1917: 支配值数目

Void missing_you()
        For(time=meet_you;;time++)
        Missing_you()
        自从遇见了你,就不停地想你。

Description

已知f[]与g[]两个整数数组,元素都已经从小到大排好序,请写一个程序,算出f[]中比g[]中元素大的对数。换句话说,f[0]比g[]中多少个元素大,f[1]比g[]中多少个元素大等,这些值的总和就是要求的答案。 举个例子,如果f[]中有1,3,5,7,9,而g[]中有2,3,4,7,8。 那么: f[0]比g[]中的所有元素都小; f[1]比g[0] 大; f[2]比g[0]、g[1]、g[2]大; f[3]比g[0]、g[1]、g[2]大; f[4]比g[0]、 g[1]、g[2]、g[3]、g[4]大; 所以答案是0+1+3+3+5=12

Input

第一行为两个整数m, n(1≤m, n≤1000),分别代表数组f[], g[]的长度。 第二行有m个元素,为数组f[]。 第三行有n个元素,为数组g[]。

Output

输出支配值。

Sample Input

5 5
1 3 5 7 9
2 3 4 7 8

Sample Output

12

分析:

很多人看到这个题第一反应会直接从f中一个一个判断g中的元素  然而如果排序后按照顺序依次继承上一次结果向后继续判断会使时间和代码都简化一些

源代码:

#include <iostream>
#include <algorithm>

using namespace std;

int main()
{
    int j=0,m,n,s=0;          //m、n为数组长度 j为用于循环的变量 s记录支配值
    cin>>m>>n;              //输入数组长度
    int f[m],g[n];
    for(int i=0;i<m;i++)    //输入数组
        cin>>f[i];
    for(int i=0;i<n;i++)
        cin>>g[i];
    sort(f,f+m);            //将两个数组都排序方便后面计算
    sort(g,g+n);
    for(int i=0;i<m;i++)    //循环判断f中的每一个元素
    {
        for(;j<n;j++)
        {
            if(f[i]<=g[j])
            {
                s+=j;       //应该为s=s+j+1-1(j+1为当前编号所以简化为s+=j)
                break;      //、当前编号>=f,但之前的都<f所以全部都应累加到f的支配值中
            }
        }
        if(j==n)
        {
            s+=n*(m-i);     //若已到达f中的那个元素大于g中所有元素的情况
            break;          //则将剩下未判断的情况全都为支配值 全部加于s并退出循环
        }
    }
    cout<<s<<endl;
    return 0;
}


### 使用SPSS对全国居民人均可支配收入数据进行聚类分析 #### 数据准备 在进行聚类分析之前,需准备好待分析的数据集。假设已收集到全国各省或地区的居民人均可支配收入数据,将其导入SPSS软件中作为基础数据源[^1]。 #### 聚类前的预处理 为了提高聚类效果,在正式执行聚类算法前应对原始数据进行标准化处理。这是因为不同区域的人均可支配收入可能存在较大的数差异,而这种差异可能会影响最终的聚类结果。可以利用SPSS中的“转换 -> Z分数标准化”功能完成这一过程[^2]。 #### 执行层次聚类分析 1. **打开菜单选项** 在SPSS界面依次点击 `Analyze` → `Classify` → `Hierarchical Cluster` 来启动分层聚类对话框。 2. **指定变量与案例** 将代表各省份/地区的人均收入字段拖入右侧的“Variables”框内;如果希望按省市区划分,则应将这些地理标签放入“Label Cases by”栏位以便后续识别具体分类归属情况[^3]。 3. **设定距离度量方式** 对于连续型变量如本例中的货币金额,默认推荐选用欧几里得平方距离(Euclidean Distance Squared),这与先前提到的研究一致。通过单击“Method...”,可以在弹出的新窗口调整具体的连接规则(Linkage Method)——这里建议尝试组间平均(Group Average Linkage)[^2] 或者最短路径(Shortest Path Between Groups/Ward's Method)[^3]来观察不同的群集结构特性。 4. **运行并解读树状图(Dendrogram)** 完成参数配置之后按下OK按钮即可获得初步的结果展示形式之一即为分支图(dendrograms)。借助该图形能够直观判断最佳分割点从而决定合理的类别数目k[^1]。例如当发现某高度处存在显著跳跃变化时往往意味着此处适合作为切割界限形成独立子群体。 5. **保存成员分配信息至原文件** 如果满意当前所得分区方案还可以进一步把所属类别编码追加回初始数据库当中方便后期深入挖掘关联模式或者对比验证其他维度上的异同之处。只需再次回到主界面上找到相应位置勾选相关项实现自动填充操作即可[^3]。 ```spss * Example SPSS Syntax for Hierarchical Clustering. DATASET ACTIVATE DataSet0. CLUSTER MEAN_INCOME /METHOD WARD /PRINT SCHEDULE CLUSTERS(6) /PLOT DENDROGRAM LINKAGE. ``` 以上脚本展示了如何运用Ward’s method来进行六次迭代后的最优解寻找过程,并且同时输出详细的进度报告以及可视化的谱系关系图表辅助理解整个演进脉络。 ---
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