看考察点了,不能随便写。 提交代码二(位运算方法) 学习代码 代码一 (来源:https://www.nowcoder.com/users/297309805

quantum_rose的博客 569

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。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

华为机试-062-简单-HJ62.查找输入整数二进制中1的个数

【代码】华为机试-062-简单-HJ62.查找输入整数二进制中1的个数

tttzzzqqq2018的博客 191

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

HJ62 查找输入整数二进制中1的个数

本题是计算一个数二进制表示中1的个数,通过(n >> i) & 1可以获取第i位的二进制值,每次n右移一位,可以获取一位的二进制值,右移32次,n变成0,循环终止。数据范围: 1 \le n \le 2^{31}-1 \1≤n≤231−1。输入一个正整数,计算它在二进制下的1的个数。5的二进制表示是101,有2个1。计算整数二进制中1的个数。

热爱技术! 454

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")

华为机试题:HJ62 查找输入整数二进制中1的个数(python)

(1) 举例说明:若list中包含数字,则不能直接转化成字符串,否则系统报错。若带参数base,表示将 (二进制、十进制、十六进制)的 x 转换为十进制。(2)举例说明:若list中包含数字,将list中的所有元素转换为字符串。(1)65036 除 16,商4064,余数 12(十六进制C)(2)4064 除 16,商254,余数 0(十六进制0)(3)254 除 16,商15,余数 14(十六进制E)(4)15除16,商0,余数 15(十六进制F)。(5)结束:得16进制为 = FE0C。

📷 图像处理践行者 | 传统算法 · 深度学习 · 多模态 | 分享实战经验与技术洞见,探索从像素到智能的无限可能。 828

【牛客网 - 华为机试 - HJ62 查找输入整数二进制中1的个数】

描述 输入一个正整数,计算它在二进制下的1的个数。 注意多组输入输出!!!!!! 数据范围: 输入描述: 输入一个整数 输出描述: 计算整数二进制中1的个数 思路: step1:输入一个数,并转换为整型; step2:将输入的数转换为二进制数; step3:使用count()函数,求出'1'的数量,并打印输出 代码如下: while True: try: n = int(input()) n = bin(n) .

爱摸鱼的经济er的博客 460

HJ62 查找输入整数二进制中1的个数(python/c++)

#include<iostream> using namespace std; int main(){ int n; while(cin >> n){ int count = 0; while(n){ if(n % 2 == 1){ count++; n = n / 2; }else{ .

qq_36421001的博客 689

华为机试-查找输入整数二进制中1的个数

题目描述 请实现如下接口 public static int findNumberOf1(intnum) { /* 请实现 */ return 0; } 譬如:输入5 ,5的二进制为101,输出2输入描述: 输入一个整数输出描述: 计算整数二进制中1的个数输入例子: 5输出例子: 2代码import java.ut

有图有真相 811

题解 | #查找输入整数二进制中1的个数#

想请教一下各位前辈大佬🥺🥺本科双非,末9经济,拿到了中国星网的全资二级子公司oc,公司刚刚成立在雄安,自己也是雄安人,想请教一下大家这个offer值得去嘛,测试岗,早九晚五,没什么积累,工作没什么压力,包吃包住,就是一旦从公司出来,基本上没有对口的公司和岗位能再工作了,工资到手八千。开心捏,终于有offer了,著名调查兵团,老板很帅,领导力很强,薪资说是自己去海的那边抢,直接入职了,现在还处于实习期,没有发工作服,期待工作服捏。本人山东人,本硕985,纠结是去个离家近的地方还是去大城市打拼,大家给点建议。

2301_78234743的博客 168

(python)牛客网(华为机试二)——简单

本博客为博主解题的部分记录,由于均为自己写的,所以答案并非最优解,有很多地方可以优化。 题目HJ11数字颠倒HJ12字符串反转HJ22汽水瓶HJ37 统计每个月兔子的总数HJ50 四则运算HJ53杨辉三角的变形HJ54 表达式求值(同HJ50四则运算)HJ56 完全数计算HJ61 放苹果HJ62 查找输入整数二进制中1的个数HJ72 百钱买百鸡问题HJ73 计算日期到天数转换HJ74 参数解析HJ75 公共最长子串(递归/动态规划待补充)HJ76 尼科彻斯定理HJ83 二维数组操作HJ84 统计大写字母个数

Alannah的个人学习记录 1380
上一篇: 【简单】HJ61 放苹果(Python两种写法 递归+动态规划)
下一篇: 【简单】HJ13 句子逆序(Python两种写法)
菜菜2022
博客等级 码龄9年 67粉丝 1033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