0x03.1_前缀和

本文详细介绍了前缀和的概念及其在一维和二维矩阵中的应用,通过实例展示了如何使用前缀和快速求解子序列和子矩阵的和。并给出了一道关于激光炸弹炸毁目标价值最大化的题目,通过二维前缀和计算给出了AC代码解题方案。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

前缀和是指某序列的前n项和,可以把它理解为数学上的数列的前n项和,而差分可以看成前缀和的逆运算。合理的使用前缀和与差分,可以将某些复杂的问题简单化。

(1).

对于一维前缀和,可以很好的解决 ——“一个长度为n的整数序列。有m个询问,每个询问输入一对l, r。对于每个询问,输出原序列中从第l个数到第r个数的和。”这个问题,使得时间复杂度降为 O(1);

原理

sum[r] =a[1]+a[2]+a[3]+a[l-1]+a[l]+a[l+1]......a[r];
sum[l-1]=a[1]+a[2]+a[3]+a[l-1];
sum[r]-sum[l-1]=a[l]+a[l+1]+......+a[r];

图解

(2). 

 对于二维前缀和:可以很好的解决—— “一个n行m列的整数矩阵,有 q 个询问,每个询问包含四个整数x1, y1, x2, y2,表示一个子矩阵的左上角坐标和右下角坐标。对于每个询问输出子矩阵中所有数的和。”这个问题。

同一维前缀和一样,我们先来定义一个二维数组s[][]s[i][j]表示二维数组中,左上角(1,1)到右下角( i,j )所包围的矩阵元素的和。接下来推导二维前缀和的公式。

先看一下一张图:

紫色面积是指(1,1)左上角到(i,j-1)右下角的矩形面积, 绿色面积是指(1,1)左上角到(i-1, j )右下角的矩形面积。每一个颜色的矩形面积都代表了它所包围元素的和。

从图中我们很容易看出,整个外围蓝色矩形面积s[i][j] = 绿色面积s[i-1][j] + 紫色面积s[i][j-1] - 重复加的红色的面积s[i-1][j-1]+小方块的面积a[i][j];

因此得出二维前缀和预处理公式

s[i] [j] = s[i-1][j] + s[i][j-1 ] + a[i] [j] - s[i-1][ j-1]

接下来回归问题去求以(x1,y1)为左上角和以(x2,y2)为右下角的矩阵的元素的和。

如图:
 

紫色面积是指 ( 1,1 )左上角到(x1-1,y2)右下角的矩形面积 ,黄色面积是指(1,1)左上角到(x2,y1-1)右下角的矩形面积;

不难推出:

绿色矩形的面积 = 整个外围面积s[x2, y2] - 黄色面积s[x2, y1 - 1] - 紫色面积s[x1 - 1, y2] + 重复减去的红色面积 s[x1 - 1, y1 - 1]

因此二维前缀和的结论为:

以(x1, y1)为左上角,(x2, y2)为右下角的子矩阵的和为:
s[x2, y2] - s[x1 - 1, y2] - s[x2, y1 - 1] + s[x1 - 1, y1 - 1]
 

接下来练习一道题目:

问题描述:

地图上有 N 个目标,用整数 Xi,Yi 表示目标在地图上的位置,每个目标都有一个价值 Wi。

注意:不同目标可能在同一位置。

现在有一种新型的激光炸弹,可以摧毁一个包含 R×R 个位置的正方形内的所有目标。

激光炸弹的投放是通过卫星定位的,但其有一个缺点,就是其爆炸范围,即那个正方形的边必须和 x,y 轴平行。

求一颗炸弹最多能炸掉地图上总价值为多少的目标。

输入格式

第一行输入正整数 N 和 R,分别代表地图上的目标数目和正方形的边长,数据用空格隔开。

接下来 N 行,每行输入一组数据,每组数据包括三个整数 Xi,Yi,Wi,分别代表目标的 x 坐标,y 坐标和价值,数据用空格隔开。

输出格式

输出一个正整数,代表一颗炸弹最多能炸掉地图上目标的总价值数目。

数据范围

0≤R≤109
0<N≤10000,
0≤Xi,Yi≤5000
0≤Wi≤1000

输入样例:

2 1
0 0 1
1 1 1

输出样例:

1

AC代码:

#include <iostream>
using namespace std;

const int N = 5010;

int f[N][N];

int main()
{
	int N, R;
	cin >> N >> R;
	int n = R, m = R;
	for(int i = 0, x, y, w; i < N; i ++ )
	{
		cin >> x >> y >> w;
		x ++, y ++;
		n = max(n, x), m = max(m, y);
		f[x][y] += w;
	}
	
	for(int i = 1; i <= n; i ++ )
	{
		for(int j = 1; j <= m; j ++ )
		{
			f[i][j] += f[i - 1][j] + f[i][j - 1] - f[i - 1][j - 1];
		}
	}
	
	int res = 0;
	for(int i = R; i <= n; i ++ )
	{
		for(int j = R; j <= m; j ++ )
		{
			res = max(res, f[i][j] - f[i - R][j] - f[i][j - R] + f[i - R][j - R]);
		}
	}
	
	cout << res << endl;
	return 0;
}

 

 具体请见:

https://blog.youkuaiyun.com/weixin_45629285/article/details/111146240

### 处理 NC 文件的 Python 示例代码 以下是基于 `netCDF4` 库实现的一个示例代码,用于读取和处理名为 `CCMP_Wind_Analysis_20150101_V03.1_L4.nc` 的 NetCDF 文件。该文件通常包含气象数据(如风速、风向等),我们将提取其中的关键变量并进行简单的数据分析。 #### 安装依赖库 在运行以下代码之前,请确保已安装必要的 Python 库: ```bash pip install netCDF4 numpy pandas matplotlib ``` #### 示例代码 ```python import netCDF4 as nc import numpy as np import pandas as pd import matplotlib.pyplot as plt # 打开NetCDF文件 file_path = 'CCMP_Wind_Analysis_20150101_V03.1_L4.nc' dataset = nc.Dataset(file_path) # 查看文件中的变量列表 print(dataset.variables.keys()) # 提取关键变量 lats = dataset.variables['latitude'][:] # 纬度 lons = dataset.variables['longitude'][:] # 经度 time_var = dataset.variables['time'][:] # 时间维度 u_wind = dataset.variables['uwnd'][:] # 东向风分量 (单位: m/s) v_wind = dataset.variables['vwnd'][:] # 北向风分量 (单位: m/s) # 计算风速大小 wind_speed = np.sqrt(u_wind**2 + v_wind**2) # 风速计算公式[^1] # 转换时间戳为日期格式 from datetime import datetime, timedelta base_date = datetime(1970, 1, 1) # 假设时间为自197011日起的天数 dates = [base_date + timedelta(days=int(t)) for t in time_var] # 将数据转换为Pandas DataFrame以便进一步分析 df = pd.DataFrame({ 'Date': dates * len(lats), 'Latitude': np.repeat(lats, len(dates)), 'Longitude': lons.flatten(), 'Wind_Speed': wind_speed.flatten() }) # 数据可视化 plt.figure(figsize=(10, 6)) for i, date in enumerate(np.unique(df['Date'])): subset = df[df['Date'] == date] plt.contourf(subset['Longitude'], subset['Latitude'], subset['Wind_Speed'].values.reshape(len(lats), len(lons))) plt.colorbar(label='Wind Speed (m/s)') plt.title(f'Wind Speed on {date}') plt.xlabel('Longitude') plt.ylabel('Latitude') plt.show() # 关闭NetCDF文件连接 dataset.close() ``` --- ### 说明 上述代码实现了以下几个功能: 1. **打开 NetCDF 文件**:使用 `netCDF4` 库加载 `.nc` 文件。 2. **提取变量**:获取纬度 (`latitude`)、经度 (`longitude`) 和风速分量 (`uwnd`, `vwnd`)。 3. **计算风速**:利用矢量合成方法 \( \text{Speed} = \sqrt{(u\_wind)^2 + (v\_wind)^2} \)[^1]。 4. **时间转换**:将时间维度从数值形式转为人类可读的时间格式。 5. **数据存储与绘图**:将结果保存至 Pandas DataFrame 并绘制风速分布图。 --- ###
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