1305 Pairwise Sum and Divide

有这样一段程序,fun会对整数数组A进行求值,其中Floor表示向下取整:

fun(A)
    sum = 0
    for i = 1 to A.length
        for j = i+1 to A.length
            sum = sum + Floor((A[i]+A[j])/(A[i]*A[j])) 
    return sum

给出数组A,由你来计算fun(A)的结果。例如:A = {1, 4, 1},fun(A) = [5/4] + [2/1] + [5/4] = 1 + 2 + 1 = 4。
Input
第1行:1个数N,表示数组A的长度(1 <= N <= 100000)。
第2 - N + 1行:每行1个数A[i](1 <= A[i] <= 10^9)。
Output
输出fun(A)的计算结果。
Input示例
3
1 4 1
Output示例
4

#include<iostream>
#include<string>
using namespace std;
long long int sum;
int n;
int a[100000];
int sum_1 = 0; 
int sum_2 = 0;
int res = 0;
int main()
{
	int i;
	int j;
	cin >> n;
	for(i = 0;i < n;i++)
	{
		cin >> a[i];
		if(a[i] == 1)
		{
			sum_1++;
		}
		if(a[i] == 2)
		{
			sum_2++;
		}
	}
	res += (sum_1*(sum_1 - 1))/2;
	res += (sum_2*(sum_2 - 1))/2;
	
	for(i = 0;i < sum_1;i++)
	{
		res += (n - i -1);
	 } 
	
	
	cout << res; } 

任务描述 本关任务:编写一个 KMAENS 类,在类中定义 K—Means 算法。 ####相关知识 为了完成本关任务,你需要掌握: 面向对象编程方法:类的定义、成员函数的定义; K-Means算法实现; SKLearn包的使用。 类及成员函数的定义 创建类对象就像创建普通变量那样的格式:**变量名 = 类名(参数),调用成员函数需要用到.运算符:对象名.成员函数名(参数)**。 代码示例如下: km = KMEANS(4) km.fit(data) K-Means算法实现 通过第一个实训,我们已经熟悉了 K-Means 算法的实现过程,现在我们需要用到 sklearn.datasets 包,用 sklearn 里封装的方法和数据集来做算法输入。 KMEANS 类成员函数声明如下: def __init__(self, n_cluster, epsilon=1e-3, maxstep=2000): def init_param(self, data): def _cal_dist(self, center, p): def mark(self, p): def update_center(self, data): def divide(self, data): def cal_err(self, data): def fit(self, data): SKLearn 包的使用 本实训的实现需要在项目中导入 sklearn 相关组件 代码示例如下: from sklearn.datasets import make_blobs 我们需要用到 sklearn 中的数据集和处理方法 代码示例如下: data, label = make_blobs(centers=4, cluster_std=0.5) 编程要求 根据提示,在右侧编辑器补充代码,完成本关任务。 ####测试说明 1.了解 KMEANS 类的初始化构造函数,查看并记录类参数; 2.编写init_param函数。初始化聚类中心,实训代码将随机选择聚类中心,并将聚类中心点存储到list中,您需编写程序调用mark函数计算每个样本点到聚类中心的距离; 3.编写_ cal _dist函数。最基础的计算点之间的距离公式; 4.编写mark函数。通过计算点与点之间的距离选择最近的聚类中心; 5.编写update_center函数。不断更新每个聚类中心的坐标; 6.编写divide函数。分类,每轮迭代对样本重新聚类; 7.编写cal_err函数; 8.编写fit函数。 平台会对你编写的代码进行测试: 预期输出: 4""" K均值聚类算法 给定初始簇的个数,迭代更改样本与簇的隶属关系,更新簇的中心为样本的均值 """ import numpy as np import copy from collections import defaultdict from sklearn.datasets import make_blobs class KMEANS: def __init__(self, n_cluster, epsilon=1e-3, maxstep=2000): self.n_cluster = n_cluster self.epsilon = epsilon self.maxstep = maxstep self.N = None self.centers = None self.cluster = defaultdict(list) def init_param(self, data): # 初始化参数, 包括初始化簇中心 self.N = data.shape[0] random_ind = np.random.choice(self.N, size=self.n_cluster) self.centers = [data[i] for i in random_ind] # list存储中心点坐标数组 for ind, p in enumerate(data): # 请在此添加实现代码 # # ********** Begin *********# # ********** End ***********# return def _cal_dist(self, center, p): # 请在此添加实现代码 # # ********** Begin *********# # 计算点到簇中心的距离平方 # ********** End ***********# def mark(self, p): dists = [] for center in self.centers: # 请在此添加实现代码 # # ********** Begin *********# # 计算样本点到每个簇中心的距离,选取最小的簇 # ********** End ***********# return dists.index(min(dists)) def update_center(self, data): for label, inds in self.cluster.items(): # 请在此添加实现代码 # # ********** Begin *********# # 更新簇的中心坐标 # ********** End ***********# return def divide(self, data): tmp_cluster = copy.deepcopy(self.cluster) # 迭代过程中,字典长度不能发生改变,故deepcopy for label, inds in tmp_cluster.items(): # 请在此添加实现代码 # # ********** Begin *********# # 重新对样本聚类 # 若类标记不变,跳过 # ********** End ***********# return def cal_err(self, data): # 计算MSE mse = 0 for label, inds in self.cluster.items(): # 请在此添加实现代码 # # ********** Begin *********# # ********** End ***********# return mse / self.N def fit(self, data): self.init_param(data) step = 0 while step < self.maxstep: # 请在此添加实现代码 # # ********** Begin *********# # ********** End ***********# return
最新发布
06-14
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