usaco section1.2 Transformations

本文通过一道简单的算法题,强调了良好的代码结构对于提高编程效率、减少调试时间的重要性,并分享了作者在实践中总结出的一些常见错误及其解决方案。
一道水题,但是水题也有水题的价值,我主要想通过这道题说下算法题解题时良好的代码结构的重要性。

当时在刷题的时候,刷题的速度异常的慢,然后我就统计了一下时间,3个小时,大概一般能刷3-4题,每道题写代码的时间大概在20-30分钟左右,而调试的时间在30-50左右。也就是说,调试的时间其实大大超过了写代码的时间,这其实是相当不利的,因为在每道题debug结束之后,我发现往往出错的地方不是算法的错误,而是各种各样的小错误,而这些错误,其实是完全可以避免的,我之后也将我每道题的错误原因都统计了下来。(以下排名主要按照出现次数。。。)

1.循环变量:
当嵌套结构过长,不注意的话可能就会重复使用当前的循环变量,而且大家又都喜欢用i,j。。一不注意就会出现同时用两个i作为循环变量,又或者将循环变量赋值为其它变量。
2.变量未初始化:
这个也比较常见,常见于全局变量中
3.标记数组忘记重置
这个常见于枚举以及图论的题中,这种题目往往会有bool  used[]数组,而这种数组尤其要当心当前是否要对其进行重置
4.if语句后面忘记加花括号
这个错误不多说。。。
......

以上列举的错误都很低级,但不可否认的是,这种低级错误却成了我的bug中的主力军,而且这些错误一旦出现,寻找起来其实异常的艰难,因为它们都是极其容易被人忽视的。它们的出现其实也不是偶然,只要代码长度一长,这些错误基本上很难避免。

对于这些bug,我之后首先在写代码的时候,都会有针对性的去避免这些问题,比如循环变量,变量是否初始化,我都会尤其注意。除了这个,在看刘汝佳的代码的时候,发现他的代码尤其简洁,结构精巧。例如在函数的使用方面,这一块是否要使用函数?如果使用函数如何分配它的参数,它的返回值?返回值是什么类型,作用是什么?参数传递的类型是值传递还是引用传递?参数是用函数传递好还是直接用全局变量好?所以在写一道题后,再去看刘汝佳给出的代码时,我很难想到这儿可以这么写,而他的代码量往往都是我的代码量的一半。所以我觉得要减少bug的出现,简洁且良好的代码结构可能才是最重要的手段,首先,精简的代码比冗长的代码产生bug的几率更小,再从调试代码的角度看,精简的代码更容易找到bug,从我的角度来看寻找bug的难度是随代码量的增长而指数增长的。。

这道题不难,只要进行简单的逻辑操作就行了,但是当时调试的时间是我写代码时间的两倍,主要原因就是代码结构太差了。
/*
ID:cnzhang1
LANG:C++
TASK:transform
*/
#incldue<bits/stdc++.h>
using namespace std;

#define MAX_N 1000
char square[MAX_N][MAX_N];
char tmp1[MAX_N][MAX_N];  //用来保存
char tmp2[MAX_N][MAX_N];  //用来比较
int n;

int turn_90(){
	for(int i=1;i<=n;i++)
		for(int j=1;j<=n;j++)
			 tmp2[j][n-i+1] = tmp1[i][j];
	for(int i=1;i<=n;i++)
		for(int j=1;j<=n;j++)
			tmp1[i][j] = tmp2[i][j];
	return 1;
}

int equal(){
	for(int i=1;i<=n;i++)
		for(int j=1;j<=n;j++)
			if(square[i][j]!=tmp2[i][j])
				return 0;
	return 1;
}

int turn_line(){
	for(int i=1;i<=n;i++)
		for(int j=1;j<=n;j++)
			tmp2[i][n-j+1] = tmp1[i][j];
	for(int i=1;i<=n;i++)
		for(int j=1;j<=n;j++)
			tmp1[i][j] = tmp2[i][j];
	return 1;
}


int main(){
	freopen("transform.in","r",stdin); freopen("transform.out","w",stdout);
	cin>>n;
	for(int i=1;i<=n;i++)
		for(int j=1;j<=n;j++)
			cin>>tmp1[i][j],tmp2[i][j] = tmp1[i][j];
	for(int i=1;i<=n;i++)
		for(int j=1;j<=n;j++)
			cin>>square[i][j];
	for(int i=0;i<3;i++){
		if(turn_90()&&equal()){
			cout<<i+1<<endl;
			return 0;
		}
	}
	if(turn_90()&&turn_line()&&equal())
		cout<<4<<endl;
	else if(turn_90()&&equal()||turn_90()&&equal()||turn_90()&&equal())
		cout<<5<<endl;
	else if(turn_90()&&turn_line()&&equal())
		cout<<6<<endl;
	else
		cout<<7<<endl;
}












标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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